与「沙中净水」相关的搜索结果

a16z Crypto：AI 代理复现 DeFi 漏洞成功率最高达 70% 据 a16z Crypto 研究报告，AI 代理在复现 DeFi 价格操纵漏洞时，若获得结构化知识辅助，成功率最高可达 70%。 该研究选取 20 个以太坊价格操纵漏洞案例进行测试。结果显示，在没有领域知识、且无法访问未来信息的沙盒环境中，AI 代理的基准成功率仅为 10%；但在加入从真实攻击事件中提炼的结构化知识后，成功率提升至 70%。

模型党狂喜！🤩 知名地标浓缩成档案级实体模型，这质感吹爆！ 🤯我用 ChatGPT-Image-2.0 生成的地景档案模型： 1、中国长城 2、珠穆朗玛峰 3、上海外滩 4、广州珠江 像真实物理世界被拍下来一样，纸质感、细节满满！ 提示词/Prompt： 请根据【主题】创作一张高完成度、高质感、适合系列化发布的「地景档案模型 / Landscape Archive Model」视觉图。 这不是普通地图，也不是普通风景插画或城市效果图，而是一张结合“二维地图图纸 + 三维立体区域模型 + 专业说明系统 + 博物馆展陈感”的高端档案式视觉图。画面需要像一件被真实制作出来的地理研究模型、城市规划沙盘、建筑提案模型或世界观设定展品，具有专业、克制、精密、可触摸的高级质感。 【基础设定】 主题：【主题，例如火山口湖 / 广州 / 重庆山城 / 海岛城市 / 古城遗址 / 末日废墟 / 幻想大陆 / 游戏主城】 主题类型：【自然地貌 / 城市空间 / 混合景观】 核心主体：【核心主体，例如火山口、峡谷、山脉、湖泊、CBD、老城区、地标群、岛屿城市、遗址群、主城区域】 内容重点：【内容重点，例如地形高差 / 城市地标 / 路网结构 / 水系关系 / 自然与城市关系 / 设定集展示】 风格方向：【风格方向，例如地理测绘风、纸雕模型风、建筑提案风、博物馆档案风、城市规划风、游戏设定集风】 主色调：【主色调，例如米白、浅灰、羊皮纸白、沙色、雪白】 辅助色：【辅助色，例如土褐、岩灰、冷灰、淡蓝、苔绿】 点缀色：【点缀色，例如黑色细线、红色路线、蓝色水文线、黄色编号标记】 画幅比例：【画幅比例，例如16:9横版 / 3:4竖版 / 4:5竖版 / 1:1方图】 【画面结构】 画面主体是一块放置在干净桌面或白色布面上的矩形地图模型板。底板具有真实厚度，边缘可见剖面结构，像一块精致的地图切片或模型底座。地图表面覆盖清晰但克制的信息层，包括等高线、道路网络、水文线、分区边界、地理纹理、坐标感、轻微标注和图纸边框。 在地图中央或偏中心区域，从二维地图中立体“生长”出一个三维主体模型，成为整张图的视觉核心。 如果【主题类型】为自然地貌： 主体可由山体、峡谷、火山口、湖泊、盆地、岛屿、冰川、断层、海岸线等构成，强调地形高差、层叠等高线结构、岩壁纹理和自然地貌起伏。 如果【主题类型】为城市空间： 主体可由核心城区、CBD、老城街区、地标建筑群、滨水区、路网节点、桥梁、水系、公园绿地等构成，强调建筑体块、城市识别度、空间层次与规划结构。 如果【主题类型】为混合景观： 需同时整合自然地形与人工建成环境，例如山城、海岛城市、古城遗址、末日废墟、幻想主城、科幻基地等，让自然地貌与城市结构共同构成核心视觉。 【细节要求】 - 模型表面保留地图图纸感与专业信息感 - 地形区域应有等高线、坡面层次、凹陷与起伏关系 - 建筑区域应有体块感、街区关系和清晰层次 - 水域使用低饱和淡蓝色表现 - 绿地、森林、公园、山体可用苔绿色或低饱和绿色表现 - 路网、路径、交通轴线或探索线路可用细线表现，但不要喧宾夺主 - 若有地标建筑或重点结构，应具备明确识别度 - 若有幻想、科幻或游戏设定元素，应保留档案模型和图纸展示感，而不是做成纯场景插画 【说明系统】 地图板边缘需要设计完整而克制的说明模块，包括： - 外框线和内框线 - 比例尺 - 图例区 - 标题区 - 档案编号 - 索引标记 - 注释标签 - 简洁的符号说明 文字不必全部可读，但整体必须呈现真实、清晰、精密、有秩序的档案式排版结构。 【构图与镜头】 采用斜俯视等轴测或沙盘式构图，镜头从上方约30到45度观察整块模型板，让观众同时看到地图平面、立体主体高度、边缘厚度和说明区。视觉重心集中在中央主体模型，阅读路径为：先看核心主体，再看周边地形/路网/水系/街区信息，最后看图例、比例尺和说明区。 【材质与光影】 整体需要具有真实模型摄影质感： - 纸张纹理 - 地图印刷质感 - 纸雕或沙盘模型感 - 建筑模型或地形切片质感 - 柔和自然光 - 细腻真实阴影 - 干净背景 - 低饱和、高级、克制 避免卡通化、廉价游戏UI感、过度杂乱、过度炫技，重点突出“地图底板 + 立体主体 + 专业说明系统”的统一视觉。 最终效果应像一张可以用于地理科普、城市研究、建筑提案、文旅视觉专题、世界观设定集或高端系列封面的地景档案模型图。

写作终于说人话了！ Prompt： 我在学习：“Agent Harness” 这个概念。 我希望你通过写一个寓言的方式，间接地把这个概念完整讲出来。最好一直到快结尾时，人才会慢慢意识到这个概念究竟是什么。然后在故事之后，再补一段解释，把你刚才真正要讲的概念说清楚。 Response： 寓言：会预言的鹿，与不会迷路的车 很久以前，山谷里有一座城，城里的人都说，北山住着一头银鹿。 这头鹿很奇怪。它能看懂星象，能听出河水里混着哪座山的雪，能从一片叶子的缺口判断哪条路刚有狼群经过。国王听说后，便派人把银鹿请进宫里。 国王问它： “今年该往哪里开渠，才能让庄稼不旱？” 银鹿闭上眼，闻了闻风，说： “东边第三道岭下，有一层暗水。先挖浅井，再引渠，不要直挖，否则会塌。” 工匠照做，果然出水。 国王又问： “商队该走哪条路，才能避开强盗？” 银鹿看了看月光，说： “别走旧驿道。绕过黑松林，从盐石坡下去。强盗在那里等着你们。” 商队照做，也平安归来。 于是国王大喜，说： “从今天起，银鹿就是我国最聪明的大臣。” 可是没过多久，问题来了。 银鹿虽然聪明，却不会自己开渠。它说得出暗水在哪里，却不能拿起锄头。它知道强盗埋伏在哪里，却不能替商队安排马匹、干粮、路引。它能判断草药有没有毒，却不能进药房配药；它能指出城墙裂缝，却不能调度石匠；它能说“这件事要先查旧账”，却不知道旧账放在哪间屋子。 国王很困惑。 “你不是很聪明吗？为什么还要这么多人？” 银鹿说： “我能想，但我没有手。我能看见许多可能，但我不知道你准我碰哪些门、翻哪些柜、命令哪些人。我能记住刚才说的话，可三个月前的旧约，得有人拿给我。我能给出办法，但得有人确认办法真的被做对了。” 国王觉得它是在推脱，便下令： “那就让银鹿自由行动。宫里的门都打开，仓库也打开，账本也打开。凡它所说，人人照办。” 第一天，银鹿让侍从去药房取“白根草”。侍从不知白根草有两种，一种救人，一种伤人，差点拿错。 第二天，银鹿让人修东城墙。石匠听成了西城墙，忙了一整日。 第三天，银鹿建议商队绕路。商队照做了，却忘了带盐石坡通行文书，被边防扣住。 第四天，银鹿为了查一笔粮仓亏空，让人翻出所有账簿。账簿堆满宫殿，没人知道哪本已经查过，哪本还没查，哪条线索可信，哪条只是猜测。 第五天，银鹿说： “这不是聪明不聪明的问题。你们把我放进了世界，却没有给我一辆能在世界里行走的车。” 国王召来木匠、车夫、书记官、守门人、法官和老猎人，要他们做一件东西。 木匠先造了一辆车。车不豪华，但结实，能装账本、工具、地图和样本。 车夫说：“还不够。车要有缰绳，不然银鹿看到什么都想追。” 于是他们给车装上缰绳。银鹿可以指方向，但车夫会问：“这是去药房、粮仓，还是城外？你有这个许可吗？” 书记官说：“还不够。每次出行，要记下它为什么去、拿了什么、问了谁、结果如何。” 于是车上有了日志。 守门人说：“还不够。有些门可以直接开，有些门要国王点头，有些门永远不能开。” 于是车上有了钥匙环。每把钥匙都刻着用途和限制。 老猎人说：“还不够。山路会断，桥会塌，人会听错。车要会停下来，重问一遍，或者换路。” 于是车上有了备用路线和出错时的规矩。 法官说：“还不够。银鹿说‘已经办好’时，不能只听它说。要验收：渠水有没有流到田里？药有没有配对？账有没有对上？” 于是车上有了检验表。 药师说：“还不够。银鹿每次都从头学，会误事。它要记得哪些草药上次有效，哪些村子忌用哪味药。” 于是车上有了记忆匣。短事放在前格，旧约放在后格；有些记忆会过期，有些要反复核实才准留下。 铁匠说：“还不够。万一银鹿要试一种危险办法，不能让它在城里乱试。” 于是他们在城外建了一块试验场。新车、新药、新机关，先在那里试，不伤百姓。 画师说：“还不够。银鹿看到的东西，百姓看不懂；百姓给的请求，银鹿也可能误解。” 于是车上又多了一块双面板。一面把百姓的话整理成清楚的任务，一面把银鹿的想法翻译成百姓能执行的步骤。 最后，国王问： “现在可以了吗？” 众人看向银鹿。 银鹿说： “现在，我不只是会回答问题了。现在，我能接住一个目标，带着记忆和工具，按规矩走进世界，遇到错误会回头，做完之后会留下证据。” 国王恍然大悟。 原来真正神奇的，不只是那头会思考的鹿。 真正让国家运转起来的，是那辆车、缰绳、钥匙、日志、试验场、记忆匣、验收表、守门人和车夫共同组成的东西。 后来，邻国来访，问国王： “你们的银鹿为何比我们的智者有用这么多？难道它更聪明？” 国王笑了笑，说： “未必。你们只请来了一个聪明的脑袋。我们给这个脑袋配了能行动的身体、能守规矩的手、能记事的口袋、能试错的院子、能被审计的足迹，以及知道什么时候该请人点头的缰绳。” 邻国使者问： “这东西叫什么？” 国王想了想，说： “我们原先以为是在造一辆车。后来才知道，我们造的是一副让智慧可以安全拉动现实的挽具。” 银鹿低头看了看自己身上的缰绳，又看了看远处已经通水的田野。 它终于明白：没有这副挽具，它只是会说话的预言；有了这副挽具，它才成了能做事的行者。 解释：这个寓言真正讲的是 Agent Harness 在 AI 语境里，Agent Harness 可以理解为：包在模型外面、让模型从“会回答”变成“能执行任务”的整套软件基础设施。近来的行业表述里，常见一句话是 Agent = Model + Harness：模型提供推理与生成能力，而 harness 负责工具、状态、上下文、执行、约束、反馈和持久化等部分。LangChain 近期也把 harness 描述为把模型变成自主工作引擎的系统，并强调文件系统、沙盒、记忆等核心部件；Martin Fowler 的文章也把 harness 概括为“除了模型本身之外的东西”。(LangChain) 寓言里的银鹿就是模型。它聪明、能判断、能提出方案，但它本身并不等于一个完整 agent。它不能天然访问文件、调用工具、记住长期状态、申请权限、检查执行结果，或在危险操作前进入安全环境。 寓言里的车、缰绳、钥匙、日志、试验场、记忆匣、验收表就是 Agent Harness 的不同部分： 车，是运行环境和任务循环，让模型能一步步执行，而不是只回答一次。 缰绳，是控制流、策略和边界，决定模型什么时候继续、什么时候停、什么时候需要人类确认。 钥匙，是权限系统和工具访问控制。不是所有工具都能随便用，也不是所有数据都能随便读。 日志，是可观察性和审计记录。系统要知道模型做过什么、为什么这么做、调用了什么、产生了什么结果。 记忆匣，是上下文和记忆管理，包括短期对话状态、长期偏好、历史任务、文件内容、外部知识等。LangChain 另一篇关于 harness 与 memory 的文章也强调，记忆不是额外贴上去的小插件，而是 harness 管理上下文的核心职责之一。(LangChain) 试验场，是 sandbox，也就是安全执行环境。比如让 coding agent 改代码、跑命令、读写文件时，不能直接让它无边界地碰生产系统。 验收表，是验证、测试、评估和错误恢复。一个 agent 不能只说“我完成了”，系统还要检查输出是否符合目标，失败时能重试、回滚、请求帮助或换策略。 双面板，是输入输出适配。用户的自然语言请求要被整理成可执行任务；工具返回的大量结果也要被压缩、格式化、再喂给模型；最终结果还要以人能理解的方式呈现。 所以，Agent Harness 不是模型本身，也不只是 prompt，更不只是某个工具列表。它是让模型能在真实环境中长期、可靠、可控地工作的“外部身体”和“运行制度”。Microsoft 对 agent harness 的描述也强调，它是模型推理连接真实执行的层，包括 shell、文件系统访问、审批流和跨长会话的上下文管理。(Microsoft for Developers) 它和 agent framework / SDK 也不完全一样。Framework 或 SDK 更像木匠手里的材料和图纸；Agent Harness 更像已经装配起来、实际承载某个 agent 运转的那套车、路、钥匙、规则和检查机制。Salesforce 的解释也类似：harness 是围绕模型的执行环境，管理生命周期、上下文以及与外部世界的交互。(Salesforce) 最终，寓言想表达的是： 一个模型会思考，不代表它能可靠地做事。 一个 agent 真正能做事，是因为模型之外还有一整套 harness：给它工具，给它记忆，给它权限，给它边界，给它反馈，给它验收，也给它在现实世界中安全行动的方式。

腾讯云开源了 AI Agent 沙盒 Cube Sandbox，Rust 编写，Apache 2.0 协议。 Agent 跑模型生成的代码需要一个隔离环境，避免误删文件或越权访问主机。这类服务的接口事实标准是 E2B，OpenAI Agents SDK、Manus、Perplexity、Hugging Face 都接它。Cube 对 E2B 做完全兼容，原本接 E2B 的 Agent 只要改一个环境变量就能切过来。 腾讯云公布了两组性能数据。单并发冷启动低于 60ms，50 并发时平均 67ms、P95 90ms、P99 137ms。单实例常驻内存低于 5MB（沙盒规格不超过 32GB 时测得），一台 96 核服务器可同时跑 2000 多个沙箱。同场景下 Docker 容器启动约 200ms、共享主机内核；传统虚拟机启动以秒计、单实例内存 20MB 起。 Cube 的做法是给每个 Agent 开一套独立的 Guest OS 内核，走硬件级隔离，同时把启动时间压到百毫秒内。加速靠资源池预置、快照克隆、底层锁优化；压内存靠 Rust 重写、CoW 内存复用、reflink 磁盘共享。项目还附带 CubeVS，用 eBPF 做沙盒之间的网络隔离。 规模化验证给了两个案例。Cube 原本跑在腾讯云 Serverless 体系里，承载过百亿级调用。元宝 AI 编程场景迁到 Cube 后，资源核时消耗降了 95.8%。外部客户里，MiniMax 在 Agentic RL 训练中靠 Cube 做到分钟级调度数十万沙箱实例。下一步规划是把事件级快照回滚也开源出去，提供百毫秒级状态回滚。

Cloudflare 今天官宣推出的 AI Sandbox（也被称为 Containers / Dynamic Workers），听起来像是一个测试用的“代码沙盒”，但如果放进 AI Agent 的完整工作流里，它其实是 AI 时代的执行层基础设施，而不是一个简单的开发或测试工具。 一个典型的 Agent 工作流可以拆成：理解任务、规划步骤、选择工具、执行任务、读取结果、再决策并循环。其中，LLM 负责“想”，真正“干活”的部分发生在执行阶段。 问题在于，AI 生成的代码是不可信的，用户输入同样不可信，而生产环境又必须支持多租户隔离。这三点叠加，决定了执行必须发生在一个隔离、安全、可控的环境中——这正是 Sandbox 的存在意义。 因此，Sandbox 并不是“某些步骤会用到的工具”，而是 Agent 体系中的一个固定节点：只要涉及代码执行、文件处理、数据分析、系统调用（如 shell、依赖安装）、或者长时间运行任务，这些步骤都会进入 Sandbox。反过来，纯推理、文本生成、简单 API 调用、业务状态管理等，通常仍然留在 LLM 或主系统中。最终形成的结构是：LLM 负责决策，Worker 负责编排，Sandbox 负责执行。 这也解释了为什么 Sandbox 会从“测试工具”演变为“生产基础设施”。早期的典型场景是 notebook、code interpreter、在线 IDE，看起来更像开发辅助工具。但一旦 Agent 进入生产环境，执行就成为主路径：一个任务中，LLM 调用可能只有十几次，而代码执行可能发生几十甚至上百次。如果没有 Sandbox，这些执行要么不安全，要么不可控，系统无法稳定上线。换句话说，Demo 可以不用 Sandbox，但生产环境必须有等价机制。 从架构上看，生产级 Agent 会稳定在三层结构：LLM（决策）、Sandbox（执行）、以及外部系统（数据与状态）。这三者缺一不可。其中，Sandbox 的职责非常明确——提供一个可以安全运行不可信代码的环境，并具备文件系统、网络、依赖管理和资源隔离能力。 Cloudflare 的在执行层上的优势（做 Sandbox的优势），在于它把几项关键能力叠加在一起：全球边缘节点执行、毫秒级冷启动、基于 V8 isolate 的轻量运行时，以及与 Worker 体系的一体化调度。这种组合，使得 AI Agent 的执行可以在用户附近发生，同时具备高频调用所需的低延迟和低开销。相比之下，传统云厂商也能提供隔离执行环境，但往往在启动速度、调度路径和开发复杂度上存在明显差异。 更深一层看，这背后是一个范式变化。过去的 AI 系统，本质是“调用模型得到答案”；而 Agent 的形态，更像“写代码并执行任务”。一旦执行成为主路径，成本结构也会发生变化：模型推理的占比下降，而执行的占比上升。对应的基础设施分层，也从单一的模型层，扩展为“模型层 + 控制层 + 执行层”。 最近被频繁讨论的 AI Harness其实就是控制，本质上是让 AI 系统“可控、可重复、可工程化”的一层控制系统，负责任务编排、工具调用、策略约束、结果校验和重试机制。它解决的是“AI 应该做什么、怎么做”的问题。但 Harness 本身并不执行任务，一旦涉及代码运行、数据处理或系统操作，就必须调用执行环境。 Harness可以也需要跑在Sandbox 上。Harness 决定流程、调度工具、判断结果是否有效，而 Sandbox 负责真正运行代码、处理文件和完成计算。可以把整个体系理解为四层结构：LLM（模型层）负责推理，Harness（控制层）负责编排，Sandbox（执行层）负责落地执行，底层则是计算、存储和网络基础设施。 换句话说，Harness 让 AI“可控”，而 Sandbox 让 AI“可用”。 从这个角度看，Sandbox 的最终形态更接近一种运行时环境（runtime）。就像过去的应用离不开操作系统或容器一样，未来的 Agent 也离不开一个稳定、安全、可扩展的执行层。Cloudflare 正在做的，是把这层 runtime 标准化，并推向边缘网络。 如果 Agent 成为主流形态，那么 Sandbox 不只是会进入生产流程，而是会成为每一个 AI 请求背后的必经环节。届时，AI 的竞争将不再只发生在模型层，也会在控制层和执行层展开，而执行层很可能成为整个体系中最关键、也最容易被低估的一环。 免责声明：本文仅供参考，不构成投资建议。作者可能持有文章提及资产，管道未必客观。投资有风险，入市需谨慎。

今天上线了我的第 11 个 vibe 产品， vibelab 是一个专门给 vibe coder 用的直播平台，传统的直播平台是用采集工具推视频流，主播在本地电脑开发，观众只能看。vibelab 的做法是运行在云端沙箱，主播可以和粉丝分享直播的乐趣，也可以邀请伙伴在同一个沙箱环境里编程，与观众共享各自的终端和网页。 vibelab 使用我之前开源的 sandbank cloud 沙盒云，开箱即支持 claude code, codex 等 coding agent cli 和各种编码环境，并且支持快照以保存登录状态和临时文件（这样 cc/codex 就不需要每次开播都登录） 除此之外，还支持连接 GitHub 和 gh 命令的自动化，不用担心在沙箱中的工作会丢失。 接下来我会每天都在这里直播自己的 vibe 过程，并邀请一些经常在 vibe 的博主来进行内测直播，如果你感兴趣可以联络我获得资格。 我的直播间：

＼\好評受付中🎅/／ 似鳥沙也加presents クリスマスクルーズパーティ🚢 2024/12/21(Sat) 東京有明 ￣￣￣￣￣￣￣￣￣￣￣￣￣ ▼詳細・お申込み（12/13金AM8:00締切） #似鳥沙也加# @nitori_sayaka

本日【atmos×似鳥沙也加】 atmos 千駄ヶ谷店で開催中の、 ポップアップにお越しくださった皆さんありがとうございました¨̮⃝ 楽しんで頂けてたら、嬉しいです。 私もお仕事の合間にちょっぴり覗いて来ました～！20日までなのでぜひ！ (20日は1日来店イベントです)