与「Action对魔忍」相关的搜索结果

阿里云开源「企业级 Agent 白皮书」 2026 年最新发布，是 2025 年 9 月「AI 原生应用架构白皮书」的升级续作。全书按 架构 → 构建 → 运行 → 治理 → 调优 的全生命周期组织，共 7 篇 30 章，由阿里云数十位一线工程师分工撰写，并纳入吉利、塔斯汀、MiniMax、哔哩哔哩、信永中和等外部企业案例。 它的写作动机很明确：过去一年市场重心已经从 “如何快速搭出一个 Agent” 转移到三个新挑战，工程化（从概率智能到可靠生产力）、规模化（从单点试验到智能基础设施）、组织化（从 Agent 孤岛到进入核心业务流程）。现有的框架文档和教程基本不回答这些问题，这本白皮书填补的正是这个空白。 开源地址 # 各篇核心内容 架构篇（1–2 章） 建立认知框架。给出 Agentic Application 的六个判定特征（以任务结果为中心、运行时决定部分执行路径、能作用于环境、维持跨请求状态、受确定性机制约束、可观测可评估）和成熟度四级模型（L1 辅助生成 → L2 受控自动化 → L3 Agentic Execution → L4 规模运营）。两个重要的解耦判断：用哪种形态取决于任务结构，处于哪级成熟度取决于治理完备程度；单 Agent / Long-Horizon / 多 Agent 是沿时间跨度和协作结构两个正交维度的扩展，不存在“必须升级到多 Agent”的路径。贯穿的原则是“最低充分架构”，为任务选择成本与风险可接受的最低复杂度。 构建篇（3–6 章） 是方法浓度最高的部分，按“范式—任务—信息—行动”还原构建过程： · 任务：Agent Loop 五阶段（Prepare→Model→Act→Observe→Verify）+ 十态任务状态机，要害是“消息历史不应是任务状态的唯一来源”；完成判定的核心原则是“模型只能申请完成，Harness 依据环境证据提交完成”，验证分五级并与风险匹配。 · 信息：Context 是动态“编译”而非静态字符串。本章的独创设计是 Context Manifest，每次调用记录上下文每个片段的来源、作用域、版本、信任级别、选中理由和内容哈希，使“模型看见了什么”变得可解释、可回放、可审计。信息被五分为 Context/State/Memory/Knowledge/Skill，其中 Memory（个人经验）与 Knowledge（组织内容）必须分列，因为治理责任不同，“放进同一个向量库会同时失去两类治理能力”。 · 行动：统一 Action Plane（意图→Schema 校验→身份绑定→策略决策→执行→观测），关键三分：“模型看见工具 ≠ Harness 注册了工具 ≠ 获得执行授权”。协议定位清晰：Function Calling 是模型-Harness 意图接口，MCP 是 Harness-能力提供方连接协议，A2A 面向拥有独立任务循环的远程 Agent，“协议选择由能力是否拥有独立任务循环决定，而非新旧或流行度”。 运行篇（7–12 章） 处理规模化后的工程问题，大量内容达到了分布式系统的专业深度：沙箱后端选型判据（容器/gVisor/MicroVM 按代码可信度与租户边界取舍）；状态外置后 Event Log / Checkpoint / 工作区快照三者不可互相替代，且“Durable Execution ≠ 外部动作恰好执行一次”；AI 网关对 LLM/MCP/Agent 三类流量按不同粒度治理，其中“严格预算需要原子预留而非阈值检查”的数学化分析（余额 100、两笔 80 的并发请求都会通过）是真实的并发工程细节；多 Agent 编排强调“最小充分共享”，共享的是上下文来源而非同一个 Context 窗口。 治理篇（13–16 章） 让自主运行的系统变得可信。可观测性的判据是“请求成功 ≠ 任务成功”；安全章同时把 Agent 当被攻击对象和行为主体来防护（身份是全章最扎实的部分：数字工牌、Token Exchange 权限收敛、On-Behalf-Of 且 Agent 权限 ≤ 用户权限）；资产管理把 Prompt/Skill/MCP/Agent 当作运行时依赖做注册与版本治理。第 16 章 Agent Simulation 是全书原创性最强的一章：Agent 行为之所以不可验证，是缺制度前提（角色无外部标准、失败无自然代价、身份不连续），模拟是当下唯一可做的事，本质是“用可靠 Harness 约束不可靠内核”。它甚至给出诚实的统计学提醒：n 次零违规的 95% 置信上界约为 3/n 而非零。 调优篇（17–24 章） 的组织原则是“归因决定方法”：先排除环境故障、再修 Harness、最后才动模型，“把本应由上下文或工具协议解决的问题当成模型不行，是代价最高的一类误判”。主线是数据飞轮：Trace→Trajectory→黄金数据集（输入/轨迹/结果/判据四要素）→Badcase 闭环→受控自进化（模型生成的改进一律是候选变更，须回流构建、过门禁、可回滚）。模型调优章对 SFT/Agentic RL/蒸馏的适用边界、奖励投机的三套机制分离（训练奖励、独立评测、系统硬约束）论述相当严谨，广引 DeepSeek-R1、Tulu 3、FrugalGPT 等外部工作。 总结篇（第 30 章） 是全书思想密度最高的总结。当企业同时运行多 Agent、多框架、多租户时，同样的工程要求在每个应用里被重复且不一致地实现，这本质上是缺一个共享的系统层。Agentic OS 被给出“窄定义 + 三条否定”：为 Agent 任务提供公共运行对象、能力接入、可强制边界与统一证据的系统层，它不持有任务语义、不是又一个框架、不必然改内核。能力下沉有三条判据（复用性 + 强制性或可验证性），九类管理对象（其中 Budget Lease 预算租约最易被忽略），并提出“自治上限由可撤销范围与可证明范围决定，而非模型能力”。 调研报告 的 1906 份问卷给出一个关键发现：已开发或开发中 Agent 的企业占 46%，但真正上生产的仅 18%；有评估体系的企业任务成功率是无评估者的约两倍，卡点不是模型能力，是 Harness 层的工程配套。这与全书立意互为印证。

Grok Bot 设计之旅 来自 Grok Bot Design Lead @johnbai 是 Cursor 纽约办公室的第一位设计师，John 在这期访谈中首次公开其幕后设计过程。 # Grok Bot 产品起源：为什么 Cursor 要"另起炉灶"？ Cursor 桌面端对非技术用户门槛过高，工程化概念让设计师等群体难以上手。John 入职后长期负责增长与 onboarding，核心命题一直是"降低门槛"。 内部曾有两派：一派主张改造现有产品（John 甚至提过类似 Codex 后来采用的"双模式切换"方案：coding vs. tasks）；另一派主张彻底重做。最终共识是：Cursor 品牌技术感太强、包袱太重，对非工程师缺乏吸引力，于是高层自上而下拍板，由几名资深工程师闭门探索全新产品。 Grok Bot 初版是精简版 Cursor Glass（agents 窗口）+ iMessage 式聊天界面。这是关键的"秘密武器"——AI 圈用户习惯了流式输出和思考状态，但普通用户最熟悉的是 iMessage/WhatsApp 的消息形态。这一选择奠定了产品的亲和力。 # 设计探索：从"激进重构"到"回归聊天" John 展示了大量未采用的探索，其演进逻辑值得注意： 1. 质疑范式：他最初质疑"为什么又是左栏列表 + 中间聊天 + 右侧详情的三栏结构"，尝试了大量替代形态——任务清单悬浮窗、"Mission Control"多 Agent 监控视图、便签式界面、Raycast 式唤起、常驻桌面的 "Notch（灵动岛）"概念、Clippy 式桌面角落角色等。 2. 用产品打造产品：他用内部原型（代号 Sand，即 Grok Bot 前身）来构建自己理想中的 Notch 形态。亲手使用后他发现：Notch 形态会丢失上下文，而聊天仍是管理 "Agent 舰队" 的正确交互范式。这是本期最重要的认知反转——设计师通过快速原型证伪了自己的激进方案。 3. 收敛逻辑：领导层对"退居后台"的 ambient 方案反应冷淡，因为产品需要品牌存在感；而探索中诞生的碎片（如六边形 Cursor logo 加双眼的像素小人）最终演化为 Grok Bot 的吉祥物。两条设计路线——"给工程版抛光"与"彻底重做"——最终融合为现有形态。 4. 拟人化的来源：早期内部用户自发给 Agent 起名、上传表情包当头像，团队从中捕捉到"用户想赋予 Agent 人格"的信号，遂将角色形象设为默认状态。 # Onboarding 哲学（本期最有方法论价值的部分） John "在 Cursor 的全部时间都在设计 onboarding"，其核心原则： 1. 衡量负担的标准是概念数量，而非步骤数量。只要价值传达清晰、过程有吸引力，用户愿意走完多步流程；反之，塞入过多概念（他点名 Buzz 的 onboarding）会让人流失。 2. 不要迷信 Skip 按钮。AI 工具跳过引导后，用户被丢进空白输入框，直接陷入"行动瘫痪"（action paralysis）。先教会用户产品能做什么，比让他们快速进入产品更重要。 3. 最终落地的三步：① 你拥有的是一个 Agent 团队（各有分工）；② 每个 Agent 有自己的电脑（嵌入式 computer-use 窗口 + takeover 接管按钮——主持人称这是他的 "aha moment"，因为云端电脑的运作首次变得透明可信）；③ 任务可自动化运行。 4. 被砍掉的方案及原因：连接 Google 做个性化定制（信任未建立，用户不愿授权）；语音引导（跟风 ChatGPT/Claude 语音模式，但新用户"不知道该说什么"，时机错误）。 5. 用动效"买时间"：信息逐步流入的动画，既表现 AI 在思考，又掩盖了加载延迟。 # Cursor 的设计文化 没有两个设计师流程相同：有人纯代码起手（做 Cloud Agents 的 Maya 甚至没有 Figma 文件，只交付 Vercel 可交互原型），有人用 Paper，John 自己仍以 Figma 起草——但 Figma 的定位已变为"喂给 Agent 的素材与故事板"，文件本身是完全一次性的（throwaway）。 Agent 深度参与设计执行：John 把 Notion 文档丢给 Bot，让它在 Figma 里自动布局数十个 logo 变体、填充组件网格——过去需要手动 Google 找 SVG、缩放对齐的重复劳动全部外包。后期他甚至跳过 Cursor，直接让 Agent 在浏览器里生成多个方案。 高保真评审文化：每个想法必须附带可交互原型，crit 时发链接让所有人亲手试用。"静态走查已经不够用了"——这迫使设计师在分享前就验证方案是否成立，避免"给烂方案抛光"。 沙堡心态与 unshipping：设计师不能对自己的概念有执念（"can't be precious"），早期探索注定大量被丢弃，但碎片会进入最终产品；公司内部有强烈的"反上线"（unshipping）文化，靠删除来收敛复杂性。 他引用 Colin Dunn 的 "informed simplicity"：用户觉得"理所当然"的简洁，来自设计者先极度发散、再极度收敛的过程。 # 团队、招聘与反馈机制 团队：冲刺期共 5 名设计师，按各自强项自然分工（John 做探索与 onboarding，Pong、Keith、Tyler、Mamuso 抛光主壳），品牌团队主导命名与形象迭代。 招聘标准：基本功优先于工具数量、出活速度或"模型优化技巧"。核心考察能否真正 ship 产品、是否有体现 PMF 寻找循环的工作流程——"现在什么都能造，但不是什么都值得造。" 反馈处理：坚持用户研究 + 数据驱动。重视深度用户（如主动向 power user 私信索取详细反馈，再让 Bot 汇编成 Notion 文档同步团队）；数据洞见直接指导迭代——用户常用 Bot 少于 5 个（影响信息架构）、授权认证是主要卡点、吉祥物反响强烈（故提升其存在感）；同时密切观察用户自发"hack"出的用法（如 iMessage 版 Bot），顺势纳入设计。 # 实际使用场景（产品能力的具象化） John 本人：妻子申请绿卡，让 Bot 扫描邮箱自动找出过去 5 年的租约与账单；租房监控（定时抓 StreetEasy 房源，按"靠近地铁蓝线"等条件排序）；跨工具流水线（Slack 反馈频道 → Notion 数据库 → 自动更新 Figma 设计，人只需验收）。 主持人 Rid：梦幻橄榄球 GM Bot（抓取公开交易数据 + 动态竞价模型）；QA Bot（每日自动跑完全部产品流程、生成工单，置信度达标即直接派给 Cursor Agent 修复）——他在机场行李提取处用手机修好了此前两次都没修好的 bug。 John 的总结颇具代表性："我现在默认它什么都能做，因为我还没碰到过墙。"

FLUX 3 发布了！ Black Forest Labs 对它的定位，不再是又一个「文生视频模型」或「文生图模型」，是「真实世界模型」！ 团队把 图像 / 视频 / 音频 放进同一套 multimodal flow 架构里，试图学「世界如何运作」，再把同一底座同时接到 内容生成 和 具身/动作预测。 为什么要「多模态一起学」？ · 图像：提供某一时刻的空间结构与关系 · 视频：提供时间、动力学、物理规律 · 音频：提供机械现象与声学之间的因果线索 · 语言：提供目标、抽象、指令 各模态都是同一现实的「投影」，单独训只能拟合投影；一起训时，模态之间的互约束（声音必须对得上撞击、运动必须符合质量、未来必须接续过去）才更接近「世界表征」。 能力拆解：同一模型，三条产品线 1. Video（已 Early Access）：最长约 20 秒、原生音频；文/图/视频参考、续写、关键帧、多语言对白；可链式拼更长片。 2. Image（随后数周）：合成 + 编辑；复杂 prompt、多语文字、风格与分辨率更强（仍在 midtraining 迭代）。 3. Action（伙伴通道）：原生动作预测，或把视频骨干当动力学底座微调；已有 FLUX-mimic（mimic robotics / Audi 场景）。

强烈建议收藏这个视频： 1. Claude Code 最早只是一个终端实验 他们一开始只是想看看 Claude 放进 terminal 里会发生什么。 后来给它终端权限、文件权限、命令执行能力，才发现这东西每天都能用。 这说明很多 AI 产品，一开始未必来自宏大规划。 先把模型放进真实工作流里，它自己会暴露价值。 2. 真正好用的 Agent，要能并行调查 视频里提到一个用法： 遇到复杂问题，可以让 Claude Code 同时调查 3 次、5 次。 每个方向分别跑一遍，然后再让它挑出最好的方案，总结给你。 这个很适合 Vibe Coding。 别一上来就让 AI 直接改代码。 先让它多路调查： - 方案 A 怎么做 - 方案 B 怎么做 - 哪个风险最低 - 影响哪些文件 - 哪个最适合当前项目 3. Slash Command + MCP 会变成很重要的组合 他们内部已经在用 Claude Code 做 GitHub Action。 比如一个 `/project:lint` 命令，不光检查传统 lint。 还会检查： - 拼写错误 - 注释和代码是否一致 - 是否用了指定网络请求库 - 是否符合项目内部约定 发现问题以后，Claude Code 可以直接修改，再通过 GitHub MCP 提交回 PR。 这个比普通 lint 更灵活。 因为很多团队规则，很难写成静态代码规则，但可以写成一句 Markdown。 4. Memory 可能会成为下一阶段重点 视频里聊到一个很有意思的做法： 让 Claude Code 写 logbook。 记录它做过什么、团队目标是什么、你喜欢怎么工作、项目里有哪些习惯。 长期下来，它才不会每次都像新来的实习生。 我现在越来越觉得，AI 编程的分水岭可能就在这里： 谁能让 Agent 记住项目， 谁就少浪费大量重复解释的时间。 5. 提效差距非常大 视频里有人提到，对他这种每天写代码的工程师，Claude Code 大概能带来 2 倍效率提升。 有些 Anthropic 工程师可能是 10 倍。 但也有人只拿它写 commit message，提升可能只有 10%。 所以问题不在工具强不强。 问题在于你有没有把它放进真正的工作流。 比如： 开发者让它先调查再改代码。 设计师用它提交 UI PR。 数据同事把 CSV pipe 进去，让它直接分析表格。 团队把 lint、review、修复接到 GitHub Action 里。 这段访谈给我的启发是： Claude Code 这类工具，已经不太像“代码生成器”了。 它更接近一个可以接文件、接命令、接 GitHub、接团队规则的工作接口。 普通 Vibe Coder 可以先从一个小动作开始： 给项目写 3 个 slash commands： - `/investigate`：只调查，不改代码 - `/risk-check`：列影响文件和风险 - `/ship-check`：运行测试、检查文档、给发布建议 先让 AI 稳定接住一个流程。 这比单纯问它“帮我写个功能”有用得多。

说下李笑来的新书《The Half Second》 终于看完了！ 我觉得这对于每一个希望进步，希望做好投资，学好英语，处理好家庭关系的人来讲，都是可以参考的，一个至关重要的操作系统。 英文好的可以直接看原本，英文不好可以给你们的 AI 辅助阅读，一定会有很大收获！ 实际上人真正的自我，不是你想清楚以后说自己是谁，而是事情发生后半秒钟内，你身体自动做出的第一反应是什么。 比如伴侣语气不好，你第一反应是反击还是看着对方？孩子打翻牛奶，你第一反应是皱眉还是放松？投资的标的突然下跌，你第一反应是理性分析是否应该止损，还是逃避撞死？ 这就是“理性完全启动前，身体已经开始反应的窗口”。 笑来老师给了我们一个很恐怖的结论：这个窗口，半秒钟，就是人的真实操作系统。 大部分时候，我们以为自己活在理性里，其实大部分时候活在预装反应里。我们被我们的预装反应，给劫持了，但是却不自知。 所以我们为什么靠意志力很难对抗自己的缺点，因为意志力来得晚了半秒，神经已经指导身体把事情给做了。 意志力属于清醒意识，清醒意识要思考、评估、判断；但坏习惯的第一反应已经先动了。 等你意识到我不该这样时，手已经摸向手机、嘴已经准备反击、交易按钮已经快按下去了。 所以这本书讲的就是追根溯源的告诉我们：这些第一反应是怎么被安装进去的， 当然，只给事实不给解决方案就是刷流氓，所以笑来老师，给了一个方法，让我们可以去重新编辑它们，更好的服务于我们。 也就是最核心的再聊一个技能叫：self talk 1️⃣ self talk 有一整套操作系统的， 书里提出一个工作模型，叫 frequency counter，可以理解成“大脑的熟悉度计数器”。 它的逻辑很简单：大脑的快速系统不总是判断真假，它经常只判断熟不熟。 所以笑来老师提到，既然大脑可以这样玩，那么可以通过自己的声音重新安装反应，也就是他一直提到的，可以劫持自己的大脑！ 这就是 self talk 的真正位置。去把一个本来一直被外界使用的机制，夺回来自己用。 2️⃣改变是改身份枢纽； 改变不是改行为，而是改身份枢纽，这也是书的核心，告诉你为什么，再告诉你怎么做。 self talk 并不是让你不停对自己说积极的话，但是身体不知道如何行动，搞所谓的精神胜利法那一套， 他是告诉我们第一反应有结构。一个第一反应通常包括三个东西：身份、情境、动作。 比如笑来老师提到的他抽烟这件事： 身份：我是抽烟的人。 情境：饭后、写作间隙、焦虑时、朋友递烟时。 动作：点一根。 如果你只改动作，就会很累。因为你要在无数个情境里分别抵抗：饭后不能抽、写作不能抽、压力大不能抽、朋友递烟不能抽。情境太多，你挡不住。 但如果你改身份，比如你告诉自己：Iam a preson who never smokes，这个身份一旦装进去，它会影响很多情境下的动作。书里称 identity 是 hub，也就是枢纽。编辑身份，比一个一个对抗行为更有效。 3️⃣有效咒语的核心是 Action，不是 Mood 所以你需要给自己设置脚本，笑来老师提到ARISE。 它包括五个维度： A：Action，动作。 R：Reason，理由。 I：Identity，身份。 S：Situation，情境。 E：Emotion，情绪/感受内容。 所以脚本的核心是 Action：必须是身体能执行、外人能观察、半秒内能启动的动作； 这就是为什么： 我很冷静不如我深呼吸三次再回答。 我不焦虑不如账单来了，我 60 秒内打开它。 我不冲动交易不如价格波动时，我完整一天不操作。 我要更爱孩子不如孩子说话时，我看着他的眼睛再回答。 所以你看，核心是不要给大脑下达状态命令，要给身体下达明确动作命令。 基于此 “我不焦虑”“我保持冷静”这种是愿望，不是动作，我们要给自己设置动作，而不是愿望。 比如学英语，真正关键不是每天 talk to myself “多背单词”，而是让英语进入你的自我对话系统，告诉大脑你是帅哥什么样的人，给自己安装一个能骗过自己神经的小系统。 可以和自己对话： I am a person who thinks in English because it is essential to my life, and I would be very happy to learn English well! When I talk to myself, I say the next sentence in English. My own voice makes English familiar. 4️⃣大声说出来！ 最关键是笑来老师的意思，是你必须说出来，而不是在心里想，你需要调动你的肌肉，大声说出这些话，是把“我要改变”从观念层，降落到身体层。 这本书的核心机制叫 frequency counter，可以理解为“大脑的熟悉度计数器”。 它不总是判断真假，而是判断熟不熟。重复越多，越熟悉；越熟悉，越容易在半秒钟里自动冒出来。 大声说的作用，就是让每一次重复更“重”。 心里想一次，可能只是轻轻划过。 说出来一次，是语义、动作、声音、听觉、身份一起叠加。 它更像一次高质量计数。 就像你刷短视频，为什么画面、声音、音乐、字幕一起上更容易洗脑？因为它不是单通道刺激，而是多通道刺激。 self talk 大声说出来，就是你主动用多通道刺激，反过来洗自己。

很多人第一次看到 HootArk，会以为只是一个 Web3 浏览器。 但更准确地说，HootArk 是一款 Agentic Web3 Browser & Wallet 🦉 HootArk把移动浏览器、内置多链钱包、dApp 入口和 AI Copilot 放在同一个 App 里，让你可以从“看到信息”直接走到“完成链上操作”。 你可以像平时上网一样打开网页、看资讯、查项目，也可以直接进入 Web3 场景：访问 DeFi、NFT marketplaces、DAO tools 等 dApps，连接钱包，查看资产，发起转账或 Swap。不需要额外插件，也不用在浏览器和钱包之间来回切换。 HootArk内置了钱包模块。在创建或导入钱包后，可以直接无缝接入Ethereum、BSC、Polygon 等主流网络。对刚进入 Crypto 的用户来说是一个更简单的入口；对 DeFi 用户、NFT 玩家和 Web3 老用户来说，它也能让移动端操作更顺手 ⚡ AI 也是 HootArk 很重要的一部分，但它不是一个单独摆在旁边的聊天框。 你可以边浏览边提问，让 AI 帮你理解项目、网页和链上信息； 看到新闻、公告或长文章，也可以直接让它总结重点； 在交易或交互前，帮你核查事实信息； 它更像一个随时跟着你的 Web3 copilot，帮你少查几次资料，少切几个页面 🤖 安全和隐私方面，HootArk 始终坚持安全第一：私钥保存在本地设备上，平台不收集数据，不追踪用户。你的钱包、你的身份、你的数据，都应该由你自己控制 🔐 【重点来啦】 我们即将发布 HootArk Lite 版 🚀 期待更轻、更快、更智能的Web3 AI 移动浏览器🎉 欢迎持续关注HootArk A lot of people see HootArk for the first time and think it’s just a Web3 browser. But more accurately, HootArk is an Agentic Web3 Browser & Wallet 🦉 HootArk brings a mobile browser, a built-in multi-chain wallet, a dApp gateway, and an AI Copilot into one app, so you can move naturally from “finding information” to “taking on-chain action.” You can use it like a regular browser to open websites, read news, and check projects. But you can also jump straight into Web3: access DeFi, NFT marketplaces, DAO tools, and other dApps, connect your wallet, view your assets, and make transfers or swaps. No extra plugins needed. No constant switching between your browser and wallet. HootArk also comes with a built-in wallet module. After creating or importing a wallet, you can seamlessly connect to major networks like Ethereum, BSC, Polygon, and more. For people new to crypto, it’s a simpler entry point. For DeFi users, NFT collectors, and Web3 natives, it makes mobile on-chain actions much smoother ⚡ AI is also an important part of HootArk, but it’s not just a chatbot sitting on the side. You can ask questions while browsing and let AI help you understand projects, web pages, and on-chain information. When you see news, announcements, or long articles, AI can help summarize the key points. Before a transaction or interaction, it can also help you check relevant facts and context. It feels more like a Web3 copilot that stays with you, helping you search less, switch tabs less, and understand things faster 🤖 When it comes to security and privacy, HootArk always puts security first: private keys stay on your local device, the platform does not collect data, and users are not tracked. Your wallet, your identity, and your data should always be controlled by you 🔐 And here’s the big update: We’ll soon be releasing HootArk Lite 🚀 Stay turned! Browser + Wallet + dApp Gateway + AI Copilot. This is HootArk 🦉✨ #HootArk# #Web3# #Web3Browser# #Wallet# #dApps# #AI#

周末阅读《币安人生》，翻到了 180-182页关于币安被盗 7000枚比特币(2019年5月8日)的经历，颇有共呜。 好巧不巧，在我加入 Trust Wallet 前一个月的圣诞节，插件钱包因为人为小过失，让骇客有机可乘。 @cz_binance 在情况还未被完全诊断清楚之前，率先发推转达Trust Wallet愿意赔偿。 调查后来发现：骇客通过恶意程序渗透了几名员工的电脑，在代码中植入了恶意指令。虽然管理助记词和私钥的核心安全组件并未被攻破，但插件钱包v2.68确实被植入了恶意代码，情况和2019年币安那次类似。在漏洞修复前的短短数小时内打开过插件钱包的用户受到了牵连。 时至今天，@TrustWallet 已加固安全揩施、每天活跃用户量不降反升，对受影响用户赔付进度也已完成95%。而对于已错过申请赔付最后限期的长尾用户，CZ 认为只要对方带著合理凭证，Trust Wallet 该继续受理，「做正确的事」。 Funds are SAFU，从不是一句口号，而是用行动写下的承诺。 Weekend reading Freedom of Money, I reached pages 180-182 about Binance’s May 8, 2019 hack where 7,000 BTC were stolen. It resonated with me. Coincidentally, one month before I joined Trust Wallet, the extension wallet was compromised during Christmas. CZ immediately tweeted that Trust Wallet would reimburse users, even before the issue was fully diagnosed. The investigation showed it was similar to 2019: hackers used malware to infect employee computers and injected malicious code into v2.68 (deprecated). The core seed phrase security was never breached — only users who opened the extension wallet in the few hours before the fix were affected. Today, Trust Wallet has strengthened security, daily active users are up, and 95% of affected users have been compensated. For the remaining vicitms who missed the deadline, CZ believes Trust Wallet should still accept claims with valid proof. Funds are SAFU — not just a slogan, but a promise backed by action.