技术博客 全部文章

作者将伪装成 Ubuntu SSH 服务器的蜜罐开放 54 天，记录到 26.9 万次连接、7556 个攻击 IP、25.5 万次登录尝试；多数为自动化脚本，先用弱口令和默认凭据爆破，再执行 uname 等指纹探测，少数进入交互 shell 并部署 Mirai、反连载荷或尝试清痕。流量主要来自云 VPS 与被控家宽设备，Solana 节点成为明确目标，结论是公网 22 端口会在数秒内被持续扫描，SSH 必须禁用密码登录并使用密钥认证。

编码智能体的核心在于"Harness工程"——即围绕AI模型构建的脚手架系统，包括提示词、工具、沙箱、反馈循环等组件，其重要性甚至超过模型本身，优质Harness配合普通模型可胜过劣质Harness配合顶级模型；该工程遵循"棘轮"原则，将每次失败转化为永久规则，通过AGENTS.md、钩子、沙箱隔离、上下文压缩、Ralph循环等机制实现持续优化，且随着模型能力提升，Harness的复杂度会向更高层级迁移而非消失，最终趋向动态组装、多智能体协作的编译器形态。

作者认为当前生产级智能体的主要瓶颈不在模型，而在底层架构失衡，导致治理、可靠性和审计风险持续累积；未来一年团队应押注四件事：为智能体建立平台级身份与权限控制，提供跨系统通用上下文，支持跨天跨周的持久执行与人工审批，以及用开放平台替代自建管道；谁先把智能体基础设施标准化，谁就能把资源集中到真正有差异化的业务逻辑上。

AI产品把记忆当默认卖点，但作者认为它本质是高成本的产品与系统税：常导致答案被旧偏好锚定、上下文膨胀、调试更难，并放大隐私泄露与安全投毒风险。多数场景应先做显式配置、工作流状态和任务级检索，只有长期连续型产品才值得谨慎引入记忆。

作者虽有营收和用户仍因过度精简难获融资，因此给出低成本创业方案：用5到10美元VPS、Go、SQLite、本地GPU跑批量AI，必要时用OpenRouter接入顶级模型，用Copilot控开发成本；多数初创公司无需复杂云架构和风投，也能以极低烧钱实现可扩展增长。

智能体失效的主因不是模型能力不足，而是缺少明确的系统外壳，可靠方案是用Harness Engineering把模型置于受控执行层中，通过约束行为、外置状态、逐步校验和局部恢复，配合工具截断、模式验证、状态管理、编排与重试机制，避免长流程中的幻觉、格式漂移和整体崩溃。生产级AI竞争力取决于系统设计而非提示技巧。

多数企业只是把AI嵌入原流程，效率仅小幅提升；真正的AI-first是围绕“AI主建、人类监督”重构产品、研发、测试与组织，并统一代码架构与自动化反馈闭环。作者团队借此把发布频率提升到日更级，缩短从想法到上线的周期，同时提高质量与转化，可见竞争力来自流程重构而非单点用AI。

AI 编码代理读取文档依赖可发现性、可解析性、上下文 token 成本和访问权限，传统面向人类的页面分析几乎捕捉不到其行为；若文档过长、结构差或被 robots.txt 阻挡，代理会跳过、截断或幻觉生成。解决方案是做 AEO：提供 llms.txt、skill.md、AGENTS.md、Markdown 源、token 标注并监测 AI 流量，以提升代理调用成功率与文档实际可用性。

多智能体协作应先选最简单可行方案，再按瓶颈演进：质量可显式校验用生成者—验证者，任务可清晰拆分用编排者—子代理，长期并行且相互独立用代理团队，事件驱动且生态扩张用消息总线，需要实时共享发现、避免单点故障用共享状态；关键在于任务依赖、上下文持续性与信息流方式是否匹配。

Anthropic推出Managed Agents，将长时代理拆成会话、编排器和沙箱三层接口并彻底解耦，使组件可独立替换、崩溃恢复和跨环境连接，同时把凭证隔离在沙箱外、将上下文持久化到会话日志而非模型窗口。让安全性、可调试性、扩展性显著提升，首字延迟大幅下降，并能适配未来更强模型与多代理协作。