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

849 篇文章

RECENT UPDATES

最近更新

共 849 篇

  1. 多智能体系统安全：身份验证、合谋攻击与通信防护 ai 多智能体系统安全：身份验证、合谋攻击与通信防护 当 AI Agent 从一个独立的对话助手演进为多智能体协作系统中的一员时，安全问题从单点防护升级为网络化对抗。在多智能体系统（Multi-Agent System, MAS）中，多个 …多智能体安全身份验证合谋攻击消息完整性
  2. 大模型红队测试：方法论、自动化工具与评测基准 ai 大模型红队测试方法论框架 大语言模型（LLM）的安全保障不能仅依赖静态规则过滤和输出审核。与传统渗透测试类似，红队测试（Red Teaming） 通过模拟真实攻击者的思维方式，主动发现模型在安全边界上的薄弱环节。但 LLM 红队测试有其独特 …红队测试大模型安全自动化测试PyRIT
  3. Agent 安全运营体系：评估指标、监控与持续改进 ai Agent 安全运营体系：评估指标、监控与持续改进 当 AI Agent 从实验性项目演进为生产级系统时，安全不再是"一次性设计"，而是需要持续运营的工程体系。Agent 的非确定性行为特征决定了它的安全状态不是静态的 …安全运营评估指标运行时监控漏洞响应
  4. Agent工具调用层安全：参数校验、权限边界与沙箱逃逸 ai Agent工具调用层安全：参数校验、权限边界与沙箱逃逸 AI Agent 从"对话"到"行动"的跨越依赖工具调用。当 Agent 被赋予文件读写、数据库查询、命令执行、API 调用等能力后，工具调用层 …工具调用安全参数校验沙箱隔离权限边界
  5. Agent规划与推理层安全：目标漂移、逻辑劫持与可解释性 ai Agent规划与推理层安全：目标漂移、逻辑劫持与可解释性 AI Agent 的核心能力在于自主规划与推理——接收一个高层任务后，将其分解为可执行的子目标序列，并在执行过程中根据中间结果动态调整策略。然而，推理层也是 Agent 安全架构中最 …推理安全目标漂移逻辑劫持可解释性
  6. Agent 记忆系统安全：污染防护、泄露检测与权限隔离 ai Agent 记忆系统安全：污染防护、泄露检测与权限隔离 AI Agent 的记忆系统是其智能行为的核心基础设施。短期记忆（上下文窗口）让 Agent 理解当前对话，长期记忆（向量数据库、结构化存储）让 Agent 跨会话积累知识和经验。然而 …记忆安全记忆污染数据泄露权限隔离
  7. 合成数据工程：大模型时代的数据飞轮与质量保障 ai 合成数据工程：大模型时代的数据飞轮与质量保障 大语言模型（LLM）的能力飞速提升，但其背后隐藏着一个日益尖锐的矛盾：训练数据正在枯竭。Epoch AI 研究机构预测，到 2030-2060 年间，支撑大模型训练的关键语言和视觉数据将面临耗竭 …合成数据Synthetic DataSelf-InstructEvol-Instruct
  8. 如何训练一个原生 Computer Use 模型 ai Computer Use 模型的技术全景 2025 年，AI 领域出现了一个重要的范式转移：让大模型直接操控计算机界面。从 OpenAI 的 CUA（Computer-Using Agent）到 Anthropic 的 Claude …Computer UseGUI Agent模型训练强化学习
  9. 应急响应大模型微调：基于 Qwen2.5-7B 的 QLoRA 训练实践 ai 应急响应大模型微调：基于 Qwen2.5-7B 的 QLoRA 训练实践 应急响应（Incident Response）是安全运营中最具时间压力的场景之一。从收到告警到完成根因分析，黄金窗口往往以小时计。通用大模型虽然知识面广，但在应急场景 …模型微调QLoRA应急响应Qwen2.5
  10. 模型微调技术全景：LoRA、QLoRA、全参数微调与实战选型指南 ai 模型微调技术全景：LoRA、QLoRA、全参数微调与实战选型指南 大语言模型（LLM）的预训练已经形成了"少数巨头训练基座模型、大量开发者微调适配任务"的生态格局。然而，全参数微调一个 7B 模型就需要 …LoRAQLoRAPEFT全参数微调
  11. 模型量化与压缩技术：GPTQ、AWQ、GGUF与FP8的工程实践指南 ai 模型量化与压缩技术：GPTQ、AWQ、GGUF与FP8的工程实践指南 大语言模型的参数规模在过去五年呈指数级增长——从 GPT-2 的 15 亿参数到 LLaMA-3.1-405B 的 4050 亿参数，再到 DeepSeek-V3 的 …量化QuantizationGPTQAWQ
  12. 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
  13. 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
  14. 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
  15. 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
  16. 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
  17. 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
  18. 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