这一开源编码代理技能将人工智能代理转化为自动化安全审计员。它最初是 Cloudflare 漏洞发现工具的基础，采用了一套严谨的六阶段方法论：侦察、覆盖驱动的搜寻、候选验证、结构化输出、独立核实以及目标中立的报告。 该系统协调多个独立的子代理来映射架构和输入面、执行针对性搜寻并严格测试候选漏洞。其核心设计原则是“对抗式验证”：负责验证发现结果的代理永远不会是最初发现该漏洞的代理。发现结果被归类为“已确认”（附带源代码追踪）、“需验证”或“已拒绝”。 该技能采用模块化设计，具备针对内存安全、云基础设施、大模型提示词以及供应链等各个领域的专业搜寻类。它包含零依赖验证器以确保输出的完整性。为保障安全，系统要求在操作系统强制的沙箱环境中执行目标代码。多次运行的结果具有累加性，使代理能够持续优化覆盖范围并重新验证已变更的源代码。用户可通过 Skills CLI 安装，并使用自然语言指令触发，从而在各自的代码库中实现自动化的、基于证据的安全审计。
每日HackerNews RSS
这篇 Hacker News 的讨论围绕 Cloudflare “Security-Audit-Skill” 代码库的发布展开。尽管一些用户对这种透明度以及复制该工具的能力表示赞赏，但讨论很快转向了对 Cloudflare 当前“技能（skills）”平台设计的批评。
主要观点包括：
* **上下文窗口问题：** 用户批评当前的实现方式强制要求加载过多独立技能，这不仅消耗了大量 Token，还增加了不必要的延迟。批评者建议将其整合为一个更模块化的技能。
* **参与度：** Cloudflare 员工积极参与了讨论，确认他们会密切关注此类帖子，并已根据用户反馈着手改进技能架构。
* **技术挑战：** 参与者讨论了基于大语言模型（LLM）进行安全审计的效率问题。许多用户表达了对高 Token 消耗（有时超过 15 万 Token）以及主流 AI 模型可能产生“安全拒绝”的担忧。
* **实现方式：** 讨论还涉及在审计期间运行构建和模糊测试时，强制实施操作系统级沙箱的必要性，以及关于提示词（prompts）是否应作为版本化代码库进行管理的广泛争论。
内存分配是高性能多线程应用中的关键瓶颈。标准的分配器往往会对内存请求进行序列化，导致随着处理器数量的增加，竞争加剧，进而降低性能。在数据包处理等场景中，应通过对象回收或零拷贝缓冲区（如 PF_RING）等技术尽量减少频繁的内存分配。 现代内存管理已从简单的栈/堆结构演变为采用线程本地缓存（TLAB）和 NUMA 感知区域的复杂系统。这些设计旨在减少原子操作、最小化伪共享并提高局部性。 选择合适的分配器取决于具体的工作负载： * **高竞争/多线程场景：** `jemalloc` 因其多区域设计和线程亲和性，是一个强有力的选择。 * **低延迟/实时场景：** `mimalloc` 通过最小化原子操作并提供可预测的快速路径，表现优异。 * **NUMA/多插槽架构：** `snmalloc` 专为 NUMA 优先架构设计，旨在最小化跨节点流量。 * **小对象吞吐量：** `tcmalloc` 有效利用每 CPU 缓存来处理高频分配。 尽管 `glibc` 的 malloc 是标准默认配置，但在高竞争环境下往往表现不佳。对于性能关键型应用，建议将默认分配器替换为 `jemalloc`、`mimalloc` 或 `snmalloc` 等专用方案，以减少同步开销并提高内存的可扩展性。
这篇 Hacker News 帖子讨论了一篇题为《Malloc() 算法比较》的文章，该文章提供了一份关于各种内存分配策略的综合参考表。
讨论涉及多个方面：
* **技术评论：** 评论者指出了文章中存在的历史偏差，特别是在内存管理演变方面。贡献者指出，垃圾回收、栈和引用计数技术早在 20 世纪 60 年代初就已出现，早于现代 `malloc` 的实现。批评者还质疑了文章中关于现代多线程分配器性能瓶颈的说法。
* **替代方案：** 读者分享了他们偏好的特定分配器，如 **TLSF**（适用于嵌入式/极简系统）、**jemalloc** 和 **tcmalloc**，并强调“最佳”分配器通常取决于工作负载，应通过性能分析而非理论来决定。
* **网站可访问性：** 作者有意将网站的 SSL 配置限制为 ChaCha20-Poly1305，导致部分基于 Chromium 的浏览器出现连接错误（“ERR_SSL_VERSION_OR_CIPHER_MISMATCH”），这成为了讨论帖的一个重要焦点。
尽管在文章的文风和事实陈述上存在一些争议，但这份分配器数据的汇编总体上被视为对开发人员有用的参考资料。
作者记录了他们尝试在不进行任何手动设计干预的情况下，利用人工智能体（“Fable 5”和 Claude）为基于 RPi Pico 2350 的电子墨水屏设计定制 PCB 的实验。尽管此前尝试均告失败，作者还是通过简单的自然语言指令让 AI 创建电路板，并接受了这种“甩手掌柜”式方法所带来的风险。
这一过程遇到了诸多挑战，包括元件封装不匹配、DRC（设计规则检查）错误以及布线失败等问题。然而，通过与 AI 的反复调试并借助自动布线工具，最终成功制造出一块功能完备的四层电路板，并由 JLCPCB 完成了组装。
作者对这次“随性”的设计体验感触良多：在为无需深厚专业知识即可制造硬件的便捷性和潜力感到兴奋的同时，也感到失去了一种通过钻研学习所获得的传统成就感。尽管如此，作者依然拥抱这种针对业余项目的新抽象层级——目前已在计划制作一款基于 NVIDIA Jetson 的平板电脑——并期待未来制造商能将 AI 直接设计到生产的工作流整合起来，进一步简化流程。
抱歉。
请启用 JavaScript 和 Cookie 以继续。
抱歉。
``` 城市实况 H 叠加层 · G ASCII ● 信号源 001 静音 获取信号中 — 实况 · --:--:-- UTC 显示聊天 0 观看中 … 发送监控 // 待机 风景 推荐 旋转以获得最宽城市视野。 继续 系统详情.DAT 00::输入_链接 鼠标监控信号源 自动巡航关闭 人口可见 01::导航 扇区监控 坐标0.00 / 0.00 方位000° / 北 渲染-- 帧率 天气雨 02::城市活动 行人-- 已追踪 车辆-- 已追踪 静态节点-- 已索引 可视范围内-- 可见 街道设施-- 已索引 标志网络在线 路径状态检查中 十字路口-- 活动 04::门户网络 区域监控信号源 最近链接-- 米 链接状态就绪 目的地监控 03::本地环境 ```
孟山都对美国农业残酷且危险的垄断（2008） Monsanto's Cruel, and Dangerous, Monopolization on American Farming (2008)
59 天前
孟山都公司由约翰·弗朗西斯·奎尼于1901年创立，最初是圣路易斯一家生产糖精的小型初创企业。尽管面临德国竞争对手的强烈抵制和监管挑战，该公司通过建立关键的合作伙伴关系（其中最著名的是与可口可乐的合作）得以生存。在奎尼之子埃德加的领导下，公司从一家化学品制造商转型为全球工业巨头，业务扩展至塑料、树脂和合成纤维领域。 到了20世纪70年代，孟山都将重心转向生物技术。1982年，该公司取得突破，成为首个对植物细胞进行基因改造的企业，最终形成了包括玉米、大豆和棉花在内的转基因作物产品组合。虽然公司领导层将这些进展宣传为解决全球饥饿问题的方案，但这些产品在安全性和环境影响方面引发了广泛争议。如今，孟山都依然以其复杂的历史定位被人们所熟知：它既是对全球农业产生变革性影响的企业，也因重大的环境问题和持续的公众辩论而备受质疑。
CVE-2026-32746 是一个严重的、长期存在的基于 BSS 段的缓冲区溢出漏洞，由 DREAM 安全研究团队在 GNU inetutils-telnetd 的 `LINEMODE` 协商处理程序中发现。该漏洞可追溯至 1994 年，影响了大量复用了此遗留代码库的供应商和 Linux 发行版。
尽管 Telnet 因其过时且不安全而闻名，但它在无法迁移至 SSH 的工业和遗留环境中仍然普遍存在。该漏洞允许攻击者通过在 Telnet 子协商期间发送恶意构造的“SLC 三元组”来破坏内存。
漏洞利用过程非常复杂且依赖于环境，需要针对特定的内存布局定制有效载荷。虽然研究人员证明了触发任意 `free()` 操作和内存泄露是可能的，但要实现完全的远程代码执行（RCE）依然困难。
由于 `inetutils` 项目尚未发布修补版本，管理员必须手动从已修复的 git 提交中构建软件。目前大多数 Linux 发行版仍受该漏洞影响。鉴于其波及范围广且存在内存损坏风险，强烈建议各机构隔离相关服务，或通过编译最新源代码立即进行修补。
抱歉。
斯坦福大学的神经科学家已成功将类人脑组织植入基因改造小鼠体内，为研究复杂的人类精神及神经发育障碍建立了新的模型。
研究人员利用人类皮肤细胞重新编程为脑类器官，并将其移植到被基因改造、缺失自身大脑皮层的小鼠体内。这些人类细胞整合进了啮齿动物的神经回路中，使科学家能够观察人类神经元的发育和功能。
这一突破旨在解决孤独症、癫痫和脑瘫等疾病临床试验高失败率的问题，因为这些疾病很难在传统的实验动物中进行模拟。虽然这些小鼠并未表现出类似人类的认知或智力，但该研究已引发了关于改变动物认知以及携带人类神经组织的实验动物福利的重要伦理讨论。专家认为，这种“小鼠体内的人类”模型可能对医学研究产生变革性影响，提供了一种此前无法实现的、研究人类生物学的独特方式。
近期发表在《自然》杂志上的一项研究，详细介绍了如何利用人类皮肤细胞培育出“类脑组织”并将其植入小鼠体内，这一成果在黑客新闻（Hacker News）网站上引发了热烈讨论。尽管标题暗示了人类大脑与小鼠大脑的融合，但评论者指出，实际的研究是将人类来源的类器官移植到小鼠体内，其功能与小鼠脑组织相似，目前没有证据表明这些小鼠表现出类似人类的认知能力。
尽管技术细节已得到澄清，但讨论很快转向了黑色幽默和流行文化，用户们纷纷提到《献给阿尔吉侬的花束》、《莫洛博士岛》、《小红帽与大灰狼》（Pinky and the Brain）以及《尼姆的秘密》。许多用户对制造嵌合脑模型所带来的伦理影响表示了深切不安。另一些人则讨论了生物伦理学的监管环境，质疑研究人员如何界定这些生物的痛苦，以及现有的监管机制（主要由机构审查委员会和资助机构驱动）是否足以防止不正当的研究行为。总体而言，社区观点依然两极分化：一部分人将其视为医学上的重大突破，另一部分人则担心这是通往“科学怪人实验”的危险一步。
请提供您需要翻译的内容。
这篇 Hacker News 帖子讨论了一篇关于从美国驾照条形码中恢复公钥的博文。讨论强调了几个关键的技术和概念要点：
* **术语澄清**：用户纠正了误导性的标题——值得注意的是，作者恢复的是**公钥（验证密钥）**，而非私钥（签名密钥）。帖子澄清道，ECDSA 允许从消息及其签名中通过数学方法恢复公钥，这是预期的行为，而非漏洞。
* **“钥匙”类比**：讨论的大部分内容集中在密码学中“锁与钥匙”类比的局限性上。许多评论者认为，这会导致公众困惑，因为物理世界中不存在与非对称公钥系统直接对等的概念——后者是“加密（scrambled）”数据，而非物理锁定。
* **安全影响**：帖子批评了当前身份证件安全性的现状，指出条形码很容易被复制。参与者建议，现代化的安全解决方案（如护照中使用的 NFC 芯片）更胜一筹，因为它们能够防止克隆，并比简单的条形码扫描更稳健地验证身份。
* **隐私顾虑**：评论者对车管所（DMV）数据被广泛外包给第三方供应商，以及通过扫描证件进行追踪的可能性表示担忧。
Pangram 的多语言 AI 检测器可检测英语、阿拉伯语、中文、捷克语、荷兰语、法语、德语、希腊语、印地语、匈牙利语、意大利语、日语、韩语、波斯语、波兰语、葡萄牙语、罗马尼亚语、俄语、西班牙语、瑞典语、土耳其语、乌克兰语、乌尔都语、越南语等多种语言中的 AI 生成内容。
关于人工智能检测工具 **Pangram**（用于检测文本和图像）的 Hacker News 讨论，重点关注了人工智能识别技术的可靠性及其带来的伦理影响。
尽管支持者称赞 Pangram 的技术深度及其区分人类创作与机器生成内容的能力，但批评者仍对其在现实世界中的应用持怀疑态度。一个主要担忧在于此类工具在学术或专业环境中的使用。怀疑论者认为，即使误报率很低（例如万分之一），当后果涉及指控个人不诚实时，这也是不可接受的，尤其是随着语言模型的演进，人类写作模式与人工智能辅助输出之间的界限正变得模糊。
讨论中还涉及了技术细节，用户指出，常见的写作习惯（如破折号或特定的文体模式）经常被人类和检测器误认为是确凿的“人工智能指纹”。几位参与者提到，他们自己对该工具的实验结果参差不齐，这凸显了检测技术仍处于持续的“猫鼠游戏”中。归根结底，虽然许多人认可现代检测技术背后的卓越工程，但共识依然是：这些工具应被视为启发式辅助手段，而非人工智能使用情况的确凿证据。