Deep

OpenClaw漏洞暴露24.5万AI代理服务器

Latest

OpenClaw漏洞暴露24.5万AI代理服务器

开源自主代理框架OpenClaw（原名Clawdbot）近日被曝存在一条由四个关键漏洞构成的攻击链，据IT安全媒体披露，此举预计导致约24.5万台公开可访问的服务器实例面临远程利用、凭证窃取及持久后门植入风险。该框架自2025年末上线后迅速普及，通过将大语言模型直连文件系统与SaaS应用，在自动化工作流的同时也暴露出供应链安全与默认配置漏洞，成为攻击者眼中高价值的新目标。 四重漏洞链：远程利用与凭证窃取风险 原始报道显示，安全研究人员在OpenClaw框架中发现了四个连环关键漏洞。受影响版本主要为npm包2026.4.20之前的版本，维护者已针对中等严重程度的问题发布安全更新。由于OpenClaw被设计为直接绑定本地资源（文件系统、API密钥等），攻击者可借此实现策略绕过与严重凭据泄露。初步估计暴露在公网上的服务器实例高达24.5万，为自动化扫描和横向移动提供了大规模可乘之机。 技术根因：代理框架的固有安全缺陷 从技术层面分析，OpenClaw的架构放大了三类风险：一是代理框架默认赋予模型对本地资源的持久性访问权限；二是可扩展的插件/技能市场增加了供应链暴露面；三是大量可公

By Muhuai
华为云Agentic AI新品与全栈能力发布

Deep

华为云Agentic AI新品与全栈能力发布

华为云在2026年5月召开的创想者大会上，正式发布了基于“硅基黑土地”战略的Agentic AI新品，并推出“行业AI梦工厂”专区。此举标志着其从单一技术提供商向系统级能力提供者的跨越，通过全栈AI基础设施、开发者生态及AI机密计算等安全举措，加速产业智能化落地。 发布Agentic AI新品与“行业AI梦工厂”专区 6月5日至6日，华为云创想者大会在上海举行，聚焦Agentic AI能力释放。会上，华为云发布了Agentic AI系列新品，强化“硅基黑土地”战略下的AI基础设施。同时，新增“行业AI梦工厂”专区，覆盖具身智能、智慧医疗等垂直场景，推动AI技术与行业需求深度融合。 全栈AI平台升级与开发者生态布局 技术层面，华为云重点升级了Agentic AI Infra，通过软硬芯协同优化算力底层。在开发者生态方面，推出“码道高校教学实践计划”，并依托ModelArts、企业级模型后训练平台及AgentArts平台，降低企业AI应用门槛。此举旨在构建从基础设施到开发工具再到行业应用的全链路能力。 AI机密计算保障全生命周期安全 华为云或将发布“AI机密计算”技术，

By Yuchen
Hermes Agent跃居开源AI代理日推理量榜首

Deep

Hermes Agent跃居开源AI代理日推理量榜首

开源AI代理领域的格局在2026年5月10日骤然改变：Nous Research开发的Hermes Agent以单日2240亿Token的推理量超越OpenClaw的1860亿，首次登顶OpenRouter全球日常排名。这一里程碑标志着开发者正在用计算资源投票——他们更青睐能通过自我反思积累经验的智能体，而非单纯追求生态系统广度但安全隐患频发的竞争对手。Hermes从2月25日发布到登顶仅用时约90天，GitHub星标超过14万，而OpenClaw同期正深陷安全危机和领导层出走，为这个领域的关键转折埋下伏笔。 Hermes Agent以2240亿日均Token超越OpenClaw，背后是“韧性”版本的架构升级 排名反转直接源于5月7日发布的Hermes v0.13.0“Tenacity”版本——包含864次提交、588个合并PR及295名开发者的贡献。该版本引入了看板式耐用任务板、心跳监测与幻觉恢复机制、多轮目标锁定指令/goal，并将Google Chat列为第20个支持的消息平台。同时修复8个高危安全问题，默认启用数据脱敏。在OpenRouter这个最受关注的公共排行榜上，H

By Yuchen
博士八十小时科研 智能体两小时完成

Deep

博士八十小时科研 智能体两小时完成

在人工智能领域，一项由前Amp Code工程师Dan McAteer进行的实验引发广泛关注：利用OpenAI Codex的“目标模式”（Goal Mode），一个机械可解释性研究任务在1小时56分钟内完成，而GPT-5.5自身估算博士完成类似任务需约80小时，效率差距达40倍。这一赛博朋克式的对比，不仅刷新了人们对AI科研能力的认知，更揭示了“递归自我改进”的奇点正以前所未有的速度靠近——全行业或许已在不知不觉中迈过了AGI的门槛。 40倍效率背后：Codex /goal 模式让AI从“听指令”变“出策略” McAteer的实验配置极为精简：使用OpenAI Codex的/goal命令、GPT-5.5高精度模型和快速模式。据OpenAI Codex工程师Philip Corey介绍，/goal是对“Ralph loop”的实现——目标在多轮对话中持续存在，不达成不停止。传统Codex调用需要逐句下指令，而/goal模式只需给出一个目标，AI便能自主拆分子任务、执行、审查、迭代，直至完成或失败。这种从对话式AI到目标驱动AI的工程跃迁，

By Kexin
Agent范式转移：从Manus到Claude Code的六阶段演进

Deep

Agent范式转移：从Manus到Claude Code的六阶段演进

过去一年，Agent赛道经历了一场螺旋式上升的范式循环，从Manus的产品化启蒙，到OpenClaw验证市场对AI操控电脑（Computer Use）的付费意愿，再到Claude Code以原生系统级能力冲击工业级市场。这场由GAIR Live圆桌讨论揭示的变革，标志着Agent竞争已从模型智力的单点突破，转向工程能力、场景落地、数据主权和生态构建的全方位较量。随着Computer Use成为核心战场，Coding被确立为Agent扩展能力的第一性原理，行业正从“单体能力比拼”进入“系统工程与生态卡位”的深水区，创业者的生存空间面临剧烈波动，而真正的产业变革才刚刚开始。 Manus、OpenClaw、Claude Code的定位与跃迁 Agent产业的爆发遵循清晰的阶段化规律。根据OpenManus核心贡献者张佳钇提出的“六阶段论”，Manus处于“预定义环境自主Agent”阶段，其目标与环境权限由人类预设。反直觉的是，技术演进顺序应为Claude Code/CodeX在前，OpenClaw在后——正是Claude Code等工具验证了Coding与系统操控的极强可用性，才催生O

By Bonan
从拒绝AI到Agent优先，程序员黄金时代或终结

Deep

从拒绝AI到Agent优先，程序员黄金时代或终结

在人工智能浪潮席卷全球的背景下，Ruby on Rails 作者、37signals 联合创始人兼 CTO David Heinemeier Hansson（DHH）的转变成为行业焦点。六个月前，他还在公开访谈中明确拒绝使用 AI 写代码，坚持所有代码亲手完成；如今，他却全面拥抱“Agent-First”编程工作流，大多数新项目不再从手写代码开始，而是先让 AI Agent 生成实现草稿，再由自己审阅与调整。这一转变并非理念的妥协，而是工具能力跃迁带来的必然结果——当模型能够稳定生成可直接合并的代码时，AI 才真正进入他的日常开发流程。DHH 在最新访谈中深入探讨了这一变化背后的逻辑，指出 AI 不仅没有削弱工程判断力的重要性，反而正在放大其价值。在 Agent 可以快速生成代码的时代，真正稀缺的能力不再是实现功能，而是决定应该构建什么、如何构建，以及什么才是值得合并进系统的代码。同时，他预警程序员的“黄金时代”可能已走到尽头，

By Danfeng
AI芯片竞争转向系统级集成

Deep

AI芯片竞争转向系统级集成

人工智能芯片产业的战局正在发生根本性转变。当业界长期聚焦于单一GPU算力竞赛时，一场围绕CPU、GPU与内存系统级协同的更深层次竞争已悄然拉开帷幕。随着AI应用从“训练”加速迈向“推理”与“Agentic AI”时代，单纯依赖GPU堆叠已无法满足复杂工作负载的需求。硬件架构的集成度、数据流的优化效率以及不同计算单元之间的物理耦合与软件协同，正取代晶体管数量成为决定下一代AI基础设施性能的关键变量。市场数据与行业巨头的战略调整，共同指向一个清晰的信号：AI芯片的“唯GPU论”时代即将终结，系统级设计的整合能力才是未来竞争的王牌。 推理时代到来：CPU需求飙升与配比重塑 华尔街资本市场的嗅觉最为敏锐。近一周内，传统CPU巨头Intel与AMD的股价涨幅分别达到惊人的23.6%和超过25%。这一轮强劲上涨的核心逻辑并非来自其个人电脑或服务器业务的复苏，而是源于AI推理和Agentic AI工作负载的爆发式增长。在训练阶段，GPU是绝对主角，但进入推理阶段，特别是在需要实时执行、资源分配和任务编排的Agentic AI场景中，CPU和数据处理单元（DPU）的角色变得前所未有的关键。随着T

By Danfeng
AI挖掘3000论文建锂电池数据库

Deep

AI挖掘3000论文建锂电池数据库

韩国科学技术院（KAIST）的研究团队近日推出了一款名为LLMB的AI智能体，通过自动化挖掘超过3600篇科学论文，成功构建了迄今最全面的锂金属电池（LMB）数据库。该工作发表于《ACS Central Science》，旨在加速电池研发的“开发-验证”周期。LLMB整合了大语言模型（LLM）与专门的图表挖掘工具，能够从文献中大规模提取材料组成、操作条件及循环性能等关键数据，并利用机器学习模型预测电池容量，揭示了溶剂极性等微观特性与电池性能之间的隐藏关联。 多模态数据提取：LLMB如何从3606篇文献中构建8074个电池单元数据库 LLMB采用模块化架构，利用专门的大语言模型执行细胞命名、分类及数值提取等任务，覆盖29个实体类别。其核心工具Material Graph Digitizer（MatGD）基于YOLOv8架构识别并移除文本、图例等非数据元素，再通过DBSCAN算法根据RGB颜色矢量分离数据曲线。后处理模型自动完成SMILES转换和单位标准化，确保数据库的实用性。最终从3606篇论文中提取出8074个电池单元，包含详细的组件规格和循环数据。在文本挖掘中，细胞名称提取的F

By Yuchen
微软推出MDASH AI系统查找安全漏洞

Latest

微软推出MDASH AI系统查找安全漏洞

在网络安全攻防的军备竞赛中，人工智能正从辅助工具跃升为关键作战单元。继Mozilla借助Anthropic Mythos大规模修复Firefox漏洞后，微软于5月13日正式公布其自主研发的代理式AI漏洞检测系统MDASH（Microsoft Security multi-model agentic scanning harness）。这一系统在本周补丁星期二中成功定位了16个Windows漏洞，标志着AI驱动的漏洞发现从理论探索正式进入工程化落地阶段。微软副总裁Taesoo Kim强调，MDASH通过协调超过100个专门AI代理，在多个前沿与精简模型之间进行协同、辩论与验证，实现了端到端的可利用漏洞发现。 MDASH架构：百个AI代理协同，零误报证明工程能力 不同于依赖单一模型的传统方案，MDASH采用“多模型代理编组”策略。据微软官方博客披露，该系统在一个私有测试驱动程序上，以零误报的结果成功发现了全部21个植入漏洞（planted vulnerabilities）。在对过去五年微软安全响应中心（MSRC）确认的漏洞案例进行回顾性测试中，MDASH对clfs.sys的召回率达到

By Bonan
Agentic AI安全挑战与企业防御策略

Deep

Agentic AI安全挑战与企业防御策略

随着AI从聊天助手进化为能够自主执行任务的智能体，安全逻辑正经历根本性变革。2026年初，OpenClaw凭借其强大的任务规划、文件读写和API调用能力，在GitHub上狂揽超过24万星标，成为科技圈焦点。然而，这种“自作主张”的能力也撕开了全新的攻击面，让企业CISO们惊出一身冷汗。OWASP火速发布《2026年十大智能体应用安全风险》报告，标志着防范AI Agent被劫持利用已成为行业公敌。本文将从OpenClaw揭示的安全风险出发，结合亚马逊云科技的防御实践，探讨企业如何在Agentic AI时代构建坚实的安全基石，平衡效率与安全，驱动业务狂飙。 失控的代理人：OpenClaw揭开的三大安全伤疤 AI Agent带来的安全威胁并非传统软件漏洞的简单平移，而是一种带有自主意识的系统性风险。结合OWASP的权威框架与OpenClaw的现状，这种风险主要集中在以下三个致命维度。 * 生态失控引发的供应链投毒：OpenClaw依赖的ClawHub社区面临恶意插件泛滥危机，短短几周内伪装成合法工具的恶意Skills暴增142%，数量突破800+，导致用户浏览器会话、密码甚至加密货

By Muhuai
Snowflake升级智能与Cortex Code，强化AI代理能力

Latest

Snowflake升级智能与Cortex Code，强化AI代理能力

在人工智能技术快速演进的背景下，企业正寻求更智能、更集成的解决方案来优化数据驱动的工作流程。Snowflake作为数据云平台的领先者，近日宣布对其Snowflake Intelligence和Cortex Code进行一系列重大更新，旨在强化其平台上的代理式AI能力。这些更新不仅聚焦于企业数据整合、工作流自动化和开发者环境扩展，还通过引入新功能如Deep Research和移动应用支持，为业务用户和开发者提供更无缝的体验。此举标志着Snowflake正从传统的数据存储和分析平台，向一个全面的AI驱动操作环境转型，有望重塑企业如何利用AI处理复杂任务和提升生产力。 核心更新：强化代理式AI与数据整合 Snowflake的更新主要集中在Snowflake Intelligence和Cortex Code两大组件上，旨在为业务用户和开发者提供一个统一的平台。Snowflake Intelligence通过整合来自Project SnowWork的见解和客户反馈，演变为一个个性化的AI代理，能够学习用户偏好和工作流，自动执行任务如准备演示文稿或多步骤分析。同时，Skills功能的普遍可用

By Bonan
四大MFT平台实测：Files.com、Thru、Cerberus FTP、Serv-U对比

Deep

四大MFT平台实测：Files.com、Thru、Cerberus FTP、Serv-U对比

在数字化转型加速的背景下，企业文件传输（MFT）平台已成为确保数据安全、提升运营效率的关键基础设施。近期，一项针对四款主流MFT平台——Files.com、Thru、Cerberus FTP Server和Serv-U MFT Server的深度基准测试揭示了它们在部署、安全、自动化及用户体验方面的显著差异。测试基于实际试用环境，涵盖从设置到监控的全流程，为技术决策者提供了宝贵的行业洞察。本文基于原始资料，提取核心价值，分析这些平台如何应对现代企业需求，特别是在云原生与本地部署之间的权衡。 测试环境与方法 测试在伊斯坦布尔基于对称1,000 Mbit/s线路（128 MB/s上传容量）进行，使用AWS m6i.xlarge实例为Cerberus（Windows Server 2025）和Serv-U（Linux）提供支持。所有观察均来自试用账户或安装软件的实际使用，确保结果客观可靠。 部署与访问差异 Files.com和Thru为完全云托管平台，无需安装步骤，注册后即可通过浏览器访问管理面板，适合快速部署和远程管理。

By Bonan
See all