最新

我一直在研究如何扩大写作反馈的规模。最近发现了这个：https://teachquill.com 好奇大家是如何处理这个问题的——使用工具还是手动反馈？

嗨 HN， 过去一年里，我一直在构建 Spectator——一种专为渗透测试人员、红队成员和安全研究人员设计的脚本语言。 为什么又要开发一种新语言？ 大多数安全工作都是 Bash、Python 和各种工具的混合体。Spectator 将它们统一起来：一种语言，具有内置的安全模块、原生 GUI 框架和包管理器——所有这些都编译成一个单一的二进制文件。 它的与众不同之处： 高级语法——类似 Python，f-strings，闭包，goroutines (spawn)。侦察脚本只需 5 行代码。 内置黑客模块——PortScan, SubdomainEnum, SQLiTest, PayloadGen, CORS/SSRF, HTTP fuzzing, crypto, encoding。无需 pip 安装。 原生 GUI 框架 (#Import Spec.GUI)——无需 Electron 即可创建桌面工具。输入框、表格、标签页、输出。Windows (WebView2), Linux (WebKitGTK), macOS (WKWebView)。 Space 包管理器——像 coffee (侦察) 和 ghost (OSINT) 这样的库都经过 SHA-256 验证。阻止供应链攻击。 任务引擎——具有 HTML 报告生成的渗透测试工作流程。 跨平台编译——spectator build script.str to app.exe for windows = 独立二进制文件。 示例——GUI 端口扫描器（完整工具）： spectator #Import Spec.GUI open.window({"title": "Port Scanner", "bg": "#070b14", "accent": "#00d4aa"}) GUI.input("target", "Enter target...") GUI.button("Scan", "run_scan") GUI.progress("bar") GUI.output("out", {"height": 380}) GUI.on("run_scan", func() { target = GUI.get("target") GUI.print("out", "Scanning " + target) ports = [21,22,23,80,443,3306,8080] each p : ports { if hasPort(target, p) { GUI.print("out", "OPEN " + str(p)) } } }) end() 当前状态： v2.0.0 — 在 Windows、Linux、macOS 上稳定运行 CLI/TUI GUI 在 Windows 上功能齐全；Linux/macOS GUI 可用（WebKit 与 WebView2 的差异） 约 177 个内置函数，用 Go 编写 Space 注册表已上线，任何人都可以发布 我希望得到的反馈： 语法是否直观？（字符串连接 --> 方式不寻常，但我喜欢） GUI 方法——原生桌面 vs 基于 Web？ 包管理器安全性——SHA-256 验证足够了吗？ 哪些模块会让你真正使用它？ 我知道安全工具领域竞争激烈，但为这个领域构建的语言而不是改编的语言还有空间。 GitHub: https://github.com/CzaxStudio/Spectator 文档: https://github.com/CzaxStudio/SpectatorDocs/ 感谢您的任何想法、批评或疯狂的想法。

大家好，我们是 Jon 和 Kristiane，正在构建 Orloj (<a href="https:&#x2F;&#x2F;orloj.dev" rel="nofollow">https:&#x2F;&#x2F;orloj.dev</a>)，一个用于多智能体 AI 系统的开源（Apache 2.0 许可证）编排运行时。您可以通过声明式的 YAML 清单定义智能体、工具、策略和工作流程，Orloj 负责处理调度、执行、治理和可靠性。 我们构建它的原因在于，如今在生产环境中运行 AI 智能体，就像 Kubernetes 出现之前的容器运行方式：临时脚本、缺乏治理、缺乏可观测性，也没有管理智能体集群生命周期的标准方法。我们与每个人交流时，他们都在编写相同的混乱胶水代码来连接智能体，而且没有人能很好地回答“哪个智能体调用了哪个工具，以及它是否应该这样做？”这个问题。 Orloj 将智能体视为基础设施即代码对待云资源的方式。您编写一个清单，声明智能体的模型、工具、权限和执行限制。您可以将智能体组合成有向图——管道、层次结构或集群循环。 我们最兴奋的部分是治理。AgentPolicy、AgentRole 和 ToolPermission 在执行期间内联评估，在每个智能体轮次和工具调用之前。这些策略不是模型可能忽略的提示指令，而是运行时门禁。未经授权的操作会以结构化错误和完整的审计跟踪记录失败。您可以设置每次运行的 token 预算、将模型列入白名单、阻止特定工具，并将策略限定于单个智能体系统。 为了提高可靠性，我们构建了基于租约的任务所有权（因此崩溃的工作者不会留下孤立的任务）、带抖动的指数退避重试、幂等重放和死信处理。调度程序支持 cron 触发器和基于 webhook 的任务创建。 架构是服务器/工作者分离。orlojd 托管 API、资源存储（开发时使用内存，生产时使用 Postgres）和任务调度程序。orlojworker 实例声明并执行任务，通过网关（OpenAI、Anthropic、Ollama 等）路由模型请求，并在可配置的隔离环境中运行工具——直接、沙盒、容器或 WASM。对于本地开发，您可以使用 orlojd --embedded-worker --storage-backend=memory 在单个进程中运行所有内容。 工具隔离对我们来说很重要。一个网络搜索工具可能不需要沙盒，但一个代码执行工具应该在没有网络、只读文件系统和内存限制的容器中运行。您可以根据风险级别为每个工具配置此设置，运行时会强制执行。 我们还添加了原生 MCP 支持。您注册一个 MCP 服务器（stdio 或 HTTP），Orloj 会自动发现其工具，它们将成为具有治理功能的一流资源。因此，您可以连接类似 GitHub MCP 服务器的东西，并且仍然可以对智能体允许使用它的操作进行策略执行。 包含了三个入门蓝图（管道、层次结构、集群循环）。 文档：<a href="https:&#x2F;&#x2F;docs.orloj.dev" rel="nofollow">https:&#x2F;&#x2F;docs.orloj.dev</a> 我们还在构建治理至关重要的运营工作流程的入门模板。首先在路线图上：1. 事件响应分类，2. 合规性证据收集器，3. CVE 调查管道，以及 4. 密钥轮换审计员。我们有 20 个模板的想法，欢迎社区贡献。 我们是一个小团队，这是 v0.1.0，因此路线图上还有很多内容——托管云、合规性打包等。但完整的运行时今天已经开源，我们很乐意收到关于我们目前构建内容的反馈。您会用它做什么？缺少什么？

我昨天刚刚发布了 Agent Ruler v0.1.9 的新更新。 更新了什么？ - 彻底的 UI 重新设计：现在前端 UI 看起来更现代化、更有条理、更直观。之前的 UI 只是一个原始界面，主要侧重于后端。 简要介绍： Agent Ruler 是一个为 AI 智能体工作流程提供限制的参考监控器。该解决方案提出了一个框架/工作流程，其特点是在智能体内部安全防护之外增加了一层安全/保障层。此目标是无论使用何种模型，都能让用户更安全、更放心地使用 AI 智能体。 目前，它支持 Openclaw、Claude Code 和 OpenCode，以及 TailScale 网络和 Telegram 频道（对于 OpenClaw，它使用内置的 Telegram 频道）。 欢迎获取并尝试，GitHub 链接如下。 我很乐意听到一些反馈，尤其是关于安全方面的。 注意：GitHub 的展示区有演示视频和图片。

我一直很喜欢看法律题材的电视剧和法庭视频。成年后，甚至在我成为一名开发人员之后，我也开始对法庭、法律和法律诉讼产生了浓厚的兴趣。所以我想：“为什么不以此为基础开发一款游戏呢？” 当然，只有在人工智能出现后，这款游戏的开发才成为可能，所以它来了！希望这款游戏能帮助大家满足我们有时都会有的“律师瘾”！