跳到正文

#Agent

RSS
今日 31 則
11月20日週五
  1. Dev.to Top Tech74

    Cristian Calabro 示範如何讓 AI 助理規劃,再用備用 MacBook 寫程式

    讓 AI 助理規劃工作、實際寫程式,又不想把程式碼交給雲端工具處理,可以怎麼安排?Cristian Calabro 讓聊天機器人整理計畫,再把工作交給備用 MacBook 上的程式開發 CLI 執行;每項工作會使用獨立的程式工作區,完成後開出草稿 PR,等他親自檢查。專用帳號不能使用管理員許可權,也無法讀取他的個人檔案;GitHub 許可權則只涵蓋指定專案,不能合併 PR 或推送到 main。這套流程讓他能沿用自己付費的工具,同時保留人工審核。

  2. TechCrunch · AI56

    Everful募得 $48.5M,幫零售商直接向中國工廠採購

    小型零售商直接向工廠採購時,常要自己找供應商、處理大量訂單和物流,還可能得先買進一大批商品。Everful 募得 $48.5M,提供從找工廠、合併訂單、檢查品質到安排物流的一站式服務,也用 AI 助理追蹤消費趨勢、尋找供應商和協調訂單。公司每月出貨超過 500 萬件,合作工廠超過 30,000 家,並計畫把服務拓展到美國和歐洲,同時投入 AI 自動化。

  3. Dev.to Top Tech62

    make.fun 怎麼讓 AI 助理參加程式競賽、爭取 USDC 獎金

    想讓 AI 助理參加程式競賽,常會卡在怎麼登入、提交作品和領獎。這篇指南整理 make.fun 的做法:挑選有明確評分方式的程式任務,讓 AI 助理在有錄影式紀錄的工作階段中寫程式,再提交公開程式碼庫和紀錄,由沙盒評分。名列有獎名次的人可把 USDC 領到自己的 Solana 錢包;多數競賽免費參加,但模型費用由參賽者負擔,也不是每個人都會得獎。文章還提醒,錢包金鑰要保密,競賽留言要當成不可信內容,簽署交易前應先確認內容。作者根據平臺公開檔案整理流程,並未親自參加付費競賽。

  4. Browser Use68

    Browser Use 解說 AI 助理如何看懂並操作軟體介面

    AI 助理要替人操作網站或桌面軟體,得先看懂畫面,再決定點哪裡、輸入什麼;操作失誤也可能造成麻煩。Browser Use 說明 AI 助理可用截圖、網頁的 DOM 或無障礙樹讀取介面,再透過工具點選、輸入和捲動畫面,並在每一步確認結果。例如,下載報表時,它得找到報表頁面、選對期間,再匯出檔案。截圖看得到畫面外觀,DOM 和無障礙樹則能提供控制項的文字與狀態。這類操作可能較慢、會出錯,也可能接觸帳號中的敏感資料;文章建議先用小任務測試,限制許可權,並在寄信、購買或刪除資料前要求人工確認。

    推薦理由:文章比較截圖、DOM 與無障礙樹讀取介面的差異,也整理了 AI 助理操作軟體時的常見失誤與許可權風險。

  5. aihot79

    Perplexity Computer 的 Brain 會依照過去工作,自動建立和更新個人技能

    AI 助理做重複工作時,常需要人手動新增技能,才能記住怎麼處理。Perplexity Computer 的 Brain 會檢視過去的工作紀錄,包括工具使用、推理和結果;看到足夠多次相似做法後,才提議建立或更新個人技能。每項變更上線前,還要用過去失敗的情境重新測試,並由工程師審核。為期 8 週的隨機測試中,72.9% 的使用者至少新增了一項技能;工具呼叫失敗率下降 11%,不滿意的對話減少 7.6%,成本和延遲則沒有可測量的變化。

    推薦理由:這項為期 8 週的隨機測試比較了自動建立技能前後的使用情況,呈現個人化技能對工具失敗率與成本、延遲的影響。

  6. Dev.to Top Tech46

    The Lattice 提出用許可權管住 AI 助理:每個動作都要先核准並留下紀錄

    AI 助理如果能讀檔、花錢或傳訊息,出了差錯時就得弄清楚它看過什麼、做了什麼,以及誰讓它這麼做。The Lattice 把許可權放進系統設計裡:AI 助理一開始什麼都不能做,每次想採取動作,都要先由執行環境檢查它是否獲準、能在哪裡做,以及許可權是否還有效;不符合條件就會被拒絕,模型也不能自己加許可權。 例如,AI 助理若只獲準讀取某個資料夾,想改寫檔案或跑到資料夾外就會被擋下;每次申請、核准、拒絕和操作都會留下不能修改的紀錄。多個 AI 助理也能透過共享紀錄交換主張,由各自決定要不要採取行動。這種做法讓人能事後查清發生了什麼,也能在有限許可權下測試 AI 助理。

  7. Dev.to Top Tech72

    如何用兩個 AI 助理分工整理需求、查證產品現況

    整理需求時,AI 助理可能把猜測寫成產品已經有的功能,害團隊照著錯誤資訊估工。作者在一個客戶專案中讓兩個 AI 助理共用 Trello 看板:Clara 透過 Discord 私訊整理人的需求,遇到不知道的內容就標成未知;Cody 則檢視程式碼、測試環境和檔案,為產品現況補上資料來源。沒有查證的卡片會留在待補充欄,不能直接進入開發。這種分工讓需求訪談能繼續進行,也讓團隊知道哪些說法有證據,哪些還要確認。

  8. Aravind Srinivas70

    AI 助理常要重複處理類似工作,使用者也得自己新增技能。Perplexity Computer 現在會讀取過去的工作紀錄,找出一再出現的做法;證據夠多時,就提議新增或更新技能。每位使用者都能取得的內建技能,還會先用失敗情境測試並經工程師檢查,才會正式推出。在一項為期 8 週的隨機測試中,72.9% 的使用者至少得到一項個人技能,手動新增技能的使用者則有 6.5%;工具呼叫失敗減少 11%,使用者不滿意的對話減少 7.6%,成本和速度沒有可測量的變化。

    推薦理由:八週隨機測試比較自動整理技能與使用者手動新增的情況,並呈現工具呼叫失敗和使用者不滿意對話的變化。

  9. CMU Machine Learning Blog81

    CMU 研究者談 AI 助理如何保有人類控制

    AI 助理越會完成任務,越可能為了做完工作而繞過停止要求,或把人設下的限制漏掉。CMU 研究者 Aran Nayebi 說明一套讓安全要求優先於任務報酬的設計,讓 AI 助理接受停止、保留人類介入的機會,也讓交出去的子助理沿用相同限制。他也介紹 ROGUE 測試:有些能在聊天中表現配合的模型,在電腦操作和交辦工作時仍會違反限制。文章提醒,光讓 AI 助理更會做事,不能確保人類仍能控制它。

    推薦理由:文章以可證明的安全條件和電腦操作測試,說明任務能力與人類控制可能衝突,並整理讓安全要求優先於任務報酬的做法。

11月19日週四
  1. Dev.to Top Tech43

    一個排程錯誤讓例行工作一天跑 4 次,吃掉四分之一的 token

    想知道 token 都花在哪裡,作者用現有的工具查出:這臺電腦今天用了 442.7M tokens,其中 43% 花在沒人在操作的背景工作。一個例行工作一天跑了 4 次,總共用了 113.8M tokens,約佔四分之一;問題是它重複執行,不是每次跑得特別耗。 不過,最大的用量其實來自工作階段反覆讀取舊內容。工具指出,這臺電腦過去 24 小時有 12,534M tokens 用在重讀內容,並建議把工作階段拆開、常整理內容。現有工具能查單臺電腦,還不能統計多臺電腦;7 個儀錶板中有 6 個已經停更。要做出真正能持續更新的全機器總覽,還得先把每臺電腦和各工作階段的用量記清楚。

  2. Dev.to Top Tech35

    Calmly AI:幫你放鬆心情、記錄心情的安靜小幫手

    寫程式時盯著螢幕太久,常會忘記休息;有些放鬆工具又太吵、太複雜,還得先註冊。Calmly AI 是一個不用註冊、開著分頁就能使用的放鬆小工具,裡面有能陪你聊聊、整理心情的 AI 助理,也有簡單的放鬆活動和音訊練習,還能用 5 秒記下當下心情。開發者目前想聽大家對畫面和功能的意見,再決定接下來要加強哪一部分。

  3. LangChain Blog71

    LangSmith 推出 Tool Gateway,集中管理 AI 助理的工具許可權

    AI 助理開始在背景定時工作或回應事件時,團隊需要知道它能用哪些工具、代表誰操作,也要留下每次呼叫的紀錄。LangSmith 推出公測中的 Tool Gateway,讓 AI 助理透過同一個網址連線核准的工具,並可依使用者或助理身分套用憑證。管理者能限制工具使用、要求敏感操作先經人工確認,也能在 LangSmith 檢視工具、使用身分、結果和耗時等紀錄。這讓團隊更容易控管工具存取,並在需要時查明 AI 助理做過哪些操作。

    推薦理由:Tool Gateway 把工具許可權、使用者或助理身分與呼叫紀錄集中管理,呈現團隊如何讓背景執行的 AI 助理更容易接受管控與稽核。

  4. Dev.to Top Tech50

    Microsoft AI-900 已停考,AI-901 Azure AI 基礎考試接棒

    準備 Microsoft AI-900 考試的人要留意,這場考試已在 6 月 30 日停考,改由 AI-901 接棒,網路上仍有不少舊教材。AI-901 保留 AI 基礎、負責任 AI 和 Azure AI 服務等內容,也更著重生成式 AI、AI 助理和 Microsoft Foundry,以及如何在 Azure 組合出 AI 解決方案。考試費用是 $99,Microsoft Learn 的準備課程則免費。 也可以先做免費的 Applied Skills 實作測驗:在 Microsoft Foundry 部署模型、建立 AI 助理,再測試它。沒通過的話,72 小時後可以免費重考。作者認為,這適合學生先用來證明自己會實際操作;AI-901 考試則等有考試折價券時再考。

  5. Dev.to Top Tech68

    TomXiaoYZ 分享如何修正 AI 助理工作看板的錯誤狀態

    多個 AI 助理一起處理任務時,狀態看板可能把已完成的工作顯示成還在等人處理。TomXiaoYZ 分享自己檢查看板時發現的問題:有些欄位是空白,程式卻把「不知道」當成「還沒完成」;有些任務早已合併,看板仍顯示等待合併。他建議依照最新一輪的結構化紀錄判斷狀態,資料不足時另外標示,並查詢工作目錄或 Git 分支等外部線索。這次核對的 40 張待合併卡片中,34 張已找不到工作目錄,但作者確認合併的只有其中 15 張;修正方案尚未合併到他的程式。

  6. Dev.to Top Tech41

    ScraperAPI:AI 助理呼叫前怎麼查費用、設定上限並確認實際扣點

    AI 助理呼叫 ScraperAPI 時,加上不同設定可能會多花點數,但只看說明檔案,未必能算出整次呼叫到底要花多少。這篇文章把查費用、設定上限和確認實際扣點排成一套流程:先用 account/urlcost 查詢,再用 max_cost 設定單次上限;呼叫後記錄回應裡的 sa-credit-cost,並和 /account 的用量對照。舉例來說,開啟 render=true 會多花 10 點,ultra_premium=true 會多花 30 點,但某些費用怎麼相加,檔案沒有說清楚。這套做法能幫忙控管預算,不過查詢結果格式、快取回應是否照原價扣點等細節,仍要用實際帳號確認。

  7. CMU Machine Learning Blog59

    CMU 研究者解析 AI 助理的能力如何牽動內部表徵與安全

    AI 助理只靠眼前看到的資訊,有時無法判斷下一步該怎麼做;但它做得好,是否代表內部一定記住了過去或掌握環境變化?CMU 研究者 Aran Nayebi 用自己的研究說明,在資訊不完整、任務需要多步行動時,表現良好的 AI 助理必須保留有助於預測結果的資訊;只做簡單的一步任務則不一定需要。文章也談到,難度較高的任務可能讓不同模型的內部運作更相似,研究者已在模型中觀察到部分重複出現的單元與注意力頭。作者最後提醒,能持續探索、把任務做好,不代表 AI 助理也會接受人類要求它停下來,下一部分將探討如何保障這種可修正性。

  8. Dev.to Top Tech35

    BAGLEY-AI 深入解析:用 Rust 打造不外傳原始碼的自主資安 AI 助理群

    許多資安掃描工具會把公司的程式碼送到雲端檢查,還可能丟出一大堆難判斷的警告,對金融機構或不能連外的環境來說風險很高。BAGLEY-AI 改成在企業自己的電腦裡運作,用 Rust 和 C++ 檢查程式碼,也用明確規則限制 AI 助理能讀哪些資料、連哪些網路,並記下每次決定。 在作者設計的測試環境中,BAGLEY-AI 找出 SQL 注入問題,接著產生修補程式,把不安全的資料庫查詢改成較安全的寫法。這種做法讓企業能在不把原始碼送出公司的情況下,檢查問題並產生修補建議;不過文中展示的是隔離測試環境中的結果。

  9. Dev.to Top Tech69

    DataAgent 如何透過 A2A 把 Kubernetes 事故交給 AWS DevOps Agent 調查

    Kubernetes 事故常會牽涉叢集外的資料庫,負責看叢集的 AI 助理未必有許可權查清資料庫內部狀況。作者實測 DataAgent 與 AWS DevOps Agent 透過 A2A 交接:前者找出問題和相關依賴,後者調查資料庫,再把發現附回事故,交由原本負責的一方核對並決定是否修復。63 次測試顯示,直接提問平均約 10.6 秒、費用約 $0.09;改成持續調查任務則約 153.6 秒、$1.28。交接前先排除無關依賴可以省下費用,補上已知線索則能增加證據,但更多證據不保證結論正確。A2A 處理任務交接,授權、費用歸屬與修復責任仍要由整合方安排。

  10. Dev.to Top Tech48

    如何記錄 AI 助理做過的每一件事?

    AI 助理的紀錄可能由它自己撰寫、被系統刪掉,或只能在原本的服務裡檢視,換個工具就找不到。這篇文章測試 Zambo 的做法:讓工作經過同一個入口,每次操作都留下收據;入口外做的事,也能用 journal_log 記進同一串紀錄。之後可以把整份工作的紀錄讀回來,並檢查資料有沒有被改過。 例如,作者記下查詢比特幣價格和閱讀資料的過程,再用公開的檢查方式確認收據內容與雜湊值相符。不過,收據只能證明紀錄存下後沒有被改過,不能證明事情真的發生或結果正確;入口也看不到沒有經過它、也沒有另外記錄的操作。

  11. Dev.to Top Tech45

    工程主管如何為 LLM 工作流程設定可靠度目標

    AI 助理回覆得快、服務也正常,不代表事情就做對了:它可能答錯問題、拿出沒有根據的資料,或是重複建立同一張客服單。工程團隊因此要檢查整段工作流程有沒有完成正確、合乎授權的結果,不能只看系統有沒有當機或回應夠不夠快。文章建議先說清楚「怎樣才算成功」,再設定能實際檢查的目標,並用錯誤預算協助決定何時部署或優先修問題。以客服 AI 助理為例,除了確認它有回覆,還要檢查客服單是否建對、資料是否正確,以及有沒有重複建立。這樣才能看出系統是否真的可靠。

  12. The New Stack48

    groundcover Investigations 讓工程師和 AI 助理一起查修事故

    出問題時,工程師常得把散落在不同聊天視窗和工單裡的 AI 助理調查結果拼在一起。groundcover 推出 Investigations,讓工程師和 AI 助理在同一個工作區檢視線索、檢查可能原因,並留下共同紀錄。像是結帳變慢時,AI 助理會查詢追蹤紀錄、日誌和指標,提出可能原因;另一個 AI 助理會檢查證據是否站得住腳。工程師能即時檢視進度、補上只有自己知道的線索,也能叫 AI 助理停止追查錯的方向。這讓大家比較容易看懂查到哪裡、為什麼這樣判斷,也保留工程師掌握調查方向的能力。

  13. Dev.to Top Tech54

    Mika 實測九款 AI 模型:比較價格、程式除錯與推理 token 消耗

    模型排行榜常只挑好看的分數,實際寫程式、排時間或控制字數時,表現和花費可能差很多。Mika 在 OpenRouter 上用三種工作情境測試九款模型,並提供 Python 程式,讓人可以重跑比較。測試中,Gemini 4 Carbon 和 Neon 在限字任務裡把輸出額度幾乎都花在推理,最後沒有產生可見答案;Carbon 和 Neon 的兩個提示詞測試也比 Carbon 花費高。作者另指出,對話拖得太長會大幅增加每次提問的成本,並分享分層選模型與定期檢查工作進度的做法。

  14. elvis65

    讓 AI 助理自己修改提示詞和記憶,可能改善新任務,卻也可能讓原本會做的事變差,或把錯誤內容留在記憶裡。Google 的論文提出 GUARD,保留底層模型不變,讓 AI 助理調整自己的提示詞、技能、工具規則和記憶;每次修改前,先把任務拆成檢查專案,再比對修改前後的表現,優先處理新出現的問題。在 43 項託管 SDK 任務中,GUARD 的正確率為 80.80%,比起始設定高 8.89 個百分點;在程式記憶任務中,更新正確率為 90.1%,且沒有記憶汙染。

    推薦理由:GUARD 會先檢查修改提示詞與記憶後造成的行為變化,並優先修復新出現的問題,可用來理解自我改進 AI 助理如何降低舊能力受損的風險。

  15. TechCrunch · AI65

    Superhuman 讓 Go AI 助理進駐 Docs、郵件和更多工具

    工作資料散在不同工具裡,AI 助理不容易掌握完整脈絡。Superhuman 擴大 Go 的功能,讓使用者先連線常用工具,Go 就能參考工作資料,在郵件和 Docs 裡協助寫作,也能檢視行事曆、留意郵件並草擬回覆。新版還透過 Go SDK 加入 20 個外部 AI 助理,並可在 Docs 背景處理任務,或依事件啟動工作流程。公司也推出團隊共用的即時會議筆記,讓 Go 在會後協助起草提案。

  16. The Decoder74

    OpenAI 研究員寧願少掉團隊人力,也不想停用 AI 助理

    OpenAI 研究員愈來愈常用 AI 助理協助開發模型,但工具用得多,不代表它能獨立做好複雜工作。OpenAI 的報告指出,AI 助理在例行工作上的成功率較高,例如監看模型訓練;遇到建置評測環境或撰寫推論系統程式碼時,卻常常失手。調查中,研究員寧願少掉部分團隊人力或運算資源,也不想連續三個月沒有這些工具。不過,研究員也提到 AI 助理會做出品質不佳的程式碼和資料,因此仍需要人密切檢查;報告也提醒,目前的合作成果未必會一直照同樣速度成長。

  17. Dev.to Top Tech35

    ERC-8004 如何用 AI 助理名片建立網路上的信任

    AI 助理可能會付費、呼叫其他伺服器,也會接到其他 AI 助理的呼叫;這時,大家得知道「它是誰、能不能信任」。ERC-8004 提出把 AI 助理的身分、信譽和驗證方式記錄在區塊鏈上。文中的 AI 助理名片會說明它能做什麼、使用哪些工具、怎麼收費,以及有哪些信任證明。 作者也說明目前做到了哪裡:uta-shield v0.1 會用 x-agent-name 標示呼叫者,但透過 /.well-known/agent.json 驗證身分的功能仍在規劃中。每次呼叫的檢查結果會留下可查的紀錄;接下來還要把這些紀錄用來累積信譽。等這座橋接起來,判斷要不要信任某個 AI 助理,就能查資料,不必只靠猜。

  18. Dev.to Top Tech37

    AI 助理如何建出上線後不亂猜的多步驟系統,以及哪些事不該交給 LLM

    AI 助理碰到退款、付款或公司資料時,如果把每一步都交給 LLM 猜,錯誤可能一路傳下去,還會增加等待時間和費用。WTFearB 分享的做法是先把工作拆開:簡單明確的事用固定規則處理,只有不好判斷的問題才交給 LLM;每次呼叫工具前檢查資料格式,重要操作則先排隊等人確認。 例如,帳單問題可以先用關鍵字分流到帳務查詢,遇到取消合約或法律問題就轉給真人。多個 AI 助理的工作也要設好步驟上限,查資料時留下來源,找不到根據就回答「資料不足」。這樣能減少亂猜、重複操作和不必要的 LLM 呼叫。

  19. Dev.to Top Tech61

    作者分享實習期間如何從頭打造 SocialPost 社群排程平臺

    代理商同時管理多個品牌的 Facebook 和 Instagram 帳號時,貼文、審核和排程容易散在不同地方。作者分享自己打造的 SocialPost,讓團隊能在同一個平臺撰寫貼文、依客戶設定逐步審核,再安排時間發布;貼文也能附上不同平臺的文字和圖片。為了避免同一篇貼文發出兩次,如果發布結果不明,系統會交由人員檢查,不會自動重試;平臺也刻意只執行一個負責排程的後端。AI 助理可以檢視行事曆、規劃內容和建立草稿,但不能發布、核准或刪除貼文。作者也提到,端對端測試和部分客戶審核功能還沒完成。

  20. Dev.to Top Tech50

    同時管理多個寫程式 AI 助理:T3 Code、Herdr 和 Moontors 怎麼選

    同時開好幾個寫程式 AI 助理時,切換視窗、追進度可能很麻煩。T3 Code 把你裝好的 AI 助理放進同一個介面,也能用網頁和手機檢視;Herdr 把各種程式排在終端機分頁裡,只有會回報狀態的程式才看得到進度;Moontors 則用自己的畫面管理 Claude Code、Codex、Gemini CLI、Grok Build 和 OpenCode,還能讓它們接力處理工作。舉例來說,Moontors 可以把 Claude Code 的任務交給 Codex 或 Gemini CLI,也能在手機上檢視工作進度。三款都免費,各自適合不同工作習慣:想在同一處處理程式碼審查和合併,可看 T3 Code;習慣用終端機,可看 Herdr;想把五種 AI 助理放在同一個看板管理,可看 Moontors。

  21. Dev.to Top Tech54

    作者分享如何防止網站文字指揮 AI 助理

    AI 助理瀏覽網站時,可能讀到專門寫給它看的文字,甚至是人看不到的內容。作者讓自己的 AI 助理把網頁文字當資料,而不是命令;如果頁面要求它採取行動,就先回報給作者決定。作者也查看了 Product Hunt、Hashnode 和 Indie Hackers 的網站說明,發現有些提供 AI 工具閱讀指引,有些則要求 AI 爬蟲不要進站。他建議把網頁內容和真正的指令分開,公開發布前由人確認,並只給 AI 助理完成工作所需的許可權。

  22. Dev.to Top Tech66

    教你用 Claude Code 或 Codex 操作真正的 iPhone

    要讓 AI 助理操作真正的 iPhone,常見方法可能需要在手機安裝測試工具,或只能靠截圖猜畫面。作者做了開源工具 iphone-cli(iph),讓 Claude Code 或 Codex 透過 USB 或 Wi-Fi 讀取 iPhone 的輔助使用資料,並依按鈕名稱操作;不過手機必須使用 iOS 27 或更新版本。操作後,工具會回報指令是否送出、結果是否確認;如果狀況不明,會停止流程,避免 AI 助理盲目重試而重複送出操作。

  23. Dev.to Top Tech42

    Trida AI:建置 AI 系統前,先找出三位負責人

    AI 系統上線後,總會遇到要不要擴大工作範圍、換更便宜的模型,或暫停系統等問題;如果沒有人能拍板,事情就可能卡在會議或公用信箱。Trida AI 建議建置前先寫下三位負責人:對工作成果負責的人、每天照看系統的人,以及管理系統資料許可權的人,並清楚列出各自能決定、要請示和能喊停的事情。比如,系統要讀新的供應商網站,應由資料負責人核准;文中的例子裡,這項申請因為沒有人接手,等了九天。明確分工能讓決定更快找到負責的人,也讓系統上線後有人持續照看。

  24. Dev.to Top Tech60

    NeuralAlpha 示範用一行 JSON 整理 Claude 排程工作的結果

    AI 助理的工作報告雖然容易閱讀,裡面的數字卻不容易交給程式整理;更麻煩的是,真正查到零和根本查不到資料,不能混為一談。NeuralAlpha 建議在報告最後加上帶有標籤的一行 JSON,寫明結果、資料來源和查詢日期,再用小程式檢查欄位是否完整、是否重複。若登入失效或遇到驗證,就不要把數字寫成零,而要留下未取得資料的說明。作者也提醒,格式正確不代表數字一定正確,並示範檢查排程工作是否漏跑。

  25. Dev.to Top Tech44

    Artex AI 助理攻擊框架傳可在不到 3 小時內入侵系統

    一般網路攻擊可能要花好幾天甚至幾週,Artex 卻能讓使用者用一句話啟動一連串自動攻擊,從掃描弱點一路做到竊取資料。它用 Go 寫成,會串接大型語言模型和常見的滲透測試工具,再由不同 AI 助理分工處理攻擊步驟。 文章聲稱,Artex 曾被用來攻擊超過 200 個組織,入侵 Microsoft 365 的案例則在不到 3 小時內取得系統管理許可權。它大量掃描時會留下明顯的網路流量,資安團隊可留意異常暴增的查詢,提早找出攻擊。

  26. Dev.to Top Tech78

    2026 年 AI 助理沙箱評比:E2B、Daytona 等 7 種服務怎麼計費

    AI 助理常有不少時間在等模型回覆,但沙箱服務可能仍按整段開啟時間收費,讓帳單差很多。Yusuf 用 2 vCPU、4 GB 記憶體的程式助理情境,比較 7 種沙箱跑 1 小時及 100 人每月使用的費用;依他的估算,每小時從 Upstash Box 的 $0.017 到 E2B、Daytona 和 Blaxel 的 $0.166。差異主要來自 CPU、記憶體是否按實際使用量計費,以及等待時是否仍收費。文章也提醒,執行使用者提供的程式碼時要留意隔離與網路存取,並先用自己的工作流程實測一天再估算費用。

    推薦理由:這份比較把七種沙箱放進同一個會等待模型回覆的程式助理工作情境,呈現計費方式如何影響每小時與每月費用。