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

868 篇文章

RECENT UPDATES

最近更新

共 868 篇

  1. 一个 shell=True 的命令注入：官方 Skill 仓库里被社区 PR 修掉的那类洞 安全 一个 shell=True 的命令注入：官方 Skill 仓库里被社区 PR 修掉的那类洞 先说清楚这篇文章的性质：材料显示的是一个脚本里存在潜在命令注入，社区提了 PR 修复它，但截至采集日期该 PR 仍是 open 状态，尚未合并。这份 …安全漏洞研究Agent Skill命令注入
  2. 凭据在沙箱里被悄悄丢弃：Copilot CLI 的两个配置与现实错位 安全 凭据在沙箱里被悄悄丢弃：Copilot CLI 的两个配置与现实错位 先说清楚这两件事的性质：它们是 Copilot CLI 用户在本地跑沙箱时提交的缺陷报告，主体是使用者本人，没有第三方攻击者介入，也没有审批环节被绕过。后果是使用者自己的 …安全蓝队Copilot CLI沙箱
  3. 编码 Agent 的四类失效：仓库写入、提示语义、OAuth 回调与租户端点 安全 编码 Agent 的四类失效：仓库写入、提示语义、OAuth 回调与租户端点 先说清楚这四个案例的性质：这四个 issue 均未报告外部攻击或越权访问他人数据，报告场景都发生在用户主动使用相关功能时。四个动作都由使用者自己发起、由 …安全红队Copilot CLIMCP
  4. 11 月中旬去毕棚沟：彩林还剩多少，秋假免票怎么用 阅读 11 月中旬去毕棚沟：彩林还剩多少，秋假免票怎么用 如果你打算 11 月去四川阿坝州理县的毕棚沟，有几件事得先说清楚。 按词条口径，这个景区的红叶彩林观赏期是 9 月至 11 月，红叶谷的最佳观赏期是 10 月至 11 月。11 月中旬仍在 …旅游攻略四川毕棚沟红叶
  5. 子代理报成功却没做完：Gemini CLI 的假成功与无限挂起 ai 子代理报成功却没做完：Gemini CLI 的两个可靠性坑和一个超时开关 2026 年 3 月 9 日，一个用户在 google-gemini/gemini-cli 仓库提交 issue #22323，让 Gemini CLI 分析两个本地 …AI工程化Gemini CLI子代理可靠性
  6. agent-browser：给编码 Agent 一台能用命令驱动的浏览器 ai agent-browser：给编码 Agent 一台能用命令驱动的浏览器 让 AI 操作浏览器这件事，主流做法是把页面截图丢给视觉模型，让模型看图找按钮。这条路的问题不在于做不到，而在于每一步都要传图、都要重新推理——一个表单填十次，就是十 …AI工程化Agent 工具浏览器自动化Rust
  7. 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
  8. 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
  9. 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
  10. 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
  11. 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
  12. 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
  13. 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
  14. 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
  15. 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
  16. 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
  17. 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
  18. 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