x7peeps avatar

SECURITY RESEARCH / TOOLCHAIN / FORENSICS

X7PEEPS

安全研究 / 工具开发 / 取证与攻防知识库

把复杂问题拆成可执行的流程，把经验沉淀成可以复用的武器库。

LAST 12 MONTHS

知识沉淀热力图

813 篇文章

RECENT UPDATES

最近更新

共 813 篇

  1. AI 编码工具把账号邮箱带进了出站请求 安全 AI 编码工具把账号邮箱带进了出站请求 2026 年 7 月 17 日，anthropics/claude-code 仓库收到一个标题直白的 issue：“you stupid agent used my real email …供应链安全出站身份隐私泄露Claude Code
  2. 多模态大模型技术栈：从 Vision-Language Model 到原生多模态架构的技术演进 ai 多模态大模型技术栈：从 Vision-Language Model 到原生多模态架构的技术演进 多模态 AI 已从实验室中的"图像描述工具"演变为能够同时理解文本、图像、音频、视频的通用智能系统。2024 年 …多模态Vision-Language ModelVLMCLIP
  3. 大语言模型技术栈：从 Transformer 到 GPT/Claude 的架构演进 ai 大语言模型技术栈：从 Transformer 到 GPT/Claude 的架构演进 大语言模型（LLM）已从学术论文中的实验性工作，演变为支撑数十亿用户日常交互的基础设施级产品。作为 AI 应用开发者，理解从底层 Transformer 架 …LLMTransformerGPTClaude
  4. 小语言模型（SLM）技术全景：从 Phi-4 到 Gemma 3 的端侧部署与工程实践 ai 小语言模型（SLM）技术全景：从 Phi-4 到 Gemma 3 的端侧部署与工程实践 2025 年以来，大语言模型（LLM）的竞争格局正在发生微妙的分化。一方面，GPT-5、Claude Opus、Gemini Ultra 等前沿模型持续 …SLMPhi-4Gemma量化部署
  5. 推理模型技术范式：从 Chain-of-Thought 到 Test-Time Compute Scaling ai 推理模型技术范式：从 Chain-of-Thought 到 Test-Time Compute Scaling 大语言模型的能力边界正在经历一次根本性的重构。2024 年 9 月，OpenAI 发布 o1 推理模型，首次在商业产品中实现了测 …Reasoning ModelChain-of-ThoughtGRPOTest-Time Compute
  6. 模型选择与部署策略：GPT、Claude、开源模型、国产模型全景 ai 模型选择与部署策略：GPT、Claude、开源模型、国产模型全景 模型选型是 LLM 工程落地中最关键的前置决策之一。选错了模型，要么是花了冤枉钱——用旗舰模型跑分类任务；要么是质量坍塌——用轻量模型做复杂推理。更隐蔽的陷阱在于：你在评估阶 …模型选型GPTClaude开源模型
  7. LLM 幻觉检测与缓解技术全景：从理论机制到生产级防护 ai LLM 幻觉检测与缓解技术全景：从理论机制到生产级防护 大语言模型（LLM）已从实验室的学术原型演变为支撑数十亿用户日常交互的基础设施级产品。然而，幻觉（Hallucination）——模型以高度自信的语调生成看似合理但事实上错误或无依据的 …Hallucination幻觉检测Self-ConsistencyRAG
  8. Mixture of Experts 架构：稀疏激活如何重塑大语言模型的效率与规模 ai Mixture of Experts 架构：稀疏激活如何重塑大语言模型的效率与规模 大语言模型的 Scaling Law 曾长期遵循一个简单假设：更大的参数量意味着更强的能力，但代价是成比例增长的计算开销。GPT-4 据报训练成本超过 1 …MoEMixture of Experts稀疏激活DeepSeek
  9. Token 经济学与推理参数：成本、延迟、质量的三角博弈 ai Token 经济学与推理参数：成本、延迟、质量的三角博弈 在生产级 LLM 应用中，Token 是一切的度量单位——它既是模型理解与生成的基本粒度，也是计费的最小单元，更是决定推理延迟的关键变量。一个表面上看起来简单的 API 调用，背后牵 …Token推理参数成本优化LLM
  10. 系统提示词工程：角色设计、安全边界与行为控制 ai System Prompt 在 LLM 交互中的地位 在 LLM 应用工程中，System Prompt（系统提示词）是最容易被低估、也最容易被滥用的组件。多数开发者将其视为"写一段指令让模型听话"，但从工程视角审视 …System Prompt角色设计安全边界Prompt Engineering
  11. Prompt Engineering 技术栈：从基础到 CoT/ToT 的完整体系 ai Prompt Engineering 在 LLM 应用中的地位 在 LLM 应用工程的技术栈中，Prompt Engineering 是投入产出比最高的核心技能。与微调（Fine-tuning）、RAG、Agent 框架开发等工程手段相比， …Prompt EngineeringCoTToTLLM
  12. Prompt 攻防：注入攻击手法与防御架构 ai Prompt 安全：从工程视角重新审视攻击面 在 Prompt Engineering 的工程实践中，安全不是一个独立的"附加模块"，而是贯穿 Prompt 设计、部署、运维全生命周期的核心约束条件。一个精心设计的 …Prompt注入攻防安全越狱
  13. Agent 互联协议全景：A2A、ACP、ANP 与 MCP 的互补生态 ai Agent 互联协议全景：A2A、ACP、ANP 与 MCP 的互补生态 AI Agent 正从单一的对话助手演变为能够自主规划、协作执行的多智能体系统。当企业开始部署来自不同厂商、基于不同框架构建的 Agent 时，一个根本性问题浮出水面 …A2AMCPANPACP
  14. Agent 记忆架构 2026：从认知科学到生产级实现的技术全景 ai Agent 记忆架构 2026：从认知科学到生产级实现的技术全景 2024 年，“AI Agent 记忆"意味着把对话历史塞进 context window，然后祈祷模型能记住关键信息。无状态 Agent、重复指令、跨 …Agent Memory知识图谱向量检索Mem0
  15. Agent 记忆系统：短期/长期/工作记忆的技术方案对比 ai 一、为什么 Agent 需要记忆 1.1 从无状态到有状态的范式跃迁 大语言模型（LLM）本质上是一个无状态的函数：每次调用传入一段文本，返回一段文本。模型本身不保留任何跨调用的上下文。这意味着，当你对 ChatGPT 说"我叫张 …AgentMemory向量数据库对话历史
  16. Function Calling 与 Tool Use：工作原理、编排模式与安全考量 ai Function Calling 与 Tool Use：工作原理、编排模式与安全考量 Function Calling 是现代 LLM Agent 体系的基石能力——没有它，大模型只是一个封闭的文本生成器；有了它，大模型才能与真实世界交互。 …Function CallingTool UseAgent工具调用
  17. LangChain 与 LangGraph 技术栈：核心抽象、工作流编排与生产实践 ai 一、LangChain 生态全景 LangChain 是当前 LLM 应用开发领域最成熟、最庞大的开源框架生态。理解它在整体技术栈中的定位，是选择技术方案的前提。 1.1 LangChain 提供了什么 LangChain 生态并非单一库， …LangChainLangGraphLangSmithLCEL
  18. Multi-Agent 框架生态：AutoGen、CrewAI、Dify 对比与选型 ai 一、多智能体协作设计模式 单个 Agent 在面对复杂任务时存在明显的能力天花板：上下文窗口有限、专业视角单一、无法并行处理异构子任务。Multi-Agent 系统通过让多个专长化的 Agent 协作，突破了这些限制。但"多个 …Multi-AgentAutoGenCrewAIDify