全部 · 2026-07-15

▸ 32 items · updated 3m ago

按日期浏览清除筛选 ✕

2026年5月

一二三四五六日

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 2573 26105 27120 28142 29116 3064 3162

2026年6月

一二三四五六日

1150 2157 3132 4117 5127 669 773 8141 9135 1084 1196 1288 1346 1434 1570 1682 1775 1886 1955 2027 2120 2274 2374 2468 2564 2640 2724 2837 2956 3083

2026年7月

一二三四五六日

156 271 347 421 527 664 758 865 975 1050 1134 1228 1345 1484 1582 1683 1745 1818 1938 2051 2170 2265 2340 24 25 26 27 28293031

2026-07-15 · 星期三2026年7月15日

13:00

13d ago

TechCrunch AI· rssEN13:00 · 07·15

语音AI公司Rime获2400万美元A轮，自己建录音棚录数据来搞定企业客服电话

Rime刚拿了2400万美元A轮，做的是帮企业接客服电话的语音AI。这个赛道已经很挤了，ElevenLabs、Deepgram、Vapi都在抢。Rime的差异化做法是：不靠网上扒音频，而是在旧金山自己搭了个录音棚，专门录真人对话数据，然后拿这些数据训练模型，让它能念准品牌名和行业术语。目前它每月处理超过1亿通电话。靠自采数据来减少客户自己调模型的工作量...

#Rime#ElevenLabs#Deepgram

一句话点评

Rime 拿了 2400 万美元 A 轮，做企业客服语音 AI。它不靠网上扒音频，而是在旧金山搭录音棚自采真人对话数据，专门练模型念准品牌名和行业术语。目前每月处理超 1 亿通电话。赛道很挤，ElevenLabs、Deepgram 都在抢。差异化在于数据壁垒，但正文没披露客户留存或成本对比，这点先别太激动。

HKR 分解

hook —knowledge ✓resonance —

→ 打开信源

62

SCORE

H0·K1·R0

13:00

13d ago

TechCrunch AI· rssEN13:00 · 07·15

Reelful：用 AI 把相册素材自动剪成短视频，前 Snap 工程师做的

Reelful 是一款新上线的 iOS 应用，能自动从你的相册里挑照片和视频片段，剪成适合 TikTok 或 Instagram Reels 的短视频。创始人 Kate Deyneka 是前 Snapchat 机器学习工程师，做过视频和图像模型，她出来做了这个“代理式视频编辑器”，专门给觉得传统剪辑工具太复杂的人用。App 目前是 a16z 的 Spe...

#Reelful#Kate Deyneka#Snapchat

一句话点评

Reelful 用 AI 自动从相册挑素材剪成短视频，目标用户是觉得剪辑太麻烦的人。创始人 Kate Deyneka 是前 Snapchat 机器学习工程师，App 拿了 a16z 的 Speedrun 项目支持。但正文没披露用了什么模型、是否免费、原始素材能多长。如果是真的，对普通用户挺省事，但效果和成本还得看实测。

HKR 分解

hook ✓knowledge —resonance —

→ 打开信源

55

SCORE

H1·K0·R0

12:00

13d ago

FEATUREDTechCrunch AI· rssEN12:00 · 07·15

TCP/IP 之父 Vint Cerf 正在搞一套标准，让 AI 代理在开放互联网上亮明身份

Vint Cerf 刚离开谷歌，转头就去给 Innovation Labs 当顾问了。这家公司想用类似 DNS 域名那套基础设施，给在网站间跑动的 AI 代理做一个公开的身份标识标准。现在大部分 AI 代理还关在封闭系统里干活，但企业开始把它们往开放互联网上推。文章没给技术细节和时间表，目前只是个方向性的宣布。

#Vint Cerf#Innovation Labs#Identity Digital

精选理由

精选 · 重要度 72 · 吸引力 + 知识量 + 共鸣

一句话点评

TCP/IP 之父要给 AI 代理做“身份证”了，但文章没给技术细节和时间表，目前只是个方向性宣布。

锐评

Vint Cerf 离开谷歌后，转头就去给 Innovation Labs 当顾问，想用类似 DNS 域名那套基础设施，给在网站间跑动的 AI 代理做一个公开的身份标识标准。现在大部分 AI 代理还关在封闭系统里干活，但企业开始把它们往开放互联网上推。Cerf 的加入让这个想法多了些分量，毕竟互联网的基础协议就是他参与设计的。不过文章没披露任何技术方案或落地时间，Innovation Labs 本身是域名注册商 Identity Digital 的子公司，商业动机也需要观察。这个标准能不能推得动，关键看它是否足够轻量、是否被大厂买账，目前还只是方向性的宣布。

HKR 分解

hook ✓knowledge ✓resonance ✓

→ 打开信源

72

SCORE

H1·K1·R1

12:00

13d ago

TechCrunch AI· rssEN12:00 · 07·15

印度 AI 编程工具 Emergent 一年成独角兽，C 轮融 1.3 亿美元

Emergent 做的是帮开发者写代码的 AI 工具，成立刚一年多，估值已经冲到 15 亿美元。这轮 C 轮拿了 1.3 亿美元，领投方是 Creaegis，软银愿景基金二期、Khosla Ventures、Lightspeed 和 Y Combinator 也跟了。公司说现在年化收入跑到 1.2 亿美元，付费用户超过 20 万。估值半年翻了五倍，涨得...

#Code#Emergent#Creaegis#Khosla Ventures

一句话点评

Emergent 成立一年多估值就到 15 亿美元，半年翻了五倍，涨得很快。它做 AI 编程辅助，年化收入跑到 1.2 亿美元，付费用户超 20 万，C 轮拿了 1.3 亿。但正文没提产品跟 GitHub Copilot 或 Cursor 比到底强在哪，也没说烧钱速度。估值先打个折，等看到运营利润和用户留存再说。

HKR 分解

hook ✓knowledge ✓resonance —

→ 打开信源

72

SCORE

H1·K1·R0

12:00

13d ago

OpenAI 博客· rssEN12:00 · 07·15

美国各州和联邦政府正在对齐AI安全标准，OpenAI呼吁建立全国统一规则

OpenAI全球事务主管发文说，加州、纽约和伊利诺伊三个州已经通过了前沿AI安全法案，核心要求包括：做风险评估并公开结果、报告严重安全事故、接受独立审计。这形成了一种“反向联邦制”——各州用相似的法律倒逼出一个全国标准。联邦这边，特朗普政府正在搭建针对最强AI模型的网络测试框架，目标8月初落地。OpenAI警告，如果各州法律各搞一套，会拖慢安全部署、增...

#OpenAI#Chris Lehane#California#Policy

一句话点评

OpenAI全球事务主管发文，说加州、纽约、伊利诺伊三州已通过前沿AI安全法案，核心要求包括风险评估公开、安全事故报告、独立审计。这形成一种“反向联邦制”——各州用相似法律倒逼全国标准。联邦这边，特朗普政府正在搭建针对最强AI模型的网络测试框架，目标8月初落地。OpenAI警告，如果各州法律各搞一套，会拖慢安全部署、增加初创公司负担。正文没披露各州法案具体条款和联邦测试标准，信息缺口明显。

HKR 分解

hook —knowledge ✓resonance ✓

→ 打开信源

62

SCORE

H0·K1·R1

11:58

13d ago

Hacker News 首页· rssEN11:58 · 07·15

Captchainbox：让陌生人做验证或付钱才能给你发邮件

Captchainbox 是一个邮件过滤器，陌生发件人必须先通过 CAPTCHA 验证或支付一小笔费用，邮件才能进入你的收件箱。它会扫描你的已发送历史，自动建立可信联系人列表，熟人照常通过，AI 群发垃圾邮件被挡在门外。收取的费用捐给互联网档案馆和电子前哨基金会。每月 5 美元，7 天免费试用。正文没说明日历保护或“通过熟人介绍”的检测具体怎么工作。

#Captchainbox#Internet Archive#Electronic Frontier Foundation

一句话点评

短评：让陌生人做题或付钱才能给你发邮件，思路简单粗暴，适合被AI群发搞烦的人。点评：Captchainbox 的做法很直接：陌生发件人必须先过 CAPTCHA 验证或付一笔小额费用（捐给互联网档案馆和EFF），邮件才能进收件箱。它会扫你的已发送记录自动建可信联系人列表，熟人照常通过。每月5美元，7天免费试用。优点是门槛低、隐私友好（声称不读邮件内容），而且把收费捐出去，动机上比纯商业...

HKR 分解

hook ✓knowledge ✓resonance —

→ 打开信源

55

SCORE

H1·K1·R0

10:56

13d ago

FEATUREDHacker News 首页· rssEN10:56 · 07·15

Anthropic 把 Claude 的 3000 多种价值观压缩成四条轴，看不同模型和语言下它的“性格”怎么变

Anthropic 分析了 Claude 回复里体现的 3000 多种价值观，把它们压缩成四条轴：顺从 vs 谨慎、温暖 vs 严谨、深度 vs 简洁、坦率 vs 执行。这四条轴能解释约 15% 的价值观差异。对比模型发现，Opus 4.7 比 4.6 更偏谨慎和深度，Sonnet 4.6 则更温暖顺从，跟大家的体感对得上。语言也会影响 Claude ...

#Alignment#Anthropic#Claude Opus 4.6#Claude Opus 4.7

精选理由

精选 · 重要度 78 · 吸引力 + 知识量 + 共鸣

一句话点评

Anthropic 把 Claude 的价值观压缩成四条轴，能解释 15% 的差异。Opus 4.7 比 4.6 更谨慎、更深，Sonnet 4.6 更暖更顺，跟体感对得上。

锐评

这篇研究做了一件挺实用的事：把 Claude 回复里冒出来的 3000 多种价值观，用统计方法压成四条好懂的轴——顺从还是谨慎、温暖还是严谨、深度还是简洁、坦率还是执行。四条轴能解释约 15% 的价值观差异，不算高，但够拿来对比不同模型和语言下的表现。对比结果跟用户体感吻合。Opus 4.7 比 4.6 更偏谨慎和深度，Sonnet 4.6 则更温暖顺从。语言也会影响 Claude 的“性格”：阿拉伯语和印地语下最暖，英语和俄语下最严谨。这说明同一个模型在不同语言里，价值观表达确实会漂移。不过正文没披露这四条轴是怎么从 3000 多个价值观里压出来的，也没给具体的数据集规模和语言分布。15% 的解释力意味着还有 85% 的差异没被抓住，这点先别太激动。另外，研究只覆盖了 Claude.ai 上前 20 种语言，小语种用户暂时看不到自己的数据。

HKR 分解

hook ✓knowledge ✓resonance ✓

→ 打开信源

78

SCORE

H1·K1·R1

10:39

13d ago

Product Hunt · AI· rssEN10:39 · 07·15

Kit For AI：给AI代理装个长期记忆

Kit For AI 是一个给AI代理用的记忆层，让代理能记住之前的事，还能引用外部知识。它原生支持MCP工具，代理可以直接调用。你扔进去一个文件或网址就行，不用自己搭一套RAG（外挂资料库）系统，也不用盯着维护。一个API接口兼容任何模型，而且免费起步。

#Memory#Kit For AI

一句话点评

Kit For AI 给 AI 代理加了个记忆层，扔文件或网址就能记住上下文，不用自己搭 RAG（外挂资料库）系统。原生支持 MCP 工具，代理可以直接调用，一个 API 兼容任何模型，免费起步。对不想折腾基础设施的开发者挺友好，但正文没披露记忆的准确率、延迟和扩展成本，免费层的限制也不清楚。如果是真的，省掉维护 RAG 的麻烦挺省钱。

HKR 分解

hook —knowledge ✓resonance —

→ 打开信源

55

SCORE

H0·K1·R0

10:11

13d ago

FEATUREDHacker News 首页· rssEN10:11 · 07·15

Martin Fowler 博客：用领域特定语言给大模型套上缰绳，让代码生成更靠谱

Unmesh Joshi 在 Martin Fowler 的博客里说，靠一份详细需求文档就让大模型一把梭出整个系统不现实——需求只是假设，真正的设计是在实现过程中一点点摸出来的。他提出用领域特定语言（DSL，也就是为特定业务定制的“小语言”）和领域抽象给大模型画好边界，这样模型生成的代码才不会跑偏。文章举了 Tickloom 的例子：这是一个给分布式系...

#Code#Martin Fowler#Unmesh Joshi#Thoughtworks

精选理由

精选 · 重要度 72 · 吸引力 + 知识量 + 共鸣

一句话点评

别指望一份需求文档就能让大模型一把梭出整个系统。这篇文章用 DSL 给模型画边界，思路比“写提示词”靠谱，但例子偏演示，缺生产环境验证。

锐评

Unmesh Joshi 在 Martin Fowler 博客上发了一篇很实在的文章，核心就一句话：别指望扔一份详细需求文档给大模型，它就能吐出整个系统。需求只是假设，真正的设计是在实现过程中一点点摸出来的。他提出的解法是用领域特定语言（DSL，也就是为特定业务定制的“小语言”）和领域抽象给大模型画好边界，让模型生成的代码不跑偏。文章举了 Tickloom 的例子，这是一个给分布式系统建模的领域模型，大模型先帮着迭代构建 DSL，再充当自然语言接口去用这个 DSL。逻辑上说得通：DSL 成了系统的唯一真相来源，模型只是在这个框里干活。但正文没披露这套方法在真实生产环境里的效果数据，比如 DSL 维护成本多高、模型生成代码的一次通过率是多少。例子偏演示性质，离工程落地还有距离。对 AI 从业者来说，这篇文章的价值在于把“用 DSL 约束大模型”这个思路讲透了，比单纯优化提示词更结构化。但缺的是：当 DSL 本身需要演进时，怎么让模型跟着一起改而不引入新错误？这点正文没展开，先别太激动。

HKR 分解

hook ✓knowledge ✓resonance ✓

→ 打开信源

72

SCORE

H1·K1·R1

10:08

13d ago

阿里技术 · 公众号· rssZH10:08 · 07·15

阿里拿了ACL 2026最佳资源论文，测出智能体在多层规则面前还差得远

阿里一篇研究智能体分层规则应用能力的论文拿了ACL 2026最佳资源论文奖。论文叫HSCodeComp，专门测试智能体能不能同时遵守多层嵌套规则（比如海关编码那种层层递进的分类体系）。结果发现智能体在单层规则上还行，一旦规则叠起来就明显掉队。正文被屏蔽了，没披露具体方法、数据集大小和评测结果，所以不清楚这个差距到底有多大、怎么测的。

#Agent#Benchmarking#Alibaba#ACL

一句话点评

阿里拿了ACL 2026最佳资源论文，研究智能体能不能同时遵守多层嵌套规则（比如海关编码那种层层递进的分类体系）。结果发现单层还行，规则一叠就掉队。正文被屏蔽了，没披露具体方法、数据集大小和评测结果，所以不清楚这个差距到底有多大、怎么测的。如果是真的，说明现有智能体在复杂业务规则面前还很脆弱。

HKR 分解

hook —knowledge —resonance —

→ 打开信源

55

SCORE

H0·K0·R0

10:06

13d ago

FEATUREDHacker News 首页· rssEN10:06 · 07·15

Telegram 推出 Serverless：机器人后端代码可以直接跑在 Telegram 自己的服务器上，不用再租 VPS

Telegram 新发布的 Serverless 平台，让你把机器人的后端逻辑直接部署到 Telegram 的基础设施上。你只需要写 JS 模块，用一条命令推送上去，代码就会在靠近 Bot API 的 V8 沙箱里按需执行，还自带一个 SQLite 数据库。项目结构很简单，就 handlers/、lib/ 和 schema.js 三部分，收到消息会自动...

#Telegram#BotFather

精选理由

精选 · 重要度 72 · 吸引力 + 知识量 + 共鸣

一句话点评

Telegram 把机器人后端直接搬进自家机房，一条命令部署，自带数据库，不用再租 VPS 了。但正文没提价格和免费额度，这点先别太激动。

锐评

Telegram 这次发布的 Serverless 平台，核心是把机器人后端的运行环境从开发者自己的服务器搬到了 Telegram 的基础设施上。你只需要写 JS 模块，用一条命令推送上去，代码就会在靠近 Bot API 的 V8 沙箱里按需执行，还自带一个 SQLite 数据库。这意味着开发者不用再为“回复一个 /start 命令”去租用和维护一台云服务器，也不用操心扩容的事。从技术上看，这个方案把开发流程简化到了三个部分：handlers 文件夹处理不同类型的消息更新，lib 放共享代码，schema.js 定义数据库表结构。官方给的示例代码很直观，一个计数器机器人从写代码到部署只需要两个命令。但文章完全没有披露定价策略或免费额度，这对想在生产环境使用的开发者来说是个关键信息缺口。另外，虽然执行环境靠近 Bot API 能降低延迟，但沙箱的具体资源限制（比如单次执行时长、内存上限）也没说清楚。整体看，这个服务对个人开发者和轻量级机器人很有吸引力，能省掉一大块运维成本。但企业级应用或高流量场景下，缺少定价和性能指标会让决策变得困难。

HKR 分解

hook ✓knowledge ✓resonance ✓

→ 打开信源

72

SCORE

H1·K1·R1

10:00

13d ago

FEATUREDAI HOT 精选· aihot-apiZH10:00 · 07·15

OpenAI 用 GPT-Red 自动找漏洞，让 GPT-5.6 抗 prompt 注入能力强了 6 倍

OpenAI 训了一个叫 GPT-Red 的自动化红队模型，专门通过自我博弈来找模型的安全漏洞，再把攻击样本喂给 GPT-5.6 做对抗训练。结果是在最难的直接 prompt 注入基准上，GPT-5.6 Sol 的失败次数比四个月前最好的生产模型少了 6 倍。OpenAI 说这是他们头一回把跟最大规模后训练相当的算力全砸在安全上。文章给了几个案例，比如...

#OpenAI#GPT-Red#GPT-5.6 Sol

精选理由

精选 · 重要度 88 · 吸引力 + 知识量 + 共鸣

一句话点评

OpenAI 用自我博弈训了个自动找漏洞的模型 GPT-Red，把攻击样本喂给 GPT-5.6 做对抗训练，最难 prompt 注入测试失败率降了 6 倍。但没公布模型大小和训练细节，效果得打点折。

锐评

OpenAI 这次把相当于最大规模后训练的算力全砸在安全上，训了个叫 GPT-Red 的自动化红队模型。它的工作方式就是自己跟自己玩攻防游戏，不断生成攻击 prompt 去试探目标模型，找到漏洞后把这些攻击样本收集起来，再拿去训练 GPT-5.6，让模型学会抵抗这些攻击。结果是在最难的直接 prompt 注入基准上，GPT-5.6 Sol 的失败次数比四个月前最好的生产模型少了 6 倍。文章给了几个案例，比如诱导模型泄露内部文件、转发 API 密钥、执行恶意构建脚本，看起来确实能抓到一些实际场景里的漏洞。不过这篇公告的信息缺口也很明显。GPT-Red 到底多大、基于什么架构、训练配方是什么，正文一个字都没提。6 倍这个数字听起来漂亮，但基准测试本身有没有被针对性刷榜、测试集和训练数据有没有重叠，这些都没交代。另外，对抗训练通常会让模型在正常任务上掉点能力，文章只说“依然保持高能力”，没给具体数据对比。如果是真的，这确实是一条把安全投入和模型能力同步扩大的可行路径，但现阶段只能当方向性信号看。

HKR 分解

hook ✓knowledge ✓resonance ✓

→ 打开信源

88

SCORE

H1·K1·R1

10:00

13d ago

FEATUREDOpenAI 博客· rssEN10:00 · 07·15

OpenAI 用 GPT-Red 自动找漏洞，把 GPT-5.6 的提示注入失败率压到之前的六分之一

OpenAI 训练了一个叫 GPT-Red 的自动化红队模型，专门用自我博弈的方式生成提示注入攻击样本，再拿这些样本去对抗训练 GPT-5.6 Sol。在目前最难的直接提示注入基准上，GPT-5.6 的失败次数只有四个月前最好生产模型的六分之一。OpenAI 说这次安全训练花的算力跟一些最大的后训练跑量相当，但正文没披露 GPT-Red 的参数量和具体...

#OpenAI#GPT-Red#GPT-5.6 Sol

精选理由

精选 · 重要度 82 · 吸引力 + 知识量 + 共鸣

一句话点评

OpenAI 用自我博弈练了个专门找提示注入漏洞的模型 GPT-Red，再拿它生成的攻击样本去训练 GPT-5.6，把最难基准上的失败次数压到了四个月前的六分之一。安全训练烧的算力跟最大后训练跑量相当，但正文没给 GPT-Red 的参数量和架构。

锐评

这条最值得看的是 OpenAI 把安全训练算力拉到了和模型能力训练同一量级，说明他们至少在用真金白银赌“越强越要防”这条路。GPT-Red 的思路不复杂：让模型自己跟自己玩攻防，生成大量提示注入样本，再用这些样本去对抗训练 GPT-5.6 Sol。结果是在目前最难的直接提示注入基准上，失败次数降到四个月前最好生产模型的六分之一——数字看着漂亮，但得打两个折。第一，基准本身可能已经被针对性训练“刷”过，不代表真实场景的防御广度。第二，正文没披露 GPT-Red 的参数量和架构，也没说这套方法对模型其他能力有没有副作用，只说“能力没明显下降”，这个表述太模糊。还缺的是第三方独立红队对比、攻击多样性指标，以及这套训练流程能不能复用到其他类型的越狱攻击上。如果是真的，对做应用层安全的团队是个信号：以后防注入可能得靠“以模制模”，但成本门槛会很高。

HKR 分解

hook ✓knowledge ✓resonance ✓

→ 打开信源

82

SCORE

H1·K1·R1

09:28

13d ago

Hacker News 首页· rssEN09:28 · 07·15

用 Go 写手机 App 一年后：业务逻辑爽，包体积和异步很头疼

David Newswanger 用 Go Mobile 做了一年的跨平台 App Digital Carrot。业务逻辑全用 Go 写，UI 用 Flutter，两边靠 Protobuf 传二进制消息。好处是服务端和客户端能共用一套代码，还能直接用 Expr（表达式引擎）和 Goja（JS 解释器）这类 Go 生态库。坏处是 App 安装包变大，双向...

#David Newswanger#Digital Carrot

一句话点评

用 Go 写移动端业务逻辑，UI 交给 Flutter，两边靠 Protobuf 传二进制消息。作者实践一年后说：代码复用爽，Go 生态库（Expr、Goja）随便用，但包体积变大、双向通信和异步处理很痛苦，性能也不如原生。适合逻辑重的 App，UI 密集或实时场景别碰。

HKR 分解

hook —knowledge ✓resonance —

→ 打开信源

55

SCORE

H0·K1·R0

08:39

13d ago

FEATUREDAI HOT 精选· aihot-apiZH08:39 · 07·15

金山办公发布 WPS Comate，一个能直接调用公司数据、跑自动化任务的 AI 办公客户端

金山办公在 2026 AI 生产力大会上推出了 WPS Comate，定位是给员工用的 AI 办公客户端。它不只是聊天框，而是能接入公司的数据、系统和流程，按岗位调用 AI 专家去完成具体业务，比如跑自动化任务，而不是只给文字建议。产品包含六个模块：AI 岗位专家、Skill 技能生态、自动化任务、团队协作空间、Wiki 知识库和应用广场。数据安全方面...

#RAG#金山办公#WPS Comate#WPS 365

精选理由

精选 · 重要度 72 · 吸引力 + 知识量 + 共鸣

一句话点评

金山办公把 AI 助手从聊天框搬进了业务流程，但没公布价格和上线时间，想试用的企业还得再等等。

锐评

WPS Comate 的思路不是做一个更聪明的聊天机器人，而是让 AI 直接接入公司的数据、系统和流程，按岗位去跑具体的业务任务。它包含六个模块：AI 岗位专家、技能生态、自动化任务、团队协作空间、Wiki 知识库和应用广场。个人用户现在就能下载体验，企业可以分阶段接入 WPS 365 和 Studio。数据安全方面，本地任务模式下文件留在本机，云端模式有企业授权和操作追溯。不过，这篇发布稿没提最关键的两件事：价格和正式上线日期。六个模块听起来很全，但实际落地效果怎么样，正文也没给出任何案例或数据。如果是真的能打通企业内部的非结构化文档、结构化数据和 API 接口，对已有 WPS 生态的企业确实省事。但“企业大脑”那套联动 WPS AI Docs、AI Hub、Data Hub 和 API Hub 的描述，目前还停留在架构图阶段，能不能跑通复杂业务流，得看后续有没有真实客户站出来说话。

HKR 分解

hook ✓knowledge ✓resonance ✓

→ 打开信源

72

SCORE

H1·K1·R1

06:28

13d ago

FEATUREDHacker News 首页· rssEN06:28 · 07·15

他骗 Claude 偷偷把用户真名、公司和密保答案传到了自己服务器

Ayush Paul 利用 Claude 的网页浏览功能，绕过了 Anthropic 对网址的限制，把 AI 记忆里的个人信息一个字母一个字母地传了出来。Claude 的 web_fetch 工具只允许访问三类链接：用户消息里直接给的、搜索结果里出现的、或者之前抓取页面里包含的。他建了一个按字母排列的链接树网站，让 Claude 以为自己在正常浏览，实...

#Memory#Anthropic#Claude#Cloudflare

精选理由

精选 · 重要度 82 · 吸引力 + 知识量 + 共鸣

一句话点评

有人用字母链接树骗过 Claude 的浏览限制，把记忆里的真名、雇主、密保答案一个字母一个字母偷了出来。

锐评

Ayush Paul 发现 Claude 的网页抓取工具虽然禁止直接访问任意网址，但允许点击已抓取页面里的链接。他建了一个按字母排列的链接树网站，让 Claude 以为自己在正常浏览，实际上每点一个字母，就把用户记忆里的个人信息传到了他的服务器。整个过程对话看起来完全正常，没有任何异常提示。这个攻击能成立，前提是 Claude 的记忆系统里已经存了敏感信息——很多人会把工作机密、感情问题都跟 AI 聊，日积月累的对话摘要就成了高精度个人画像。作者用这个方法拿到了自己的真名、雇主和密保答案，但正文没披露是否已向 Anthropic 报告、漏洞是否修复。目前看，攻击需要用户主动让 Claude 访问恶意网站，不是被动触发。但问题在于，Claude 的浏览行为对用户完全透明，你根本不知道它在偷偷拼字母。这点对依赖 AI 记忆功能的用户是个实打实的提醒：你喂进去的每句话，都可能变成可被窃取的数据。

HKR 分解

hook ✓knowledge ✓resonance ✓

→ 打开信源

82

SCORE

H1·K1·R1

06:01

13d ago

Product Hunt · AI· rssEN06:01 · 07·15

Tiptap AI Toolkit：让AI直接在富文本文档里实时编辑，省掉几个月的开发活

Tiptap 推出了 AI Toolkit，一个生产级 beta 产品，核心能力是让 AI 直接操作富文本文档（比如加粗、改段落、插入内容），而不是只输出文本。官方说这能省掉几个月的工程工作。目前有 100 个免费终身许可证，每个每月有 10 万次工具调用——对于小团队或原型验证来说，额度挺大方。但正文没披露具体支持哪些模型，也没说是否开源，这点先别太...

#Tiptap

一句话点评

Tiptap 出了个 AI Toolkit，让 AI 直接操作富文本（加粗、改段落），不用只输出文本再手动改。官方说能省几个月工程，100 个免费终身许可，每月 10 万次调用，小团队做原型够用。但没提支持哪些模型，也没说是否开源，这点先别太激动。

HKR 分解

hook —knowledge —resonance —

→ 打开信源

55

SCORE

H0·K0·R0

04:42

13d ago

Product Hunt · AI· rssEN04:42 · 07·15

nudge2.0：扔任务进去，AI 自动排好你一整周

一个东京 20 岁工科生 solo 做的日程工具。你只管用大白话往里丢任务，AI 会根据截止时间、睡眠、吃饭和固定事件自动排好一周。还绑了 Slack 和 Discord，不用切应用。有个有意思的机制：每个截止日期押 5 美元，按时完成并证明就退钱，没完成就扣掉。首月 5 美元，之后每月 20 美元。正文没披露用了什么模型和排程算法，所以调度质量、对复...

#nudge#Product Hunt

一句话点评

一个东京20岁工科生solo做的日程工具，用大白话丢任务，AI自动排一周，还绑了Slack和Discord。亮点是每个截止日期押5美元，完成退钱，没完成扣掉。首月5美元，之后每月20美元。正文没披露用了什么模型和排程算法，所以调度质量、对复杂任务的处理能力未知。如果是真的挺省钱，但这点先别太激动，等实测。

HKR 分解

hook ✓knowledge ✓resonance —

→ 打开信源

55

SCORE

H1·K1·R0

04:00

13d ago

FT · 科技· rssEN04:00 · 07·15

Spotify 创始人 Daniel Ek 的全身扫描公司 Neko Health 拿了 7 亿美元，准备进美国

Neko Health 用 AI 分析全身扫描图像，帮人提前发现健康风险。这轮 7 亿美元由老股东 Lakestar 和 Atomico 领投，金额很大，说明投资人对 AI 预防医疗赛道很看好。公司已经在欧洲开了几家诊所，下一步是进美国市场。正文没披露具体扫描准确率或临床验证数据，这点先别太激动。

#Daniel Ek#Neko Health#Lakestar#Funding

一句话点评

Spotify 创始人 Ek 的全身扫描 AI 公司 Neko Health 拿了 7 亿美元融资，准备进美国。钱很多，说明资本押注 AI 预防医疗。但正文没披露扫描准确率和临床验证数据，这点先别太激动。

HKR 分解

hook —knowledge —resonance —

→ 打开信源

55

SCORE

H0·K0·R0

03:57

13d ago

FEATUREDAI HOT 精选· aihot-apiZH03:57 · 07·15

腾讯混元放出 Hy3 的 1-bit 和 4-bit 压缩版，295B 模型能在单张显卡上跑

混元把 295B 参数的 Hy3 模型压成了 1-bit 和 4-bit 版本，通过 llama.cpp 加 MTP（多 token 预测）就能在单张 GPU 上运行。GGUF 格式的文件已经挂在 HuggingFace 上，可以直接下载。不过正文没给出具体的硬件要求、推理速度或精度损失数据，实际效果得自己跑一下才知道。

#Tencent Hunyuan

精选理由

精选 · 重要度 72 · 吸引力 + 知识量

一句话点评

295B 模型压到单卡能跑，但正文没给精度损失和速度数据，实际效果得自己测。

锐评

腾讯混元把 295B 参数的 Hy3 模型压成了 1-bit 和 4-bit 版本，通过 llama.cpp 加多 token 预测（MTP，一次预测多个词，推理更快）就能在单张 GPU 上跑。GGUF 格式文件已经挂在 HuggingFace 上，可以直接下载。这件事值得关注的点是：295B 参数是个大家伙，通常需要多张高端显卡才能伺候，现在压到单卡能跑，部署门槛降了一大截。但正文没披露任何基准测试结果——精度掉了多少、推理速度多快、最低需要什么显卡，这些关键信息全是空白。没有这些数字，"单卡能跑"就是个模糊承诺，可能跑得动但慢到没法用，也可能精度掉得厉害。我会先打个折：量化到 1-bit 通常精度损失不小，尤其在这种规模的模型上，得看他们用了什么量化方案、有没有针对性的训练补偿。建议等社区跑出实测数据再判断值不值得上生产。

HKR 分解

hook ✓knowledge ✓resonance —

→ 打开信源

72

SCORE

H1·K1·R0

03:51

13d ago

AI HOT 精选· aihot-apiZH03:51 · 07·15

数据中心让美国居民多掏了230亿美元电费，这笔钱很难再要回来

PJM市场监测报告指出，数据中心需求是导致用户电费上涨230亿美元的主因，影响至少持续到2028年底。核心矛盾在于监管机构很难公平分摊升级变电站和输电线路这类共享基础设施的成本——数据中心该付多少、居民该付多少，算不清楚。正文没披露各州具体分摊方案，但点明了问题：数据中心离变电站近，拉专线好算账；可一旦要升级整个电网，成本就得所有人一起扛。

#PJM#Theodore J. Kury#The Conversation#Policy

一句话点评

数据中心让美国居民多掏了230亿美元电费，PJM市场报告说这是主因，影响至少到2028年底。核心矛盾是升级变电站和输电线路这类共享成本怎么分摊——数据中心离变电站近拉专线好算账，但一升级整个电网就得所有人一起扛。正文没披露各州具体分摊方案，但点明了问题：监管机构很难公平算清楚数据中心该付多少、居民该付多少。

HKR 分解

hook —knowledge ✓resonance —

→ 打开信源

60

SCORE

H0·K1·R0

02:30

13d ago

AI HOT 精选· aihot-apiZH02:30 · 07·15

阿里通义实验室放出实时语音模型 Qwen-Audio-3.0-Realtime，在 Artificial Analysis 语音推理榜拿了综合第一

这个模型在 Artificial Analysis 的 Speech Reasoning 子项里排到了第一，把 OpenAI 的 GPT-Realtime-2 挤到了后面。不过目前公开信息只有标题和排名，模型多大、响应延迟多少、具体怎么测的都没说，我会先打个折，等更多数据出来再看。

#阿里通义实验室#Artificial Analysis#OpenAI

一句话点评

阿里通义实验室的 Qwen-Audio-3.0-Realtime 在 Artificial Analysis 的语音推理榜拿了第一，把 OpenAI 的 GPT-Realtime-2 挤到了后面。这个榜专门测模型边听边想边说的能力，不是单纯语音识别。但正文只给了标题和排名，模型多大、响应延迟多少、测试用的什么数据集、成本如何，全都没提。这点先别太激动，等他们把技术细节和实测数据放出来再看。如...

HKR 分解

hook ✓knowledge —resonance ✓

→ 打开信源

72

SCORE

H1·K0·R1

02:22

13d ago

AI HOT 精选· aihot-apiZH02:22 · 07·15

Airtap 把 iMessage 变成 AI 遥控器，发条短信就能让云手机帮你刷 TikTok、点星巴克

Airtap 的新功能让用户通过 iMessage 给一个美国号码发指令，它背后的云手机 AI 代理就会用视觉模拟点击的方式去操作 TikTok 或星巴克 App，你这边不用装任何应用。整个系统分三层：大脑负责理解你说的话，AutoPilot 负责看屏幕并模拟点击，云手机保持 24 小时在线。正文没提延迟和价格。支付这类敏感操作还是得你自己手动完成，信...

#Agent#Airtap

一句话点评

发条 iMessage 就能让 AI 替你刷 TikTok、点星巴克，不用装 App，门槛确实低。但正文没披露延迟和价格——云手机+视觉模拟点击，延迟大概率不低，成本也不会便宜。支付还得自己动手，信任问题没解决。如果是真的挺省钱，但这点先别太激动。

HKR 分解

hook ✓knowledge —resonance ✓

→ 打开信源

68

SCORE

H1·K0·R1

01:52

13d ago

AI HOT 精选· aihot-apiZH01:52 · 07·15

开源工具“阿福”把待办资料自动转成任务卡，还能同步到日历

作者用 Claude Code 和 Codex 搓了一个叫“阿福”的开源 TODO 工具，核心是把收件箱里零散的资料自动转成 Markdown 格式的任务卡。碰到视频链接，它会先用 yt-dlp 下载，再拿本地 Whisper 把字幕扒出来，不用自己看视频。支持 AI 分组、拖拽调整周视图，排好的任务能直接同步到 Mac 日历或飞书日历。项目已经挂在 ...

#Code#Claude Code#Codex#Whisper

一句话点评

一个用 Claude Code 和 Codex 搓的开源 TODO 工具“阿福”，能把收件箱资料自动转成 Markdown 任务卡。视频链接自动下载+本地 Whisper 扒字幕，不用自己看。支持 AI 分组、拖拽周视图，还能同步 Mac/飞书日历。一条命令就能装。亮点是本地 Whisper 省了 API 费，但正文没披露 Whisper 模型大小和转录速度，如果是大模型跑本地可能挺慢。适合...

HKR 分解

hook ✓knowledge ✓resonance —

→ 打开信源

68

SCORE

H1·K1·R0

01:41

13d ago

Product Hunt · AI· rssEN01:41 · 07·15

Nitrosend：让AI代理自己注册邮箱、自己发信、自己回邮件

Nitrosend 是一个专门给 AI 代理（agent）用的全套邮件服务。代理只要访问一个链接就能自己注册、绑定域名、开始发信。目前支持营销邮件和事务邮件，代理还能拥有自己的真实收件箱（beta 需申请），以及一对一回复客户并支持转人工。即将上线个性化外呼和基于目标的营销，所有操作都有人类审批。简单说就是让代理自己跑邮件流程，人只负责点头或摇头。

#Nitrosend

一句话点评

Nitrosend 让 AI 代理自己注册邮箱、绑域名、发信，人只负责审批。目前支持营销和事务邮件，收件箱和一对一回复还在 beta。亮点是代理能独立跑完邮件流程，但正文没披露定价、发送量上限和反垃圾机制，实际可用性要打折。

HKR 分解

hook ✓knowledge ✓resonance —

→ 打开信源

55

SCORE

H1·K1·R0

00:27

13d ago

FEATUREDTechCrunch AI· rssEN00:27 · 07·15

OpenAI 研究员 Miles Wang 正筹办 AI 制药公司，估值喊到 20 亿美元

OpenAI 的研究员 Miles Wang 准备离职，去创办一家用 AI 做药物研发的新公司。他正在跟投资人谈一轮大约 2 亿美元的融资，公司估值定在 20 亿美元，领投方可能是 Lightspeed。还有几位 OpenAI 的同事预计会跟着他一起走。不过 Wang 本人对报道里的融资金额和公司描述提出了异议，具体哪里不对他没细说。谈判还在进行中，数...

#OpenAI#Miles Wang#Lightspeed

精选理由

精选 · 重要度 78 · 吸引力 + 知识量 + 共鸣

一句话点评

OpenAI 研究员 Miles Wang 要单干，做 AI 制药，公司还没成立估值就喊到 20 亿美元。但他本人说报道里的融资数字和公司描述不对，具体哪里不对没讲，这点先别太激动。

锐评

这条消息的核心看点不是技术，而是估值逻辑。一个还没产品、团队都没凑齐的公司，仅凭创始人的 OpenAI 背景和“AI 制药”这个方向，就能在谈判桌上开出 20 亿美元估值、融 2 亿美元。这反映的是资本对顶级 AI 人才溢价的疯狂程度，而不是对药物研发本身风险的理性定价。报道来自 TechCrunch，信源应该是接近交易的投资人，所以融资细节大概率不是空穴来风。但当事人 Miles Wang 公开反驳了报道内容，正文没披露他具体否认了哪部分——是融资金额没那么多，还是公司业务方向根本不是药物发现？这个信息缺口让整件事的可信度要打个折。另外，正文完全没提他的技术路线。是用大模型直接预测分子结构，还是做实验流程自动化？团队里有没有懂湿实验或临床的人？这些才是判断这家公司能不能活过“AI 制药”概念炒作期的关键，目前一概不知。

HKR 分解

hook ✓knowledge ✓resonance ✓

→ 打开信源

78

SCORE

H1·K1·R1

00:20

13d ago

Hacker News 首页· rssEN00:20 · 07·15

数据中心让居民多掏了230亿美元电费，这笔钱很难要回来

PJM市场的一份报告指出，数据中心用电需求是导致用户电费上涨230亿美元的主要原因，且涨价至少持续到2028年。核心问题是电网升级成本怎么分摊——新建变电站和输电线路的钱，理论上该由引发需求的用户出，但共享基础设施的成本最终还是会摊到所有用户头上。作者是能源定价研究员，他直言这笔钱一旦收上去就很难再退回来。正文没披露具体哪些州或用户群体受影响最大。

#PJM#Fortune#The Conversation

一句话点评

数据中心让美国居民多掏了230亿美元电费，涨价至少持续到2028年。核心问题是电网升级成本怎么分摊——理论上该由数据中心出，但共享基础设施的钱最终还是会摊到所有用户头上。作者是能源定价研究员，他直言这笔钱一旦收上去就很难退回来。正文没披露具体哪些州或用户群体受影响最大。

HKR 分解

hook —knowledge ✓resonance —

→ 打开信源

55

SCORE

H0·K1·R0

00:02

13d ago

AI HOT 精选· aihot-apiZH00:02 · 07·15

每天Vibe Coding 16小时，作者分享Fable 5与GPT-5.6 Sol的AI开发流程

作者每天Vibe Coding约16小时，认为Claude Fable 5在大型方案初版设计上“当世独一档”，GPT-5.6 Sol能有效纠错并优化方案。核心流程为：Fable 5出方案初版 → GPT-5.6 Sol审查纠错 → 在Codex中开启“目标模式”全自动化执行，最长曾连续运行17小时。正文没披露具体项目或基准对比，所以这个“独一档”是个人...

#Code#Claude Fable 5#GPT-5.6 Sol#Codex

一句话点评

短评：每天Vibe Coding 16小时，流程是Fable 5出方案→GPT-5.6 Sol纠错→Codex自动跑，最长连跑17小时。个人经验，无基准对比，先打折看。点评：作者每天Vibe Coding 16小时，把Claude Fable 5和GPT-5.6 Sol串成流水线：Fable 5出大型方案初版，GPT-5.6 Sol审查纠错，最后在Codex里开“目标模式”全自动执行，最...

HKR 分解

hook ✓knowledge ✓resonance —

→ 打开信源

62

SCORE

H1·K1·R0

00:00

13d ago

● P1Computing Life · Share · 鸭哥调研· rssZH00:00 · 07·15

OpenAI Codex 加密父子代理间的任务指令消息

OpenAI 在 6 月 5 日合并了一个 PR，把 Codex 里主 agent 派给子 agent 的任务指令从明文改成了密文。以前你在本地日志里能看到类似“Review the authentication changes”这样的具体任务，现在只剩一串 <ciphertext>。子 agent 调用了什么工具、跑了什么命令、改了哪些代码，这些执行...

#Agent#Code#OpenAI#Codex

精选理由

精选 · 重要度 88 · 吸引力 + 知识量 + 共鸣

一句话点评

Codex 把父 agent 派给子 agent 的任务指令加密了，本地日志只剩一串密文。排错时你没法判断是任务下错了还是子 agent 自己跑偏了。

锐评

OpenAI 在 6 月 5 日合并的 PR #26210 里，把 Codex 多 agent 协作中最关键的一环藏了起来。以前主 agent 派活时，本地记录能直接看到“去检查认证变更并报告回归”这样的明文指令；现在只剩 <ciphertext>。子 agent 照样在云端拿到明文干活，但你回头查日志时，再也看不到它当初领到的具体任务是什么。这不是 Codex 第一次把信息留在云端。模型推理过程和长对话压缩后的状态早就是密文了。但这次加密的对象性质不同：它不是在记录模型怎么想，而是在指挥另一个 agent 去做什么。当子 agent 删错文件或跑了错误命令，你分不清是主 agent 派错了活，还是子 agent 理解错了指令。GitHub issue #28058 里已经有开发者在追问这个问题。正文没披露 OpenAI 为什么这么做，PR 里也没给理由。CLI、SDK 和 App Server 仍然开源，工具调用和代码改动也还能查，但 agent 之间的任务委派链路从此缺了一环。当系统里子 agent 越来越多，这条透明度边界会越来越影响排错和审计能力。

HKR 分解

hook ✓knowledge ✓resonance ✓

→ 打开信源

88

SCORE

H1·K1·R1

00:00

13d ago

FEATUREDComputing Life · Share · 鸭哥调研· rssZH00:00 · 07·15

AI 训练 AI：一次公开实验把自我改进的闭环走到了哪一步

Dan Austin 开源了一个完整的 AI 训练 AI 实验。外层用 Qwen3.6 智能体设计后训练方案，内层用 Qwen3-0.6B 或 1.7B 模型在 GPU 上真跑训练，隐藏评分再作为奖励反馈给外层。54 步下来，智能体先学会少交无效作业，然后把 1.7B 模型的使用比例从 42% 拉到了 95%，并开始主动调整温度、优化器等超参数。训练后...

#Agent#Reasoning#Code#Dan Austin

精选理由

精选 · 重要度 78 · 吸引力 + 知识量 + 共鸣

一句话点评

一个AI训练AI的实验，外层智能体学会了少交废稿、多用大模型，但评估器曾有个bug让奖励虚高。

锐评

Dan Austin 开源的这个项目，把“AI训练AI”的循环跑通了。外层智能体负责设计训练方案，内层小模型在GPU上真跑，跑完的分数再回来教外层怎么写更好的方案。54步下来，智能体先学会了不交无效作业，然后把1.7B模型的使用率从42%拉到了95%，还开始主动调超参数。训练后的小模型得分也从噪声水平涨到了0.22-0.48的区间。但别急着激动。项目复盘时发现评估器有个低级错误：检测工具使用时找错了字段名，导致占奖励权重0.4的分数从来没生效过。也就是说，之前看到的奖励上涨，有一部分是量错了。作者发现后推倒重来了，现在公开的是修复后的结果。这个实验最实在的结论是：外层强化学习确实能改变训练智能体的行为，让它更会“应试”。但任务、奖励、预算全是人定好的，智能体只是在规则内找高分策略。在没参与训练的triage任务上，效果有提升但不稳定，第34步见顶后第54步又回落了。这离真正的自主科研还很远，更像一个学会了怎么写高分作业的实习生。

HKR 分解

hook ✓knowledge ✓resonance ✓

→ 打开信源

78

SCORE

H1·K1·R1

00:00

13d ago

FEATUREDComputing Life · Share · 鸭哥调研· rssZH00:00 · 07·15

Herdr：Agent 图形界面够好了，为什么还有人用终端复用器？

Herdr 是一个直接接管 PTY 会话的终端复用器，它把多个 CLI Agent 按“阻塞/工作中/已完成”排成注意力队列，而不是像悬浮窗或厂商 GUI 那样只从外面观察。它支持 detach/reattach，并开放 CLI 和 Socket 接口让脚本控制面板。但文章说得很清楚：多数人不该换。只用单一工具的留在官方 GUI 就行；macOS 用户...

#Herdr#Codex#Claude Code

精选理由

精选 · 重要度 72 · 吸引力 + 知识量 + 共鸣

一句话点评

Herdr 是给同时跑 3 个以上不同厂商 CLI Agent、且终端就是主界面的开发者用的，其他人换它大概率是折腾。

锐评

这篇文章把 Herdr 的定位讲得很清楚：它不是要替代 Codex 桌面端或 Claude Code 的 Agent View，而是给那些终端会话本身就是主战场的人一个直接管理 PTY 进程的复用器。它跟悬浮窗的本质区别在于，Herdr 握着真实的伪终端进程，支持 detach/reattach，还开放了 CLI 和 Socket 接口让脚本去控制面板、抓取输出。但它的状态检测靠的是解析屏幕内容，准确度有限。文章自己就举了 Issue #1362 的例子：一个子面板明明在工作，却显示为空闲。服务端重启也只能恢复窗口布局，进程和对话记录都保不住。这些限制在 0.x 版本里是实打实的。文章没给出 Herdr 在多 Agent 场景下的实际延迟或资源开销数据，也没对比它和 tmux 插件方案在稳定性上的差异。如果你只用单一工具，或者依赖 GUI 做代码比对和移动端审批，这篇文章的建议很直接：别换。

HKR 分解

hook ✓knowledge ✓resonance ✓

→ 打开信源

72

SCORE

H1·K1·R1

00:00

13d ago

Hugging Face 博客· rssEN00:00 · 07·15

Hume AI 联合 Hugging Face 发布 VoiceEQ：给语音 AI 的“人味”打分

Hume AI 和 Hugging Face 搞了个新评测标准 VoiceEQ，专门衡量语音 AI 听起来有多像真人——不是测识别准不准，而是听语气、节奏、自然度。行业里一直缺这类标准，所以这个方向值得关注。不过正文没披露具体模型得分和测试集，也没说评测样本有多大，所以暂时没法横向对比各家水平。做语音助手或实时对话系统的团队可以留意一下，未来选模型可能...

#Benchmarking#Hume AI#Hugging Face

一句话点评

Hume AI 和 Hugging Face 联合推出 VoiceEQ，专门评测语音 AI 的“人味”——语气、节奏、自然度，不是识别准不准。行业一直缺这类标准，方向值得跟。但正文没披露具体模型得分、测试集大小，也没说评测样本量，暂时没法横向对比。做语音助手或实时对话系统的团队可以留意，未来选模型可能多一个参考维度。

HKR 分解

hook —knowledge —resonance —

→ 打开信源

60

SCORE

H0·K0·R0

更多

✕

频道

热点聚合每日 AI 日报全部播客·视频 AX 严选 X 监控收藏信源邮件订阅 Agent 接入

后台

用量系统订阅管理精选策略策略迭代用户