最新

如果 AI 智能体成为劳动力，企业操作系统是什么？ 公司内部正在发生一些有趣的事情。 AI 智能体不再仅仅回答问题。 它们分析数据、触发工作流程、调用 API、协调工具，有时甚至跨系统启动操作。 换句话说，它们开始表现得像一种新型劳动力。 但企业仍在用为不同世界设计的工具来管理它们。 传统的企业软件假设了一个简单的模型： 人类决策 软件执行 AI 智能体模糊了这种界限。 它们可以启动工作、协调系统，并在多个平台上运行。大规模来看，企业开始类似于分布式计算环境。 而分布式系统通常需要一个操作系统。 但组织实际上并没有一个。 它们有应用程序、自动化工具、AI 框架和仪表板——但没有真正的系统层来协调整个组织的治理、决策、执行和学习。 所以这引出了一个有趣的问题。 如果 AI 智能体继续扩展成为运营劳动力的一部分，那么 *企业操作系统* 到底是什么？ 一种可能的思考方式是一个新类别： *企业演进操作系统 (EEOS)* 一个协调以下内容的系统层： 治理 决策 执行 演进 这样，组织本身就变成了一个不断改进的系统。 我们正在通过一个开放的架构项目来探索这个想法： https://github.com/Saafree-Inc/saafree-docs 好奇其他人对此的看法。 如果 AI 智能体成为劳动力的一部分，那么企业操作系统实际上会是什么样子？

嘿，HN，我开发了 Friendware，因为它我想在我的 Mac 上实现无处不在的自动补全功能，而不仅仅是在代码编辑器中。<p>在任何文本字段中，它都可以草拟回复、改写文本，并为 AI 工具编写提示；它使用屏幕上的上下文来根据你正在做的事情进行调整。<p>我的目标是让它感觉原生，并且不需要改变工作流程，因此它通过驻留在刘海区域，在各个应用程序中保持可访问性。<p>目前正在改进语音学习和记忆系统，很希望得到关于优先事项的反馈！

嗨 HN， 当您将真实文档或客户数据发送给 LLM 时，您会面临一个痛苦的权衡： * 发送原始文本 → 隐私灾难 * 使用 \[REDACTED] 进行编辑 → 嵌入中断，RAG 检索失败，多轮对话变得毫无用处，并且模型通常拒绝回答有关已编辑实体的问题。 实用的解决方案是一致的假名化：相同的真实实体始终映射到相同的 token（例如，“塔塔汽车” → ORG\_7，随处可见）。这保留了向量搜索和推理的语义含义，然后您重新构建响应，这样提供商就永远看不到实际的姓名、数字或地址。 我厌倦了使用 Presidio + 自定义胶水（截断的 RAG 块、印度语言的变格、针对拼写错误/同义词的模糊合并、LLM 混淆、百分比破坏数学）来解决这个问题。所以我构建了 Cloakpipe，它是一个小巧的单二进制 Rust 代理。 它执行以下操作： * 多层检测（正则表达式 + 财务规则 + 可选的 GLiNER2 ONNX NER + 自定义 TOML） * 在 AES-256-GCM 加密库中进行一致的可逆映射（内存清零） * 智能重构，即使是截断的块也能幸存，例如 [[ADDRESS:A00 * 内置模糊解析，用于拼写错误和相似名称 * 数值推理模式，因此百分比仍然适用于计算 完全开源 (MIT)，零 Python 依赖，开销 &lt;5 毫秒。 代码库：[https://github.com/rohansx/cloakpipe](https://github.com/rohansx/cloakpipe) 演示和快速入门：[https://app.cloakpipe.co/demo](https://app.cloakpipe.co/demo) 欢迎任何审核过其 RAG 数据流或正在与编辑与语义问题作斗争的人提供反馈——尤其是在法律、金融科技或非英语工作流程中。 您采用了哪些方法？

我们在意识到我们对自己的 Claude Code 会话一无所知后，创建了 rudel.ai。我们每天都在使用它，但不知道哪些会话是高效的，为什么有些会被放弃，或者我们是否真的在随着时间的推移而进步。 因此，我们为其构建了一个分析层。在连接我们自己的会话后，我们最终得到了一个包含 1,573 个真实 Claude Code 会话、1500 万+ tokens 和 27 万+ 交互的数据集。 我们发现了一些让我们感到惊讶的事情： - 技能仅在 4% 的会话中使用 - 26% 的会话被放弃，大多数在最初的 60 秒内 - 会话成功率因任务类型而异（文档得分最高，重构得分最低） - 错误级联模式出现在前 2 分钟内，并能以合理的准确度预测会话是否会被放弃 - 目前还没有衡量“良好”的 agentic 会话性能的有效基准，我们正在构建一个。 该工具可免费使用且完全开源，很乐意回答有关数据或我们如何构建它的问题。

我是作者。代码库在这里：<a href="https://github.com/aminrj-labs/mcp-attack-labs/tree/main/labs/04-rag-security" rel="nofollow">https://github.com/aminrj-labs/mcp-attack-labs/tree/main/lab...</a> 本实验完全基于 LM Studio + Qwen2.5-7B-Instruct (Q4_K_M) + ChromaDB 运行——无需云 API，无需 GPU，无需 API 密钥。 从零开始到看到投毒成功：git clone，make setup，make attack1。大约 10 分钟。 有两件事值得提前说明： - 95% 的成功率是针对一个 5 文档的语料库（攻击者的最佳情况）。在一个成熟的集合中，你需要按比例增加被投毒的文档数量才能主导检索——但机制是相同的。 - 嵌入异常检测在摄入阶段是最令人惊讶的：作为独立的控制，它从 95% 降至 20%，优于所有三种生成阶段的防御措施的总和。它运行在你的管道已经产生的嵌入上——无需额外的模型。 所有五层结合起来：10% 的残余。 欢迎讨论方法论、PoisonedRAG 比较，或者任何看起来不对劲的地方。

嘿，HN -- 我是一个独立开发者。构建这个项目是因为我厌倦了 AI 爬虫直接以纯文本形式读取我的 HTML，而 robots.txt 却无能为力。<p>核心技巧：使用种子打乱 HTML 中的字符和单词，然后使用 CSS（flexbox order、direction: rtl、unicode-bidi）在视觉上将它们还原。浏览器渲染完美。textContent 返回乱码。<p>除此之外：使用诱饵字符对电子邮件/电话号码进行 RTL 混淆，AI 蜜罐将提示指令注入到 LLM 抓取器中，拦截剪贴板，基于 canvas 的图像渲染（DOM 中没有 img src），robots.txt 阻止 30 多个 AI 爬虫，以及用于证明内容被盗的取证痕迹。<p>它无法阻止：执行 CSS 的无头浏览器、截图+OCR，或者任何决心要逆向工程排序的人。我将这个内容放在 README 的威胁模型中，因为我宁愿自己说出来，也不愿让别人替我说。现实的目标是提高抓取的成本 -- 大多数机器人使用简单的 HTTP 请求，而我们让这种请求变得毫无用处。<p>TypeScript、Bun、tsup、React 18+。162 个测试。MIT 许可。没有任何东西要卖 -- SDK 是免费且完整的。<p>理解它的最佳方式：在网站上打开开发者工具并检查文本。<p>GitHub: <a href="https://github.com/obscrd/obscrd" rel="nofollow">https://github.com/obscrd/obscrd</a>