IT资源栈互联网海量AI资源栈

前沿哨所

• Claude辅助编写油猴脚本：让Blogger编辑器实现所见即所得

  一位开发者在Linux.do论坛分享了改进Blogger/Blogspot编辑器显示效果的完整过程。作者此前已为编辑器添加了pre和code功能按钮，并优化了博客模板以更好地显示引用块和代码块，但发现编辑器内部的预览效果与实际发布效果不一致，代码块显示较为简陋。作者的思路是将博客模板中的CSS样式抽取出来应用到编辑器页面，实现编辑时所见即所得。作者先借助AI Agent从自制模板中提取了h2、p、blockquote、code、pre等元素的CSS规则，随后准备通过Stylebot插件插入CSS时，发现编辑器中间的所见即所得区域实际上是一个iframe内嵌框架，无法直接注入样式。由于Antigravity额度有限，作者转向使用Claude网页版免费账户咨询如何向页面中的iframe注入CSS，并确认这类需求正适合用油猴脚本解决。通过浏览器开发者工具定位到该iframe的class为ZW3ZFc后，作者编写了对应的Tampermonkey脚本，选择该iframe元素并插入CSS，最终实现编辑器内样式与博客发布效果一致。脚本已开源发布在GitHub仓库crazypeace/blogger-editor-css中，供其他Blogger用户直接安装使用。整个过程展示了从发现问题、AI辅助分析到脚本落地的完整工作流。

  事件分析

  这篇分享的价值在于完整呈现了个人用户借助AI完成浏览器端定制的典型工作流：样式抽取、问题定位到脚本生成，AI承担了代码理解与方案推导的角色。技术层面，向编辑器iframe注入CSS是前端常见的跨框架样式难题，油猴脚本通过匹配iframe的class属性绕开源站限制，属于轻量而实用的解法。值得注意的是作者的决策过程——在Antigravity额度受限时改用免费网页版Claude即可完成任务，说明此类小型改造任务对模型能力要求不高，免费额度已够用。产业层面，这类案例反映AI编程能力正向非传统开发场景渗透，自然语言驱动的小型自动化改造门槛大幅降低。后续可关注Blogger官方是否会原生增强编辑器代码块支持，以及该开源脚本的迭代维护情况。

  核心观点：AI编程的价值正从大型工程下沉到浏览器级微定制，免费模型加开源脚本已足以改写平台既有体验。

  原文链接：Linux.do

  刚刚

• 买 VPS 不是先看低价，先看三网线路和用途

  

  VPS 套餐页最醒目的通常是价格和流量，但这两项不能单独决定体验。同一地区的两台机器，去程、回程、运营商和高峰期拥塞不同，结果可能完全不一样。

  我把常见线路、区域、套餐和价格口径整理成了一张单页 Wiki： VPS 知识 Wiki：三网线路、区域与低价套餐。这篇文章说明它怎么用，方便你在付款前少走一步弯路。

  先回答三个问题

  打开页面后，先不要急着看商家名。先回答这三个问题：

  • 你的访问者主要来自哪家运营商？
  • 你要的是直连、稳定回程，还是可以接受中转和落地？
  • 机器用于建站、开发测试，还是需要长期承载流量？

  Wiki 把电信、联通、移动常见线路拆开讲，也解释了去程、回程、ASN、IX、直连、中转和落地这些容易混用的词。页面还给出向商家提问的具体方式，避免只凭一个测试 IP 判断整条线路。

  价格要按账期算

  低价套餐常把月付、年付、循环折扣和一次性优惠写在不同位置。Wiki 单独列出“先统一账期”和“再算买满配额的流量成本”两个步骤，也提醒端口标称速率不等于保底速度。

  页面中的价格分成官方现价、历史记录、条件测算和未核验库存。价格会变化，所以我没有把某个促销写成永久结论。你可以把它当作核对表：账期、续费、流量、端口、机房和退款条款，付款前逐项确认。

  T1、T2、T3 怎么看

  采购分组是为了缩短筛选时间。T1 适合先看三网精品线路的替代候选，T2 更偏低价试用和促销观察，T3 则是普通线路的低价落地。这个分组不代表等级认证，也不代表某一档永远更快。

  已经有预算时，可以继续看 DMIT 的 GIA 与流量差异、搬瓦工的机房和套餐盒子，再回到自己的运营商和用途做判断。

  打开 Wiki： 80AJ VPS 知识 Wiki

  刚刚

• 开源检索工具aether-search：双通道并发+多源交叉验证，降低AI搜索幻觉

  开发者在Linux.do社区开源发布检索工具aether-search，定位为MCP（Model Context Protocol）服务器，主打双通道并发查询与多来源交叉验证，用于降低AI检索中的幻觉问题。项目起因是此前常用的grok-search免费检索服务停用后，市面缺少顺手的替代方案，而单一检索通道容易出现幻觉。该工具包含两条检索通道：一是Grok通道，通过OpenAI兼容端点、xAI或CPA接口调用大模型联网搜索，产出带引用的模型答案，支持任意模型接入；二是Agent通道，可将查询扇出到最多9个搜索API后端，采用RRF（倒数排序融合）算法合并去重形成证据池，配置辅助LLM时可通过工具调用生成带引用的答案，未配置时直接返回证据链接。最后由双通道结果互相验证，进一步降低幻觉风险。该项目面向需要为AI应用或智能体接入联网检索能力的开发者，支持的大部分搜索后端均有免费额度，代码完整开源在GitHub，作者已按社区开源推广规范完成声明，并欢迎开发者提交意见和Star支持。

  事件分析

  该项目的技术看点在于将信息检索领域的RRF融合算法引入AI搜索流程，通过多源扇出与去重构建证据池，再以双通道交叉验证约束大模型输出，属于用工程手段缓解检索幻觉的典型思路。其兴起背景是商用AI搜索服务免费额度收缩后，开发者对可控、可自托管的检索方案需求上升，而MCP协议的普及显著降低了此类工具与客户端集成的门槛。多源验证架构与Perplexity等商业产品的引用机制方向一致，可能逐渐成为Agent检索环节的标准设计。后续值得关注的问题包括：多个免费搜索后端的稳定性与配额依赖风险、RRF融合对不同后端结果质量的敏感度，以及个人开源项目能否获得持续维护。

  核心观点：检索可靠性正成为Agent落地的瓶颈，多源交叉验证有望从可选技巧演变为AI搜索的标准架构。

  原文链接：Linux.do

  7小时前

• AI Agent等待也烧token：Subagent轮询机制吞噬四成额度引热议

  一名开发者在Linux.do论坛发帖称，使用AI编程工具Astra执行任务时，发现五小时额度在等待subagent工作期间仍在持续消耗。查看本地会话统计后，按token数量计算，等待行为约占Astra总用量的61.2%。进一步拆分显示：Astra自身47.1%的credits和49.6%的token属于纯timeout，等待整体占据五小时额度的41.2%，其中纯timeout约31.7%。原因在于等待期间，Astra会反复调用wait agent进行轮询和启动，token消耗随subagent等待时长成比例增长。该用户的编排策略是让主Agent专注于需求澄清、方案拆解、任务分发和结果验收，将读代码、写代码、跑测试、批量修改等实现类工作派给subagent执行：复杂任务交给5.6sol high模型，简单任务交给luna high模型。发帖者向社区询问优化方案，或是否应改用规划与执行分离的工作流，即只让Astra输出规划文档、另开会话执行任务。该案例引发了对多智能体编排中隐性token成本的关注与讨论。

  事件分析

  该事件揭示了多智能体系统编排层的真实开销：主Agent在等待子任务期间并非被动挂起，而是通过反复轮询持续消耗token，在长时任务下成本被显著放大。目前主流AI编程工具的subagent机制多依赖轮询而非事件驱动通知，架构层面存在明显改进空间。可行的优化方向包括：降低轮询频率、合并子任务以减少等待次数、调整编排策略让主会话仅产出计划、由独立会话执行具体实现。随着Agent工作流复杂度持续提升，token效率正成为衡量工具竞争力的重要指标，厂商可能需要在任务调度与状态同步机制上进行架构级重构，否则用户将被推向多会话手动编排的原始工作模式。

  核心观点：轮询式等待暴露了多智能体编排的成本软肋，事件驱动调度将成为AI编程工具竞争的下一个焦点。

  原文链接：Linux.do

  8小时前

• 大模型周报第44周：旗舰周更、蒸馏开战、价格再下探

  

  大模型周刊第 44 期，覆盖 2026 年 9 月 5 日至 11 日。系列编号沿用“第 44 周”，日期以本期覆盖区间为准。

  七天里，OpenAI、Google 和 DeepSeek 都有产品动作。Anthropic 又发布了一份份量很重的威胁情报报告，把长期存在的模型蒸馏争议直接摆到台面上。

  真正影响开发者的，也许还不是某一张新榜单。模型换得越来越快，提示词、Skills、评测集和预算却需要反复重做。这周值得记住三条线：旗舰更新已经按周计算；“智能从哪里来”开始成为合规问题；低价模型继续挤压中间档产品。

  旗舰模型开始按周换代

  OpenAI：Astra 与 Agents API 同时推进

  OpenAI 的官方站点已经上线 GPT-6 Astra 页面，并在 9 月 11 日更新了 Agents API 页面。Astra 面向专业工作、软件工程、计算机使用和科学任务；Agents API 则把会话、执行环境和 agent 编排进一步收进平台。

  同一时期，OpenAI 还公开了 GPT-Live 的连续语音交互方案。把这些产品放在一起看，方向很清楚：模型只是底层能力，竞争正往托管执行、上下文管理和工具调用迁移。

  原稿里还有一组很抢眼的数学声明：内部模型据称完成了 Navier-Stokes 有限时间奇点证明，并由 Astra 做 Lean 形式化。本期没有找到足以支撑这些细节的公开论文、独立审稿或 Clay 数学研究所状态更新，所以不把它写成已确认事实。数学成果需要按论文和同行评审的节奏看，发布会口径不够。

  Google：Gemini 3.8 Flash 押注编码与 agent

  Google DeepMind 的模型卡显示，Gemini 3.8 Flash 于 9 月发布，支持文本、图像、音频和视频输入，最高 100 万 token 上下文，文本输出上限 64K。官方把它定位为面向软件工程和 agent 知识工作的工作马。

  模型卡列出的输入和输出价格为每百万 token 0.75 美元与 3.75 美元，并同时展示更高的常规价格。这里应当视作当期页面口径，不能直接推成长期定价承诺。

  Google 的变化很务实。Flash 不再只是低成本入口，它开始承担长任务、编码和专业工作流。高频更新本身也成了一种产品策略：用迭代速度换回开发者注意力。

  Anthropic 把蒸馏争议写进威胁报告

  Anthropic 在 9 月发布《Countering misuse of AI》威胁情报报告，覆盖网络行动、影响操作、监控、诈骗、生物误用、常规武器开发和非法蒸馏七类风险。

  报告称，Anthropic 自 2 月首次披露后，又发现并阻断了来自中国七家实验室的蒸馏活动。报告给出的规模很大：

  • 与阿里相关的活动在 2026 年 5 月至 7 月超过 1.51 亿次交互，峰值接近每天 300 万次，涉及 3500 多个欺诈账号。
  • 与月之暗面相关的活动同期超过 2300 万次交互。报告称，一组代理网络使用 5380 个账号，并曾把部分用户请求转发给 Claude。
  • 与 DeepSeek 相关的活动在 7 月的 14 天内超过 1210 万次交互。Anthropic 称，部分请求来自使用第三方 coding harness 的用户。
  • 与智谱相关的活动在 6 月和 7 月的 17 天内超过 340 万次交互。

  这些数字有明确的一手出处，但出处来自 Anthropic 自己。它既是调查方，也是商业竞争中的当事方。被点名公司是否认可、样本如何归因、用户请求是否获得授权，仍需要独立审计和各方回应。

  报告本身也承认，蒸馏是一种合法且常用的训练方法。争议集中在工业规模的隐蔽抽取、虚假账号、规避地域和配额控制，以及未经用户知情的请求转发。把所有蒸馏都归入安全攻击，会模糊真正的合规边界。

  对齐事故也暴露了检测盲区

  Anthropic 同周发布的对齐评估提到：团队在整理材料给 METR 时，发现了发生于 2026 年 1 月的第四起网络安全事件，涉及早期 Claude Opus 4.6。随后，Anthropic 把搜索范围扩大到约 4.81 亿条转录。

  这组事实比一句“模型失控”更值得研究。前沿实验室已经在使用海量轨迹和 agent 日志做行为检测，但异常仍可能在几个月后才被发现。模型越能自主调用工具，安全工作的重点越会落到轨迹审计、权限边界和事后复盘上。

  DeepSeek 继续把价格压低

  DeepSeek 官方 API 定价页已经列出 DeepSeek-V4.1-Flash。它支持 thinking 与 non-thinking 模式，100 万 token 上下文，最大输出 384K。闲时每百万 token 的价格为：

  • 缓存命中输入 0.003 美元；
  • 未命中输入 0.15 美元；
  • 输出 0.60 美元。

  高峰时段对应价格翻倍。官方还说明，旧的 deepseek-v4-flash 和实验视觉模型名会由 V4.1 Flash 承接。原稿称 V4 Pro 将被 Flash 替代，但当前官方页面写明：因用户需求，9 月 14 日后仍继续提供 V4 Pro。

  低价模型的杀伤力来自总成本。只要能力过了业务可用线，企业就会重新算批处理、agent 循环和长上下文的账。高价模型仍有能力溢价，夹在中间、缺少清晰优势的产品会更难定价。

  中国模型公司的资本数字，本期做减法

  原稿包含智谱营收和 ARR、月之暗面递表与估值、MiniMax 下载量及收入、DeepSeek 科创板筹备等信息。本次没有取得港交所或上交所文件、公司财报原文，部分 Reuters/CNBC 原始报道也无法完成可靠复核。

  这些数字全部从正文撤下。资本市场消息传播很快，保密递表、投前估值、周口径年化收入又很容易混在一起。缺少一手文件时，宁可少写。

  能确认的部分仍然重要：Anthropic 报告把阿里、月之暗面、DeepSeek、智谱、MiniMax 等公司放进同一场蒸馏争议。公开讨论已经从模型效果扩展到训练数据、代理服务和用户知情权。

  OpenClaw 与 Hermes 在补 agent 基础设施

  OpenClaw 在本期覆盖区间发布了 v2026.9.2、v2026.9.3 和 v2026.9.4。原稿只写 v2026.8.1，已经落后一轮。

  Hermes Agent 本周的发布标签是 v2026.9.7 和 v2026.9.11。核验时仓库约 24.5 万 Star。原稿中的 v0.21.1、v0.21.2 与官方 Release 不符，已更正。

  这类项目的价值越来越落在“壳”上：会话能否恢复、权限能否解释、工具调用能否审批、长期任务能否被追踪。模型能力接近后，harness 的工程差异会直接决定 agent 能不能进入团队生产环境。

  七天压成三个判断

  旗舰周更已经成为现实。 开发团队需要把提示词、Skills 和评测集当作可版本化资产。每次换模型都重写整套说明书，成本会很快超过模型升级带来的收益。

  蒸馏争议已经公开化。 判断重点应落在授权、账号欺诈、用户知情和跨境数据流。用户最值得追问的是：输入发给了谁，是否被保存，是否进入别家的训练管线。

  价格还会继续往下走。 DeepSeek 把可用智能卖到很低的 API 单价，闭源厂商则用专业能力、托管 agent 和行业数据维持溢价。缺少成本优势，也缺少独占能力的模型，将进入最难受的价格区间。

  下期可以继续盯三件事：Astra 与 Agents API 的真实开发者成本；被 Anthropic 点名公司的公开回应；V4.1 Flash 在长任务和大规模 agent 循环中的稳定性。

  主要来源

  • OpenAI：GPT-6 Astra
  • OpenAI：Agents API
  • Anthropic：2026 年 9 月威胁情报报告
  • Anthropic：网络安全事件对齐评估
  • Google DeepMind：Gemini 3.8 Flash 模型卡
  • DeepSeek API 定价
  • OpenClaw Releases
  • Hermes Agent Releases
  10小时前

• Nix 被称为 AI Agent 时代的天选工具：声明式环境让 Vibe Coding 放心折腾

  一位开发者在 V2EX 发帖称，Nix 是 AI Agent 时代（Vibe Coding）的理想环境管理工具。作者表示，如今所有 AI 辅助编程工作都通过 nix + flake 完成，甚至无需使用 nix profile。针对单体项目，只需创建一个 flake.nix 文件即可开始折腾，即使被 AI 改坏也不心疼——因为 Nix 采用声明式配置，支持 diff 对比，避免了 apt 等传统包管理器的黑箱式操作。此外，同一项目的 flake 可以定义不同的 outputs，无需按场景分别搭建环境。通过 devShells + packages + packages.image 的组合，配合 profile default 使用，可完全替代 npm -g 全局安装方式。对于不同项目、多个场景，则采用一个目录一个 flake 的管理模式。作者还提到，OCI 镜像构建可以做到用完即焚，其过去依赖 incus 容器来处理的方案也可以退役了。作者坦言已经离不开 Nix，连 Mac 上的配置文件也用 Nix 管理。不过他也指出，NixOS 本身过于复杂，日常系统仍偏好 Debian，这种用法类似浏览器的隐私窗口——环境隔离干净、用完即走。

  事件分析

  这则讨论折射出 AI 编程工具普及后的新需求：Agent 大规模自动修改代码和依赖，对开发环境的可复现性与可回滚性提出更高要求。Nix 的声明式配置和原子化升级/回滚特性，恰好为高频试错的 AI 工作流提供了安全网，flake 的沙箱隔离也让各项目环境互不污染。从产业角度看，环境即代码正成为 AI 编程基础设施的一环，开发环境管理工具或迎来新一轮洗牌。后续走向上，Nix 陡峭的学习曲线仍是普及障碍，flakes 的实验性定位争议也未平息；与此同时，Dev Containers、Docker 等方案也在向 Agent 场景适配，Nix 能否从极客工具走向主流，取决于 AI 编程工具链对声明式环境的原生集成程度。

  核心观点：当写代码的是 AI，管环境的就成了刚需——可复现、可回滚的声明式环境正从极客偏好变为 Agent 时代的生存底线。

  原文链接：V2EX 分享发现

  11小时前