探讨 AI 工具的安全边界：从 Anthropic CLI 的隐蔽遥测说起
逆向分析Anthropic CLI工具中的隐蔽遥测机制，揭示其利用时区检测、Unicode隐写和XOR混淆进行环境指纹识别，并探讨通过容器隔离、MITM流量清洗等工程化手段进行防御。
返回分类列表
AI
共 15 篇文章
你可能并不需要 RAG
本文探讨了传统RAG在复杂场景下因依赖文本片段相似度检索而难以还原完整答案的局限性，并提出了一种基于Agent的层级化检索方案，通过构建目录树和结构化数据来模拟人类阅读过程，适用于金融、法律等对准确性和逻辑完整性要求较高的领域。
Harness Engineering：当代码不再稀缺，什么才是工程的核心？
随着AI生成代码能力的普及，软件工程的核心正从编写代码转向设计可靠的系统。本文探讨了Harness Engineering（驾驭工程）的兴起，分析了从Prompt Engineering到Context Engineering的演进，并重点阐述了通过架构约束、反馈循环和熵管理来构建稳定、可维护的AI驱动开发环境的技术实践。
智能体 2.0：从“循环脚本”到真正的智能系统
剖析从循环调用的浅层智能体到具备规划、子智能体协作与持久化记忆的深度智能体架构演进，探讨Agent 2.0如何解决长任务中的上下文溢出与目标丢失问题。
你的 Agent 可能并不需要过度工程化：一次从 LangGraph 到极简 Agent 的架构反思
文章回顾了从基于 LangGraph 的复杂多阶段 Agent 系统到极简架构的演变过程，探讨了模型能力提升如何减少对工程优化的依赖，并分析了 Tool 并发执行、Sub-Agent 隔离和异步消息压缩等关键设计。
Context 不是压缩出来的，而是设计出来的
文章探讨了在构建AI Agent时，上下文管理的深层问题，指出传统压缩方法如RAG和摘要的局限性。作者从工程角度分析，提出通过设计信息流，利用子Agent预处理网页、日志和命令输出，以优化上下文质量，强调Context Engineering的重要性。
Agent Skills 不完全指南
Agent Skills 不仅是工具集，更是一套过程知识（SOP）。本文深入对比其与 MCP 在上下文加载上的差异，解析渐进式披露机制，并通过一个中文写作规范案例展示如何构建可复用的 Skill 工作流。
🚀 为什么 LangChain 不做可视化工作流？从“工作流”到“智能体”的边界与融合
本文探讨了 LangChain 团队选择不开发可视化工作流构建器的深层原因，分析了工作流与智能体在 AI 应用架构中的边界与融合趋势。文章从技术实现角度出发，讨论了高复杂度场景下代码化工作流的必要性、低复杂度场景中无代码智能体的优势，以及中复杂度可视化工作流在原型验证中的过渡角色。
漫谈 MCP 构建之 Resources 篇
MCP Resources篇深入探讨了如何通过Python SDK快速构建静态与动态资源端点，涵盖URI设计、协议接口及实际调试流程，为模型提供结构化上下文以避免幻觉。
漫谈 MCP 构建之概念篇
MCP 作为统一 AI 工具调用的标准化协议，解决了 Function Call 厂商各自为战的问题。文章详解了 MCP 的 Server、Client、Host 三种角色，以及 Server 的 Resources、Tools、Prompts 核心能力。
