摘要： 本文探讨了AI Agent从问答系统向执行系统的演进，提出了面向智能体时代的本地化安全评估框架ASDL（Agent Security Development Lifecycle）。随着AI Agent在生产环境中执行复杂任务（如调用工具、触发支付等），传统模型安全已无法覆盖“做错事”的风险。文章分析了核心攻击面（如Prompt Injection升级为工具误用、MCP工具链污染），并基于O

摘要： 本文探讨了AI Agent从问答系统向执行系统的演进，提出了面向智能体时代的本地化安全评估框架ASDL（Agent Security Development Lifecycle）。随着AI Agent在生产环境中执行复杂任务（如调用工具、触发支付等），传统模型安全已无法覆盖“做错事”的风险。文章分析了核心攻击面（如Prompt Injection升级为工具误用、MCP工具链污染），并基于O

摘要： 本文探讨了AI Agent从问答系统向执行系统的演进，提出了面向智能体时代的本地化安全评估框架ASDL（Agent Security Development Lifecycle）。随着AI Agent在生产环境中执行复杂任务（如调用工具、触发支付等），传统模型安全已无法覆盖“做错事”的风险。文章分析了核心攻击面（如Prompt Injection升级为工具误用、MCP工具链污染），并基于O

本文介绍了一套无人值守的自动化测试系统，通过AI Agent技术解决现有测试套件的运维痛点。系统采用分层架构：确定性脚本层负责测试执行（Playwright）、质量门校验和结果处理；推理层（Claude Code）仅在需要判断时介入，如用例生成、失败分诊等；控制层（Hermes）负责调度和通知。关键创新点包括：测试期望值源自PRD而非代码实现、大模型不进热路径以控制成本、完善的失败处理流程（自动区

把 Claude Code 跑在自己的 Mac / 服务器上,然后用iPhone 随时随地远程操控,是很多人想要的工作流。开源项目正好干这件事:它给 Claude Code 套了一层端到端加密的中转通道,手机当远程终端。官方有云端中转,但国内网络 + 隐私 + 用 API Key / Bedrock的同学,更适合自托管。我在一台 AWS ARM 服务器上把这套完整跑通,中间踩了一堆坑(401、令牌

本文详细记录了在 NVIDIA Grace (ARM64) 架构服务器上，不使用 Docker 容器，而是直接通过 Python 环境源码运行 vLLM 来部署 BGE-M3 Embedding 服务的全过程。该方案解决了 ARM 架构下 HuggingFace TEI (Text Embeddings Inference) 官方镜像不兼容的问题，并实现了极低的显存占用。

Fastgpt部署和模型接入

本文提供了LangChain与Ollama集成的完整环境配置指南，包含Python虚拟环境创建、依赖安装(Ollama相关组件)、Ollama服务部署(含模型下载)等步骤。重点演示了三个基础使用场景：通过ChatOllama实现简单对话交互、利用提示模板生成烹饪指导、以及构建多轮对话系统。示例代码展示了如何初始化模型、设计提示模板并处理响应，其中红烧肉案例详细解析了思考过程和烹饪步骤，体现了模型的

本文介绍了一套无人值守的自动化测试系统，通过AI Agent技术解决现有测试套件的运维痛点。系统采用分层架构：确定性脚本层负责测试执行（Playwright）、质量门校验和结果处理；推理层（Claude Code）仅在需要判断时介入，如用例生成、失败分诊等；控制层（Hermes）负责调度和通知。关键创新点包括：测试期望值源自PRD而非代码实现、大模型不进热路径以控制成本、完善的失败处理流程（自动区

随着大型语言模型 (LLM) 的普及，隐私保护和长期记忆能力成为个人 AI 助理（Personal Agent）发展的关键瓶颈。如果将所有对话历史和私有文档都通过 API 上传给云端模型，不仅存在隐私风险，还会带来高昂的 API 调用成本。本文将分享一套零隐私泄漏、全链路本地化推理与存储的 AI Agent 架构最佳实践。