最新

作为一名拥有九年经验的隐私与安全工程师，我可能已经完成了近千次隐私与安全风险评估。在工作中遇到的痛点和令人烦恼的问题促使我构建了DataParade。问卷调查令人厌烦，而想要发布产品时仓促进行风险评估也同样令人头疼。 PARADE 代表“处理活动风险评估图表环境”（Processing Activity Risk Assessment Diagramming Environment）。其基本理念很简单——一个数据流图，嵌入安全和隐私控制及元数据，就能回答安全或隐私风险评估中的所有问题。为什么选择数据流图？因为风险伴随着数据流。而且，在这个上下文中，一张图确实胜过千言万语。 早期的反馈告诉我，没有人想从头开始创建另一个工件。因此，我的首要任务是构建一个

我之前有个想法：现在的语言模型写代码已经相当不错了——足以快速原型化它们自身界面的不同工作方式。 那么，为什么还要各自重复造轮子呢？将它们结合起来：一个聊天界面，在界面内部，你只需向模型提出你想要的界面更改。 这就是 Foomchat。你要求以某种方式渲染消息、更改字体、添加你自己的主题、在侧边栏添加计时器——你描述它，模型就编写代码实现它，并实时安装到应用程序中。也许第一次运行时并不完美——模型仍然会误解事物——所以你解释你想要的更改，它会更新功能，搞定。 要发布一个功能，它必须首先经过审查——功能本质上是任意代码注入，因此浏览页面上的所有内容都安全至关重要。一旦获批，该功能就会在目录中公开。卡片上有一个“试用”按钮，可以将其本地安装而无需保存到你的账户（刷新后即消失），还有一个安装按钮可以使其永久生效——从那时起，它修改的任何内容都将成为你网站的一部分。 已发布的功能具有依赖关系跟踪和版本锁定，因此功能可以扩展其他功能，而不会因依赖关系更新而破坏你的功能。 新注册用户可获得 100 点免费积分，足以让你充分体验。你可以使用自己的 API 密钥，或者选择 10 美元和 20 美元的订阅套餐，方便快捷。 这是一个独立项目。我正在寻找愿意尝试的人，并希望从中找到实际用途——如果有什么可以改进的地方，我真心希望听到你的反馈，以便我能做得更好。

<a href="https:&#x2F;&#x2F;xcancel.com&#x2F;nikitabier&#x2F;status&#x2F;2079787406300266743" rel="nofollow">https:&#x2F;&#x2F;xcancel.com&#x2F;nikitabier&#x2F;status&#x2F;2079787406300266743</a>

https://book-prize-index.vercel.app/

在我职业生涯的早期，我曾将自己推向极限，并不太在意是否会耗尽精力；现在我感觉自己可以在不持续越过那个过度承诺的界限（一个主观的衡量标准）的情况下，保持生产力。对我来说，最困难的部分是建立一个清晰的收尾例程，尤其是在那些我没有完全解决预定问题的日子里。而如今，随着人工智能的出现，这似乎变得更加困难了。 你们是如何处理这种情况的？有什么资源可以推荐吗？

我问自己：一个最小化的智能体实现会是什么样子？ 它应该即插即用，是一个真正的支持工具调用的智能体，但代码行数不超过几千行，依赖项不超过几十或几百个 npm 或 pypi 包。它应该只有几个“核心”功能（而不是如今大多数智能体框架都包含的“全家桶”）。 一个接近伪代码的实现，可以一页看完，所有内容一目了然，无需滚动。 这就是我目前为止完成的 agent.py： ```python import json,sys;from subprocess import getoutput as sh;from urllib.request import Request as R,urlopen url=sys.argv[1];h=[];b=dict(model="gpt-5.6",input=h,tools=[dict(type="custom",name="sh")]) while p:=input("> "): h+=[dict(role="user",content=p)];H={"Content-Type":"application/json"} while True: o=(r:=json.load(urlopen(R(url,json.dumps(b).encode(),H))))["output"] h+=o;c=[i for i in o if i["type"]=="custom_tool_call"];z=r["usage"]["total_tokens"]/10500 if not c:print(o[-1]["content"][0]["text"],f'\n[{z:06.3f}%]');break h+=[dict(type="custom_tool_call_output",call_id=i["call_id"],output=sh(i["input"])) for i in c] ``` 它有点代码高尔夫风格，但我认为它相当易读。 - 导入的都是标准库（0 个外部依赖！） - 假设某个地方运行着一个推理 API 端点 - 假设推理 API 端点是类 OpenAI 的 - 模型硬编码为“gpt 5.6”（=> Sol），可以轻松更改为例如开源模型（kimi k3、glm 5.2 等） - API 端点 URL 作为参数传递给 Python 脚本 - 只配置了一个自定义工具：“sh” - “sh”足以以开放的方式与环境交互 - 新的 API 输出会被添加到历史记录（“h”）中 - 如果 API 输出包含工具调用，则会执行这些工具调用 - 当最后一个模型响应不包含工具调用时，智能体将控制权交还给用户 - 智能体向用户显示的消息显示了上下文窗口的使用百分比 值得注意的： - 除了 Python 标准库，没有其他依赖项（！） - 启动时间更短 - 依赖项变动更少 - 供应链攻击向量表面更小 - 需要验证和理解的代码更少 - 没有 MCP、没有插件、没有安全演习 - 如果你想添加特定功能：显式添加 - 调整环境以授予智能体访问权限或限制对工具、资源、网络等的访问（环境是安全边界，而不是框架） - 没有系统提示 - 上下文窗口中的每个 token 都很宝贵 - 当前强大的模型在没有系统提示的情况下也能做得很好（或者甚至会受到几个月前设计的、冗长而过于具体的系统提示的损害） - 如果需要，可以轻松添加系统提示或 agents.md 上下文（智能体也可以发现它，或者像现在一样从环境中读取） - 如何运行/部署智能体 - 设计你想要提供