Deng的博客

当整个行业还在为 Vera Rubin NVL72 那 60 Exaflops 的数字狂欢时，NVIDIA 在 OCP Global Summit 2026（10月12–15日，圣何塞 McEnery 会议中心，全场售罄）上做了一件比发布新芯片更深远的事——它把 Vera Rubin 的机架与计算托盘设计开源了。 这不是又一次参数迭代，而是一次战略重心的迁移：AI 算力竞争的战场，正从”谁的硅片更强”转向”谁定义行业标准”。 一、从”卖芯片”到”定标准”：一次有预谋的开放过去两年，NVIDIA 用”极端协同设计”（extreme co-design）把计算、网络、存储、散热封装成一座座 AI 工厂，Vera Rubin NVL72 就是集大成者。但规模从兆瓦迈向吉瓦后，建造 AI 工厂的瓶颈不再是单卡算力，而是能否快速、可复制地铺开基础设施。 正是在这个节点，NVIDIA 向 Open Compute Project（OCP）贡献了 Vera Rubin 的关键机架与计算托盘设计，依托开放的 NVIDIA MGX 架构，为系统厂商提供一个”通用底座”。OCP 是亚马逊、谷歌等巨头...

一、背景：当红队开始”自己写代码打自己”网络安全领域有一条心照不宣的定律——渗透测试的本质是信息差与组合创新。一名资深测试工程师的价值，不在于会跑多少扫描器，而在于能否在侦察、漏洞发现、利用链拼接之间建立人类直觉式的关联。这套工作流长期依赖人工协调：手动收集资产、手写下探测命令、把散落的输出拼成一份报告。 但随着 Agent 框架在编程领域的爆发，一个自然的问题浮现：既然 AI 能自主写代码、改代码、调试代码，它能否自主地完成一次完整的渗透测试？ 答案之一是 PentAGI（vxcontrol/pentagi）——由德国安全工程公司 VXControl 开源的一套完全自主的多智能体渗透测试系统。上线不久即冲上 GitHub AI Agent 类趋势榜前列（约 3 万 Star，7 日增长约 4.8k），MIT 协议、支持自托管，直接把”AI 红队”从概念推到了可落地的工程产品。 二、核心定位：不是又一个扫描器，而是一套”智能体编排系统”PentAGI 与传统 Nessus、AWVS 这类扫描器的根本区别，在于它把决策权交给了 LLM。官方对它的定义是：”Fully autonom...

一、从”一个助手”到”一支军团”：为什么需要元框架（Meta-Harness）过去两年，AI 编程助手的竞争主线一直是”让单个模型更聪明”——更长上下文、更强推理、更低价格。但真正把 AI 拉进生产工程的团队逐渐发现：能写代码只是起点，能把一个任务拆成研究、编码、测试、安全审查、文档并协调它们并行推进，才是瓶颈。 2026年10月13日，Cognitum One 发布了开源项目 Ruflo（github.com/ruvnet/ruflo）的最新版本。它把自己定位为”agent meta-harness”（智能体元框架）——不是又一个模型，也不是又一个 IDE 插件，而是包裹在 Claude Code、OpenAI Codex 或任意 MCP 客户端外围的执行层。它的核心主张很直接：模型负责推理和写代码，框架负责给它工具、记忆、循环、沙箱和控制。 Ruflo 最早以 “Claude Flow” 之名约一年前亮相，如今已积累 74,000+ GitHub Star、8,800 Fork，过去十二个月 npm 下载量达 1250 万次。这个数字背后，是业界对”编排即产品”（orches...

REA登顶GitHub：让AI智能体”拆开”任何软件的逆向引擎过去两周的 GitHub Trending 榜首，被一个名字霸榜——REA（Reverse Engineer Anything，逆向工程任何东西）。这个由开发者 morluto 于 10 月 7 日开源的工具，上线不到一天就冲上热门榜第一，累计 Star 逼近六万。它干的事很直接：把你的编码智能体（Claude Code、Codex、Cursor）接到一套逆向分析引擎上，让 AI 像资深逆向工程师一样，把原生二进制、Electron/JS 应用、.NET 程序集乃至整个网站”拆开”，还原出功能逻辑并给出证据。 这标志着 Agent 工具链的一个微妙转折：过去半年，GitHub 上的爆款几乎全是”如何生成代码”的助手；而 REA 证明了**”如何读懂已有代码”**同样是刚需，且能催生一个全新的 MCP（Model Context Protocol）品类。 一、从”单点封装”到”逆向工具链标准化”市面上早有把 Ghidra 或 IDA 搬到模型面前的 MCP server，但绝大多数只有几百行——本质是把 dec...

当AI Agent学会”记事”：持久化记忆如何成为2026年开源新赛道一、从”金鱼记忆”到”第二大脑”：一个被忽视的瓶颈如果你用过任何AI智能体（Agent），一定会遇到那个尴尬的瞬间：刚跟它聊了半小时的项目架构、技术选型和你个人的偏好，换个对话窗口，它就一脸茫然地让你”重新介绍一下背景”。这不是模型变笨了，而是当前绝大多数Agent的根本缺陷——它们没有持久记忆。每一次会话都是一次”失忆”，模型被迫在预填充（prefill）阶段重复消费大量本应记住的上下文，既浪费token，又拖累响应速度。 2026年10月的GitHub趋势图清楚地显示，行业焦点正在从”如何让模型更聪明”转向”如何让智能体记得住”。一批专门做持久化记忆基础设施的开源项目集体爆发，标志着Agent架构正式进入”拥有第二大脑”的新阶段。 二、正在升温的新赛道：四个代表性项目过去一周，GitHub上以agent-memory、persistent memory为标签的项目星速增长显著。其中几个值得关注的代表： doobidoo/mcp-memory-service（约2k星，Apache-2.0）：一个...

一、当”看得清”让位于”看得快”：边缘多模态的新战场过去两年，多模态大模型的竞争几乎被两件事垄断：参数规模与上下文长度。谁能把图片切成上千个 token、谁能塞进百万级上下文，谁就占据叙事高地。然而就在所有人卷”视觉分辨率”时，Reka AI 于 2026 年 10 月初发布了 Reka Edge 2603——一个约 7B 参数的多模态视觉语言模型（VLM），把火力对准了一个被长期忽视的维度：token 效率。 在实时视频、机器人操控、车载系统等”物理 AI”场景里，延迟和显存才是生死线。Reka 的判断很直接：让模型用更少的 token 看懂同一张图，比让它看更多细节更重要。这个朴素判断背后，是一套从训练阶段就为”紧凑视觉表征”设计的全新架构。 二、核心规格：657M 编码器 + 6.4B 语言骨干Reka Edge 2603 的架构并不复杂，但每个选择都服务于同一个目标——压缩。 视觉编码器：657M 参数的 ConvNeXt V2，负责把图像/视频帧转成视觉 token。 语言骨干：6.4B 参数、从零训练的 Transformer，承担理解与生成。 输入模态：...

补齐 Claude 5.5 全家桶的最后一块Anthropic 于 2026 年 10 月 7 日正式发布 Claude Haiku 5.5，这是继 Opus 5.5、Sonnet 5.5 之后 Claude 5.5 系列的最后一个成员——也是最小、最快、最便宜的一个。官方定位很明确：面向高频、成本敏感的重复性任务，如摘要、压缩（compaction）、分类、数据库查询和子代理（subagent）工作。 在 Anthropic”先大后小”的发布节奏里，Haiku 一直是那个扛量活的”打工人”。这一次，它补齐了 Claude 5.5 全家桶，也把整个小模型市场的价格锚点直接拉到了与 OpenAI GPT-6 Luna 齐平的位置。 定价：90% 降价，与 GPT-6 Luna 正面相遇Haiku 5.5 的定价是本次发布最锋利的武器： 123Claude Haiku 5.5 定价（每百万 token）├─ ≤100K tokens: 输入 $0.10 / 输出 $0.50 ← 比 Haiku 4.5 便宜约 90%└─ >100K tokens: 输入 $0.50 / 输...

Intel发布Crescent Island：用480GB LPDDR5X给AI推理换个玩法过去两年，AI算力市场的叙事几乎被”HBM4 + 液冷”垄断。NVIDIA Vera Rubin 用六芯协同建起”AI工厂”，AMD MI455X-Helios 以机架级带宽正面硬刚——两家都在卷峰值、卷带宽，把数据中心GPU推向了高功耗、高散热门槛的极端。就在所有人都以为”大显存必须靠HBM”时，Intel在 Hot Chips 2026 上甩出了一张完全不同的牌：Crescent Island（新月岛）。它用一张 350W 风冷 PCIe 卡、最高 480GB LPDDR5X 内存，赌上了一个被主流忽视的判断——对推理而言，显存容量有时比带宽更重要。 一、为什么是”换玩法”而不是”追参数”？要理解 Crescent Island 的反差感，得先看清当前 AI 推理的结构性矛盾。大模型推理分两个阶段：预填充（prefill）处理超长 prompt、构建 KV cache，本质是算力受限（compute-bound）；解码（decode）逐字生成，本质是内存带宽受限（memory-boun...

一、当”多写代码”成为AI编程的新病过去两年，AI编程Agent最大的问题不是不够聪明，而是太想表现自己。 你让它实现一个日期选择器，它给你引入一个库、写一个包装组件、加一套样式表，然后开始跟你讨论时区边界。可原生的 <input type="date"> 早就把活干完了。这种”过度工程化”（over-engineering）的倾向，正在以 token、延迟和后续维护成本的形式，悄悄掏空开发者的预算。 就在整个行业还在追逐”更强的模型”时，一个名为 Ponytail 的开源项目在 GitHub 上悄然登顶——它不连接任何工具、不运行任何新模型、不增加任何能力，只注入一条规则：在写代码之前，先找到那个”已经能解决问题”的最简方案。 截至 2026年10月，Ponytail 已突破 15万+ stars，日均增长上千星，成为 AI Agent 工具赛道中最反直觉、却也最具传播力的项目之一。它的 slogan 简单到近乎挑衅： “Makes your AI agent think like the laziest senior dev in the r...

一、当agent开始”自己动手”：一个绕不开的安全裂缝过去半年，AI agent从演示脚本变成了真正的生产力工具。Claude Code、Codex、OpenClaw这类编码智能体能够自主读取文件、执行命令、调用网络API——它们不再只是回答问题，而是真的在机器上”干活”。但正是这种能力，制造了一个日益尖锐的矛盾：你把生产环境的密钥、数据库凭证、整台服务器都交给了一个可能出错的模型。 一旦agent被越狱攻击诱导、或者单纯因为幻觉执行了错误命令，后果可能是灾难性的——删除关键文件、把数据外泄到外部服务器、或者在无人监督的情况下发起网络请求。行业里已经出现过agent在沙箱外”乱跑”的事故，而传统的解决思路是：要么给模型套上更厚的prompt约束（不可靠），要么重写整个agent框架来内嵌安全逻辑（成本高、通用性差）。 2026年9月28日，NVIDIA开源了 OpenShell——一个把”运行时控制层”从agent内部剥离出来、独立强制执行的沙箱运行时。它的核心理念很直接：不要信任agent本身，而是在它外面包一层铁壁。 二、OpenShell是什么：在agent之外建立执行边界...