发布时间：2026 年 4 月 16 日作者：Gabriel Massadas、Miguel Cardoso、Anni Wang。

计算层解决了 Agent 运行环境的完整谱系，从完整操作系统（Sandbox）到轻量隔离（Workers），以及 Agent 生成代码的存储和执行（Artifacts、Dynamic Workers）。安全层将零信任从人类用户延伸到了机器身份——Agent 需要有自己的 OAuth 流程、有自己的访问权限边界，而不是借用人类账户的凭证。工具箱层补齐了 Agent 完成真实任务所需的感知与行动能力：

网站开始主动声明自己对 Agent 可用的工具，意味着 Agent 和 Web 之间的交互模式会发生根本性的改变——从"Agent 猜测如何操作 UI"到"网站告诉 Agent 能做什么"。接下来要做的是更完整的交接流程：Agent 能够主动发出"我需要帮助"的信号，触发通知提醒人工介入，人工处理完成后把控制权明确交回给 Agent，整条流程有完整的状态传递。五个维度的改进——开启浏览器、控制浏览

有一类工程问题，不是因为代码写错了，而是因为系统架构在规模增长之后触碰到了物理极限。Cloudflare 的机器学习团队经历的正是这种情况。他们的 Bot 检测系统需要对每一个 HTTP 请求做实时机器学习推理，而 Cloudflare 的流量峰值是每秒 6300 万次请求。在这个规模下，任何看起来"还好"的延迟，乘以请求量之后都会变成一个天文数字。这篇文章记录了他们如何把机器学习特征提取的 p9

每秒 950 万个请求，每个请求都要跑一次机器学习推理，打出一个安全评分，决定这个请求是攻击流量还是正常用户。这是 Cloudflare WAF Attack Score 系统每天面对的现实。在这个规模下，单次推理时间哪怕节省 1 毫秒，乘以请求量后都是天文数字。2024 年，Cloudflare 工程团队把这套系统的端到端执行时间从压到了，整体快了 5.5 倍。这篇文章把他们的优化过程从头到尾拆

当内存带宽是瓶颈时，最有效的优化不是堆算力，而是让数据变小、并在离算力最近的地方完成还原。其核心洞察链条非常清晰：LLM 权重的指数字节极度冗余 → 哈夫曼编码可以把它们压缩约 30% → 在片上共享内存解压直送张量核心，跳过一次 HBM 往返 → 四条管道加自动调优适配不同批量 → 跨层流水线把解压成本藏进计算间隙。Cloudflare 已将技术论文和 GPU 核函数代码全部开源，链接见原文。对

这篇博客表面是一次安全事件的事后复盘，实际上展示了几件更深层的东西。漏洞本身的技术启示：一个 2017 年为了性能做的内核优化，9 年后变成了一个允许任意用户以 root 身份执行代码的提权路径。漏洞的每一层——AF_ALG 接口、页缓存的全局共享特性、scatterlist 的越界写入——单独看都不是问题，组合在一起就是一条完整的攻击链。这再次说明，安全问题往往不在于单点的错误，而在于机制之间意

发布时间：2026 年 4 月 16 日作者：Dillon Mulroy、Matt Carey、Matt Silverlock。

yq在多文件传入-i时静默合并到第一个文件，这是个反直觉的 API 设计，没有任何警告k3s reconciler 没有 dry-run 或 plan 功能，操作是不可逆的，且异步执行没有在运行命令前读 man page只看了git status而没看git diff疲劳状态下操作生产基础设施AI 给出的命令看起来很合理，但有一个非显而易见的致命副作用。

Uber 这篇文章讲述了他们如何在 OpenSearch 中实现 pull-based ingestion，用于索引大规模流式数据。Uber 的搜索平台支撑叫车、餐厅搜索、配送跟踪、司机和配送员实时位置等关键体验，因此必须满足高吞吐、低延迟、数据新鲜度、可扩展性和多区域高可用要求。为此，Uber 的搜索架构建立在两个基础原则上：pull-based ingestion model 和 active