dinding2012 @dinding2012

腾讯云开源了 AI Agent 沙盒 Cube Sandbox，Rust 编写，Apache 2.0 协议。 Agent 跑模型生成的代码需要一个隔离环境，避免误删文件或越权访问主机。这类服务的接口事实标准是 E2B，OpenAI Agents SDK、Manus、Perplexity、Hugging Face 都接它。Cube 对 E2B 做完全兼容，原本接 E2B 的 Agent 只要改一个环境变量就能切过来。 腾讯云公布了两组性能数据。单并发冷启动低于 60ms，50 并发时平均 67ms、P95 90ms、P99 137ms。单实例常驻内存低于 5MB（沙盒规格不超过 32GB 时测得），一台 96 核服务器可同时跑 2000 多个沙箱。同场景下 Docker 容器启动约 200ms、共享主机内核；传统虚拟机启动以秒计、单实例内存 20MB 起。 Cube 的做法是给每个 Agent 开一套独立的 Guest OS 内核，走硬件级隔离，同时把启动时间压到百毫秒内。加速靠资源池预置、快照克隆、底层锁优化；压内存靠 Rust 重写、CoW 内存复用、reflink 磁盘共享。项目还附带 CubeVS，用 eBPF 做沙盒之间的网络隔离。 规模化验证给了两个案例。Cube 原本跑在腾讯云 Serverless 体系里，承载过百亿级调用。元宝 AI 编程场景迁到 Cube 后，资源核时消耗降了 95.8%。外部客户里，MiniMax 在 Agentic RL 训练中靠 Cube 做到分钟级调度数十万沙箱实例。下一步规划是把事件级快照回滚也开源出去，提供百毫秒级状态回滚。

Tencent AI @TencentAI_News

6 months ago

🥳We just open-sourced Cube Sandbox! An instant, concurrent, secure and lightweight sandbox runtime for AI Agents. Built with RustVMM and KVM, it achieves the perfect balance of security and performance: → Sub-60ms cold start (2.5-50x faster) → Under 5MB memory overhead per

41 195 1K 352K 1K

Anthropic 发布了新的 Harness 工程实践文章。 表面看是介绍他们的新产品，但从更宏观的角度看这篇文章，本质是在探讨一个问题：当模型能力持续变化时，Agent 系统到底该把什么做成“稳定接口”，把什么留给未来不断重写？ 看完文章，我觉得这篇文章隐藏了 Anthropic 对未来 Agent 基础设施的一个深度判断： Agent 基础设施会越来越像“微型操作系统 （Agent OS）”，这是我觉得最值得重视的地方。 Agent 框架最忌讳的是把“暂时性的模型缺陷”上升为“永久性的系统结构”。 harness（调度循环、上下文整理、工具路由等）本质上是在编码对模型能力边界的假设，但是这些假设会随着模型变强而迅速过时。 在我之前发布的《驾驭工程》（马书）里有句话：模型能力越强，harness 将会越简单。 但是现在很多人写 Agent ，包括我自己，很容易把模型缺陷写到 Agent 框架里。比如，模型不会规划，就强行把步骤拆成固定 DAG 。。等等。 这些其实都算是 harness 补丁，其实我们 agent 开发者也很难去判断哪些是模型缺陷。 Anthropic 的做法是设计一个 meta-harness：不去承诺具体 harness 长什么样，只承诺几类长期稳定的接口。 这样的话，我们就不必猜测模型缺陷是什么。 这其实和 OS 思路差不多，OS 从来不关心未来程序怎么写，它只是提供抽象接口。 那么 Anthropic 这个 meta-harness 是如何给 Agent 做抽象呢？ 文章里最重要的抽象是三件事： - session，可以理解为 事件日志 / durable state - harness， 推理-调度循环 / 脑干 - sandbox， 执行环境 / 手脚 它们的分离，才是这个架构的核心创新点。 1. The session is not Claude’s context window 文章里这句话代表了 meta-harness 如何抽象 session。它不是简单的聊天记录，它代表的是「可恢复事件流」。 Anthropic 想做的是，把 session 做成一个 append-only event log，不能把它当作一个直接喂给模型的 prompt，它应该是一个可查询、可回放、可恢复、可重组的真实执行历史。 如果你只是把 session 当作上下文窗口的镜像，那其实就表示它损失了可恢复性。 2. Harness：可替换的 orchestration layer 早期 Anthropic 把 harness、session、sandbox 都塞进一个容器里。但这样做遇到了很多问题，比如，harness 崩了，整个会话难恢复；容器挂了，状态可能丢失；调试困难，包含了用户数据无法轻易使用shell调试；VPC 接入困难。 所以，他们把 harness 从容器里拿出来，变成一个“调用工具的脑干”。 现在的 Harness : - 不再拥有状态 - 不再假设工具在哪里，你只能看到一个接口 execute(name, input) -> string （有种 nix 哲学了） Harness 这样抽象的意思是：AI 不需要知道它在哪台设备，哪个操作系统，手机还是电脑，容器还是虚拟机等等，它只知道“我可以使用哪些手”。 （想象一下千手观音。。） 3. Sandbox：“某种具体的手” 文章里说，decouple the brain from the hands 也就是说： - Claude + harness 是 brain - sandboxes / tools / MCP / custom infra 是 hands 一旦 sandbox 只是 hand，就意味着它们彼此独立，可以来自不同的基础设施，可以共享和传递，也不需要每个 session 都加载启动完整的 sandbox。 这直接引出后面的 “many brains, many hands”。 这次 Anthropic 的实践来自于现代分布式系统最核心的经验之一：不要试图保住某个进程，要保住可恢复的事实记录和重启协议。 这样设计，也从架构上增强了安全性。 文章里有句话， narrow scoping is an obvious mitigation, but this encodes an assumption about what Claude can't do with a limited token—and Claude is getting increasingly smart. 意思是说： - 当然你可以给模型一个“范围较小的 token” - 但这其实还是在赌模型做不到某些攻击路径 - 而模型在持续变强，这种“它应该不会想到吧”的安全假设会越来越脆弱 所以他们不要把 credentials 放在 sandbox 里。 比如 Git token 只在初始化 clone/push/pull 过程中以受控方式接入，不让模型直接读到 token。模型通过 MCP proxy 间接调用，proxy 拿 session token 去 vault 取真实凭证再执行。 不把安全建立在模型能力不足上。 这样设计，也把“可恢复历史”从“上下文窗口”中解放出来了。 它的理念是，不要把完整历史放在模型上下文里；把它放到 session 这个可查询对象里。 从系统角度看： - Claude 的 context window 是执行现场 - session log 是证据仓库 - harness 是检索与重组器 于是： - prompt 不再承担“永久记忆”职责 - trimming 不等于历史消失 - compaction 不等于事实不可恢复 恢复时可以重新取原始事件，这是比“纯摘要 memory”高一个层级的设计。 这样设计，也提升了性能。 降低了 TTFT（time to first token），不再让每个 session 预付全部容器成本。 现在，先让 brain 起跑，hand 只有在需要时才 provision。这是典型的 lazy materialization 思路。 文章里给出的数据也很漂亮： - p50 TTFT 降约 60% - p95 降超过 90% 这个数字说明一个问题：原来瓶颈并非模型推理本身，而是把整个执行环境预耦合到了请求入口。 最后，别忘记这样设计的初衷，就是为了增强未来 Agent 的可扩展性。 文章最后说：“Many brains, many hands” 这意味着，Anthropic 未来是要做一个 agent runtime substrate。多脑协作/ 多手编排 / 跨环境执行。 Agent 的本体不应绑定某个执行壳，而应绑定一组可恢复状态与可调用能力。 文章里也提到了这样设计的一些缺点，比如 让 brain 管 many hands，本身是更难的 cognitive task。 所以这个架构的前提是，模型智能已足够高，能承担更抽象的工具路由责任。 这其实就是在赌未来模型能力一定会提升，面向未来设计。 最后，这篇文章给我的启发有三条： - 启发 1：会话不是消息列表，而是“执行事实流”。 - 启发 2：工具环境不要内化为 agent 自身。 - 启发 3：上下文工程应该是 harness 可替换策略，要考虑未来一旦模型变强、或者检索策略变了不产生技术债。 这篇文章没明说，但我认为它真正代表的是 Anthropic 的一个产品哲学：我们不相信今天的 agent harness 会是最终形态，所以我们优先投资于稳定接口，而不是一次性最优实现。 Agent 系统的未来，在于一组长期稳定的系统抽象之上。

Lance Martin @RLanceMartin

7 months ago

x.com/i/article/2041…

24 144 1K 343K 3K

x.com/i/article/2040…

github.com/instructkr/cla… 卧槽，大的来了！Claude Code 源码泄漏了

Shopify 每次有大更新時候都會做一個網站介紹，這次的好誇張，每個 section 都有用 three.js 和 WebGL 2 做 render，而且每個 section 都有自己的 easter egg。 其中還有一個點鑰匙之後，該鑰匙知道那個鎖在哪裡彼此做互動，目前是猜用 BroadcastChannel 實現的 (?) shopify.com/editions/winte…

加州伯克利今年的Defi课程正在进行当中，可能是最好的web3导论课👇： 课程链接：rdi.berkeley.edu/berkeley-defi/… 特色： 1， 循序渐进，从传统金融的市场微结构到Defi的清算机制学习； 2，内容全面，借贷、预言机、DEX、稳定币等几个领域都覆盖到了； 3，资源丰富，除了教学课件和视频外，还有丰富的阅读材料； 4，技术硬核，除了金融还包括对智能合约、夹子、路由、反编译等话题有一定的讨论。 有兴趣的好哥哥们可以学习一下跟大家分享~

太有才啦！他是不是应该成为中国第一设计师 😂😂

女生意外拍到肿瘤细胞分裂全过程 近日，加拿大。周女士在实验过程中，意外拍摄到肿瘤细胞有丝分裂近乎完整的过程，令她倍感惊喜。她原计划仅观察细胞形态变化，却偶然记录下这一幕。 该视频发布后受到超出预期的关注，获得了众多高中师生点赞。 有老师留言表示希望将其用于课堂教学，也有学生反馈称视频“让课本知识变得生动直观”。

reddit 上疯传的一段价值 500美刀/h 的提示词优化的提示词 之前我说，o3 改写的提示词，效果已远超我自己写。今天看到这段 meta prompt, 再次验证了我的看法 我们大多数人，只要: 1/ 完全告知 AI 真相，细节 2/ 让 AI 优化提示词 就能获得很好的结果

推荐一个计算大模型推理和训练所占内存的网页： apxml.com/tools/vram-cal… 是我见到的计算最准确的，能计算MoE的模型，会算不同的attention机制，支持修改batch size、seq length和并发。（bug修的也快，前几天DeepSeek 671B就算错，现在已经修了）

大语言模型系统化学习只需要看斯坦福三节课就够了： CS25: 通识类的整体介绍 CS224N: NLP+深度神经网络+Transformer CS336: 大语言模型从头实现，尤其是会介绍最新的进展（比如为什么现在的LLM都用SwiGLU） 如果深度了解机器学习基础，可上CS229机器学习以及CS230深度学习。 以上所有课程均Online+有视频+随业界进展实时更新。

分享 GitHub 上一份收集整理了一站式的大模型微调笔记合集： Unsloth Notebooks。 提供 40+ 份笔记，涵盖了从 Llama 3 到 Phi 4、Mistral、Qwen 2.5 等几乎所有主流开源模型，每个笔记本都有详细的注释和指南，便于我们直接上手微调训练模型。 GitHub：github.com/unslothai/note… 主要内容： - 按模型类型分类的微调笔记本（Llama、Phi、Mistral、Qwen、Gemma 等） - 多种训练方法（GRPO、DPO、Alpaca、会话微调等）全覆盖 - 视觉模型专用笔记本（Llama 3.2、Qwen 2.5 VL 等） - 语音合成模型训练资源（如 Orpheus TTS） - 所有笔记本都为 Colab 和 Kaggle 环境优化 只需点击相应的链接即可开始测试，想快速入门与实践大模型微调的开发者值得一看。

Deepseek--Prompt框架全解析🔥

多亏了现在的AI，我才知道有PDFgear这样好用的多客户端PDF工具。

原研药和仿制药 原研药 A.研发流程 原研药是由制药公司自主研发并首先推出市场的药物，需经历以下完整的药物研发流程： 1.前期的基础研究阶段： 在实验室中通过各种方法，比如高通量筛选、计算化学，乃至于近年来的AI辅助等，来寻找具有治疗潜力的活性分子 2.临床前研究阶段： 通过动物试验或其它体外试验方法来评估药物的毒性、安全性、药代动力学等特性 3.临床试验阶段： 通过I、II、III期临床试验来验证药物在人体中的安全性、有效性和适用范围 4.监管审批阶段： 申报并获批上市 经历基础研究到成功上市整套流程，一般成功率约0.01%~0.02%，即大概每5,000~10,000 个候选药物分子中仅有1个药物能获批上市 医药界有一个所谓的“双10规律”，即：开发一款新药平均需要10年时间，花费10亿美金 站在企业经营角度，研发失败项目的成本只能均摊到成功的产品上，这正是原研药价格居高不下的原因之一 B.专利保护 世界各国一般都会给予原研药以专利保护，药物上市后通常享有20年左右的专利保护期，期间其他企业不得生产相同成分的药物，以保护保护并鼓励各大药企的创新积极性 实际上对某款药物的专利保护是一组专利，而不只是一项专利，其中最重要的三个专利分别是化合物专利、晶型专利，以及制剂专利 1.化合物专利 通常也被称为核心专利，这是最核心的防止抄袭的保护手段 是指请求保护具有特定化学结构的化合物的发明，是对化合物分子内的结构和组成的表述和限定，并以此来区分其他化合物和确认保护范围 此时其他企业也有可能绕过药物的化合物专利，通过对药物分子的某些基团进行修饰、改造，使其成为一个具有相同效果或更优效果的新药 这种新药也可以申请专利，也属于原研药和专利药，即所谓的me-too药或me-better药，而真正的首发原研药则称为First-in-class 化合物专利是最难绕过的核心专利，如果能绕过，那就属于me-too或me-better药，可以自主申请原研药 2.晶型专利 是指请求保护具体化合物的特定晶体形式或特定微观空间排列方式 3.制剂专利 主要保护涉及制剂开发、制剂生产工艺改进、制剂升级等方面的特定工艺流程 晶型和制剂专利则相对容易绕过，但在实际操作层面出现的问题也很多，仿制药和原研药的很大差异往往是为了绕开晶型和制剂方面的限制而派生的 仿制药 仿制药的本质是抄作业 指其它企业依据原研药已公开的分子结构和生产工艺，模仿生产的药品，它们在有效成分、适应症、给药途径、剂型、规格、用法用量等方面都是一致的 由于原研药有专利保护，所以仿制药必须要等到原研药专利过期之后才能仿制 一般来说药物化合物专利最先过期，晶型、制剂等较晚 如果仿制药在晶型、制剂、生产工艺等方面与原研药贴合度高，生产出来的产品就会更类似原研药 但很多抄作业者为了绕开限制，必须在晶型、制剂、工艺方面制造差异性，其最终的产品与原研药差异较大也就不足为奇了 仿制药和原研药的区别 学术地讲，原研药和仿制药并无优劣之分，可能会在应用场景存在差异，毕竟医疗负担是世界性问题 使用药物最理想的状态是性价比高且可负担 但是，药物关乎人的生命健康，追求可负担的前提是仿制药的质量和效果应得达到基本的底线 为此，就有了所谓的“药物一致性评价”标准 按国际通行标准，药物一致性评价包括三个层次： 1.体外药学一致： 主要指药品的理化性质如活性成分、剂型、规格用法用量和适应症等，可以通过体外定量分析、体外溶出试验等进行评价 2.体内生物利用度一致： 主要指药物进入人体后药物代谢动力学的一致，比如血药浓度的达峰时间、药物的半衰期、药物的曲线下面积（AUC）等，可以通过生物等效性试验（BE）进行评价； 3.临床疗效一致：即治疗效果的一致，必须通过和原研药的临床试验对比方能得出疗效一致的结论； 但是目前国内对药物的一致性评价，只要求做到前两者即可，第三者是通过生物等效性进行了推论 在2016年之前，中国临床上使用的绝大多数药物是仿制药物，而且是未经一致性评价的药物 因此仿制药副作用和疗效与原研药有显著差异是医生和患者的共识 2016年3月5日，国务院办公厅发布《关于开展仿制药质量和疗效一致性评价的意见》 此后上市的药物会要求经过疗效一致性的评价 但时至今日，在在集采杀价的狂飙中，为什么会出现所谓降压药不降压、麻醉药不睡等现象呢？ 鉴于我们将永远不会有近年来仿制药疗效不佳的有证据价值的数据，但临床医生的观察结论一定存在问题发生的底层逻辑 企业追求利润无可厚非 当药企运营成本接近或高于集采价格时，而企业又不得不销售该产品时，留给企业的唯一选择是偷工减料 幸运的是，中国的一致性评价为偷工减料预留了后门 许多国家药品的一致性评价需要定期进行评价，但中国是一次性的，不需要定期监测 而且中国采取的是送检制度，而非抽检，故厂商可以特意挑选最满意的某批次药物送审 我不否认国内市场上存在优质仿制药，但品质不佳者也不会是少数，集采压力下企业出现败德行为也不足为奇

小泳 @zcwzhy

2 years ago

视频显示全球首款采用3D打印技术制备的药品 多数人以为仿制药与原研药的差别是原料药的纯度与含量，其实药品的辅料和制造工艺也十分关键 我们日常的药品主要由两部分构成，一部分叫原料药，另一部分叫辅料，在原料药里加入合适的辅料便可制作成合适的剂型

3 6 39 102K 13

不是很多原研药医院开不出来么，这里整理了一个比较全的清单：mp.weixin.qq.com/s/FAGVMPJBxLZi… 大家收藏吧，这图片不能特别不好搜索，哪位大佬用 AI/图像识别整理个文字版？

看了这篇还不理解 React 设计模式的，我吃一斤😎 candy-horse-0c2.notion.site/React-13c484cc…

常常会惊叹于英文圈的高质量interview和podcast，给我一种取之不尽用之不竭的错觉，同质量下中文的内容则很有限了。 强烈建议没有听过英文版podcast的人去尝试一下，无论是对于语言的提升还是对于这个世界的打开方式都会有所不同。 顺便分享一下我自己收藏的podcast/油管频道:

国内搞nlp的几乎没有不知道苏神的，算法设计、实验、数学推理都信手拈来，而且博客也连续写了十多年了 ，真我辈楷模 。 苏神博客：科学空间 kexue.fm x.com/virushuo/statu…