全部 AI 动态 · AI 热点

AITOP

7月9日

00:49

官方账号Decoder@Matthias Bastian

精选

技巧 Fable 5 Sonnet 5 Anthropic

事件专题

推荐理由：想省钱又用上Fable 5？让它当经理分配任务给Sonnet 5，性能几乎不减，成本省三成。

原文

00:25

官方一手AWS Machine Learning Blog@Puneeth Komaragiri

精选

本文介绍两种使用AWS WAF和ALB保护Amazon Bedrock AgentCore Runtime的架构模式。两种模式都通过互联网ALB配合WAF，并利用VPC接口端点路由流量至AgentCore。模式1在ALB和VPC端点之间插入Lambda代理，实现请求转换的完全控制。模式2直接由ALB指向VPC端点的ENI IP，省去Lambda跳转。文中还演示了通过资源策略关闭直接访问后门，并已验证SigV4和OAuth (Amazon Cognito JWT)两种认证方式。

技巧 Amazon Bedrock AWS WAF ALB

推荐理由：AWS官方给出两种具体架构，用ALB+WAF保护Bedrock AgentCore，还能避免外部直接访问，安全配置参考。

原文

7月8日

23:57

官方一手AWS Machine Learning Blog@Cami Persson

Jamf的AI Governance与Amazon Bedrock集成，使IT团队能够在Mac设备上配置、部署和验证AI应用的管理设置。该方案支持集中部署合规策略，并通过Amazon Bedrock的API实现AI应用的访问控制。企业可以通过Jamf策略确保AI使用符合安全与合规要求。

技巧 Jamf Amazon Bedrock Mac

推荐理由：Jamf和AWS搞了个方案，让你在Mac上统一管AI应用的配置和权限，像管普通软件一样简单，合规省心。

原文

18:46

掘金本周最热@老王以为

本文从一个真实的内存泄漏案例切入，揭示第三方路由库未断开Fiber树根节点引用导致每次路由切换约有15MB的FiberNode无法回收。作者深入解析了FiberNode构造函数的二十多个字段，它们分别担任组件描述、树结构链接、工作状态记录和副作用追踪等职责。文章指出Fiber数据结构解决了v15及之前Virtual DOM不可中断遍历和无法增量更新的两个致命问题。通过理解Fiber节点的四重身份，可以透彻掌握React的组件树、状态管理、调度优先级和双缓冲等运行时机制。

技巧 React Fiber 内存泄漏

推荐理由：想搞懂React Fiber到底是个啥？这篇从一个15MB内存泄漏案例讲起，撸遍FiberNode的二十多个字段，比看文档好懂多了。

原文

15:19

官方一手marktechpost@Sana Hassan

精选

本教程使用NVIDIA的cosmos-framework，在Colab上构建紧凑的Omnimodal Mixture-of-Transformers模型。该模型共享跨模态注意力，路由文本、视觉、动作各模态到专属专家。通过合成物理世界数据和自回归rollout，模型预测未来潜状态。教程展示了如何用小型版模拟Cosmos 3世界模型的核心能力。

技巧 NVIDIA Cosmos 3 Omnimodal Mixture-of-Transformers

事件专题

推荐理由：NVIDIA发了个Colab友好教程，教你搭简化版Cosmos 3世界模型，用Omnimodal MoT架构实现跨模态预测，比跑全量模型省资源。

原文

01:29

官方一手AWS Machine Learning Blog@Emily Zhu

精选

本教程演示了如何利用Amazon QuickSight的多数据集Topics功能，构建跨多个数据集的统一语义层。通过定义数据集之间的关系，Chat Agent能够自动生成跨数据集查询。文章以一个零售分析场景为例，从创建数据集、定义关系、配置Topic到测试查询，给出了完整实现步骤。读者可学习如何在不编写SQL的情况下实现多表联合分析。

技巧 Amazon QuickSight 语义层跨数据集

推荐理由：AWS出了个新功能，用多数据集Topic把不同数据表串起来，Chat Agent自动写跨表查询，很适合不会SQL的业务分析人员。

原文

01:10

官方一手AWS Machine Learning Blog@Sindhu Chandra

AWS Finance团队使用Amazon Quick的chat agents和Flows，将两个最耗时的流程实现自动化。通过配置Flows和聊天代理，团队简化了重复性任务，回收了数百小时的工作时间。该案例展示了Amazon Quick在财务场景中的实际应用效果。

技巧 Amazon Quick AWS Finance 聊天代理

推荐理由：AWS Finance分享了用Amazon Quick的chat agents和Flows自动化两个耗时工作流，省了几百小时，很实用。

原文

01:08

官方一手AWS Machine Learning Blog@Jose Soto

精选

本教程教你使用Amazon Bedrock AgentCore构建AWS Support Companion。该智能体采用Strands Agents作为编排框架，通过Model Context Protocol (MCP)连接AWS服务。它能分析CloudWatch日志、检索AWS文档、查询AWS re:Post社区知识，并能创建支持案例。整个方案通过单个AWS CloudFormation脚本部署，并包含基于AWS Amplify的Web前端。

技巧 Amazon Bedrock AgentCore MCP/工具 CloudWatch

推荐理由：想自己搭一个能查日志、搜文档、开工单的AWS支持机器人吗？看这篇教程，用Bedrock AgentCore和MCP协议，一套脚本搞定。

原文

01:07

官方一手AWS Machine Learning Blog@Sandeep Raveesh-Babu

精选

本文展示如何使用开源工具Evidently结合Amazon SageMaker AI生成监控报告。通过MLflow组织并比较不同时间点的监控结果，并可通过管道自动化触发漂移通知。该方法支持数据漂移和模型性能退化检测，帮助维持预测准确性。

技巧 Amazon SageMaker AI MLflow Evidently

推荐理由：AWS教你用Evidently+SageMaker+MLflow搭一套模型监控流水线，自动检测数据漂移并报警，实操性强。

原文

01:06

官方一手AWS Machine Learning Blog@Salman Ahmed

精选

这篇教程教你用Amazon Bedrock AgentCore构建一个无服务器图像编辑智能体，用户上传照片后用自然语言描述编辑请求，数秒内返回结果。整个方案包含认证、加密存储、三个图像编辑工具以及React前端，只需一条命令即可部署。基础设施用AWS CDK定义，无需自定义编排代码。

技巧 Amazon Bedrock AgentCore 无服务器

推荐理由：跟着做就能搞出一个能理解自然语言指令的图像编辑器，部署还特别省心，一条命令搞定全套，试试看。

原文

7月7日

09:49

官方一手marktechpost@Sana Hassan

精选

本教程使用ChEMBL和UniProt获取EGFR C797S靶点信息，从IC50记录中提取pIC50数据集。利用RDKit标准化分子并计算Morgan指纹，训练基于scaffold-split的随机森林QSAR模型。通过SHAP解释效力驱动因素，并使用BRICS碎片重组生成并排名新候选分子。

技巧 ChEMBL RDKit SHAP

推荐理由：用ChEMBL、RDKit、SHAP和BRICS手把手搭一个EGFR抑制剂预测模型，数据清理到模型解释全有，代码示例清晰。

原文

01:23

官方一手AWS Machine Learning Blog@Caroline Des Rochers

精选

该方案利用 Amazon Nova 的视觉推理能力协调多个工具：Meta 的 SAM 3 进行像素级分割、Amazon Textract 进行 OCR。管道处理指纹、身份证、各种朝向的车牌等边缘案例。所有组件部署在 Amazon SageMaker AI 上。最终输出合规的 PII 编辑结果。

技巧 Amazon Nova SAM 3 Amazon Textract

推荐理由：AWS 教你用 Nova、SAM 3 和 Textract 搭一套能自动处理身份证和车牌的 PII 编辑管道，挺实用的。

原文

01:21

官方一手AWS Machine Learning Blog@Maria Masood

精选

AWS发布教程，使用Amazon Nova Forge和Amazon SageMaker HyperPod构建两阶段多轮强化学习基础设施。该管道是事件驱动：上传训练数据到Amazon S3即可自动触发训练任务。示例训练模型玩Wordle游戏，作为用户自定义RL任务的占位符。

技巧 Amazon Nova Forge Amazon SageMaker HyperPod 强化学习

推荐理由：AWS手把手教你用SageMaker HyperPod+Nova Forge搭RL训练管道，上传数据到S3就自动开练，还用Wordle做了例子。

原文

00:54

官方一手AWS Machine Learning Blog@Mona Mona

Amazon SageMaker AI发布了与MLflow的新集成，支持将优化推理推荐任务和基准任务的指标、参数和图表实时流式传输到无服务器MLflow App。用户无需手动导出数据，即可在统一界面跟踪实验。此集成简化了模型评估和部署流程，提升了A/B测试和模型比较的效率。

技巧 MLflow Amazon SageMaker AI 基准测试

推荐理由：用SageMaker跑基准和推荐任务，结果自动流到MLflow，省去手动导出的麻烦，做实验跟踪更省心了。

原文

7月6日

12:36

官方一手marktechpost@Sana Hassan

精选

该教程展示了如何用Tunix框架和GRPO算法微调Gemma-3模型在GSM8K数学数据集上。首先配置环境并通过Hugging Face加载Gemma-3，将样本包装为推理加答案格式。定义格式正确性和数值正确性的奖励函数，并附加LoRA适配器以降低训练成本。最终通过GRPO分组采样改进策略，并导出合并后的模型。

技巧 Gemma-3 GSM8K GRPO

事件专题

推荐理由：手把手教你用Tunix GRPO和LoRA微调Gemma-3做GSM8K数学题，奖励函数设计得很清楚。

原文

7月5日

11:10

官方一手marktechpost@Michal Sutter

精选

2026年，多数企业数据仍存储在PDF、扫描件和幻灯片中。开源文档提取模型可在本地硬件上将它们转为结构化JSON。但“PDF转JSON”涵盖两种不同问题：架构驱动提取和通用提取。选择合适的模型取决于目标格式和文档类型。

技巧 PDF提取 JSON 开源模型

推荐理由：这篇指南帮你分清两类PDF提取任务，不用纠结选哪个开源模型。适合自己搭管线的开发者。

原文

7月4日

20:50

官方账号Decoder@Matthias Bastian

Anthropic开发者Thariq Shihipar指出，Claude新模型Fable 5的瓶颈已不再是模型本身，而是用户的盲点。他提出盲点传递和结构化面试两种技巧，帮助程序员系统性地发现自身知识缺口。这些方法要求用户先在空白文档中记录无意识假设，再与Claude进行结构化对话以暴露遗漏。Shihipar强调，将实现交给Claude前应先完成盲点扫描，可显著减少迭代次数。

技巧 Anthropic Fable 5 Claude

事件专题

推荐理由：Anthropic开发者亲自教你用Fable 5的技巧，先找自己的盲点再让Claude干活，能省不少试错时间。

原文

05:24

techcrunch@Natasha Lomas, Romain Dillet, Kyle Wiggers, Lucas Ropek

TechCrunch整理了一份AI领域关键术语的指南，涵盖从“幻觉”（hallucination）到“对齐”（alignment）等30多个核心概念。每个词条都附有简明定义和实际应用场景的说明。例如，解释了“少数样本学习”（few-shot learning）如何在GPT-4等模型中实现任务微调。该词汇表还区分了“弱AI”和“强AI”的技术边界。

技巧术语表 AI概念提示词工程

推荐理由：想搞懂AI黑话？这篇把30多个关键术语一次讲清，从幻觉到对齐都有例子，读完好跟朋友吹牛。

原文

03:18

03:18官方账号Simon Willison’s Weblog（博客/媒体）

精选

Simon Willison从Claude Code团队Cat Wu和Thariq Shihipar学到：让Fable（以及部分Opus）自己决定是否写测试，而不是硬性规定。他进一步实践：让Fable在编程任务中自主选择调用Sonnet或Haiku作为子代理，自己仅负责判断、审核和合成。他于2026年7月3日用prompt写入Claude内存文件`delegate-coding-to-subagents.md`。这种做法大幅减少了Fable token消耗，提高了效率。

技巧 Claude Code Fable Anthropic

事件专题

推荐理由：Simon实测让Fable自己判断用哪个模型干小活，省token效果立竿见影，你也能照做。

原文

7月3日

05:45

官方一手marktechpost@Sana Hassan

该教程使用RAG-Anything在Google Colab中搭建多模态检索工作流。用户输入OpenAI API密钥后，生成含图表和PDF的合成报告，转换为content_list格式并注入检索系统。配置OpenAI chat/vision/embedding函数后，测试naive、local、global和hybrid四种检索模式。全流程覆盖文本、表格、方程和图像四类内容。

技巧 RAG-Anything Colab OpenAI

事件专题

推荐理由：想搭多模态RAG？这个Colab教程带你用RAG-Anything处理文本、表格、方程和图像，还支持四种检索模式，上手超快。

原文

03:19

03:19官方账号Simon Willison’s Weblog（博客/媒体）

精选

Simon Willison用Claude Fable 5通过DSPy自动化优化Datasette Agent的SQL系统提示。测试使用GPT 4.1 mini和nano，发现基线提示中由于schema只列表名、缺少列名，导致模型猜测列名并触发错误重试循环。改进方向包括在提示的schema listing中加入列名、调整“不要重复调用describe_table”的措辞。该研究展示了DSPy在提示优化中的实际应用。

技巧 DSPy Datasette Agent Claude Fable 5

事件专题

推荐理由：Simon用DSPy自动调教Datasette Agent的SQL提示，发现了具体bug和优化方向，省去手动试错。

原文

01:58

官方一手AWS Machine Learning Blog@Radha Panchap

AI 生成的钓鱼邮件比传统邮件更逼真，对安全团队构成新威胁。Amazon Bedrock 利用基础模型分析邮件语言模式和上下文，识别异常。该方法结合 Amazon Comprehend 进行情感分析和 Amazon GuardDuty 威胁检测，相比规则引擎提高了检测率。文章详细介绍了 Bedrock 如何自动抽取邮件特征并判断是否为钓鱼。

技巧 Amazon Bedrock AI钓鱼网络安全

推荐理由：亚马逊用 Bedrock 的基础模型自动分析邮件内容，能精准识别 AI 写的钓鱼信，比传统规则引擎靠谱多了。

原文

01:57

官方一手AWS Machine Learning Blog@Sapana Chaudhary

精选

本教程介绍了在Amazon SageMaker AI上进行多轮强化学习（RL）训练的最佳实践。关键在于构建可信任的训练环境，并设置外部评估来验证模型表现。需要设计一个与最终任务对齐的奖励函数，同时管理好智能体在多轮运行中产生的变化。通过监控特定指标，可以判断何时需要迭代优化。

技巧 Amazon SageMaker AI 强化学习多轮RL

推荐理由：AWS手把手教你用SageMaker做多轮RL，从环境搭建到奖励设计都讲透了，适合想落地RL项目的朋友。

原文

01:30

01:30官方账号Simon Willison’s Weblog（博客/媒体）

精选

Geoffrey Litt 在 AIE 会议上提出“理解才能参与”观点，强调与编码智能体协作时需深入理解代码，避免认知负债。他指出开发者要跟踪智能体生成的变更，保持对项目代码的掌控，才能主动参与创造过程。该演讲是 AIE 300+ 个录制演讲之一，将在三周内放出，Litt 也在推特发布了线程版。

技巧 geoffrey litt coding agents 认知负债

推荐理由：Geoffrey Litt 分享了一个超实用的认知框架，告诉你为什么理解代码比信任智能体更重要，能帮你避免认知负债，真正掌控项目。

原文

7月2日

19:14

掘金本周最热@沉默王二

这篇文章记录了一场阿里面试中关于Agent开发的问答。作者介绍了LangChain的三层架构（基础抽象层、能力层、应用层）以及LangGraph与LangChain的关系。他总结了四种Agent开发方式：ReAct、Plan-and-Execute、Multi-Agent协作和状态图编排（LangGraph）。同时详细说明了LangChain的六个核心模块：Models、Prompts、Indexes、Memory、Chains、Agents。项目中使用LangGraph4j + Spring AI实现工作流编排，而非传统Multi-Agent。

技巧 LangChain Agent Multi-Agent

推荐理由：面试官问Agent开发看这篇就够了，从LangChain架构到四种开发方式、六个核心模块全有实例。

原文

08:50

08:50IT之家（博客/媒体）

精选

微软在Windows 11的WSL中推出容器公共预览版，版本号2.9.3.0。用户通过wslc.exe命令行工具可直接拉取并运行Debian等Linux容器，无需Docker Desktop。容器支持通过Containerfile构建镜像，每个容器拥有独立Hyper-V虚拟机资源隔离。目前缺少Docker Compose多服务编排和图形化面板。Moonray渲染引擎演示了在Windows中无缝运行Linux应用。

技巧 WSL Windows 11 Linux容器

推荐理由：不想装Docker？微软在Win11 WSL里原生支持Linux容器了，命令行操作简单，还能直接跑Debian！

原文

05:11

官方一手marktechpost@Sana Hassan

精选

本教程基于Lift模型，在Colab GPU环境中以4-bit NF4量化加载，生成含干扰项的合成研究报告，运行模式引导的字段级提取，并对比每个字段与ground truth得分，最终组装为可查询知识库。该方法将Lift用于可重复的提取基准测试，而非一次性演示。

技巧 Lift JSON PDF提取

推荐理由：Lift能帮你把研究PDF变成带字段评分的JSON，还能对抗干扰，比直接用模型更靠谱。

原文

04:51

官方账号Latent Space (swyx)@Richard MacManus

Cursor组建了Forward Deployed Engineers团队，专门帮助企业在内部部署AI agent。Pauline Brunet介绍了该团队如何像建立软件工厂一样，为企业定制和集成agent。这种模式直接嵌入客户组织，解决代码生成、测试和部署等实际环节。

技巧 Cursor Forward Deployed Engineers agent

事件专题

推荐理由：Cursor团队亲述如何帮企业落地AI agent，从代码生成到部署，实战经验值得看。

原文

02:21

官方一手AWS Machine Learning Blog@Tanay Chowdhury

精选

HippoRAG是一种受神经生物学启发的检索增强生成方法，结合图数据库和个性化PageRank算法。文章展示了在AWS上使用Amazon Bedrock提供大语言模型能力，Amazon Neptune作为图数据库，Neptune Analytics运行个性化PageRank计算，以及Amazon Titan Embeddings生成向量表示。该实现面向企业级应用，可提升检索的精度与效率。

技巧 HippoRAG Amazon Bedrock Amazon Neptune

推荐理由：想在企业级玩转RAG？AWS用Bedrock、Neptune和PageRank搭了一套HippoRAG，让检索更聪明、更精准。

原文

02:20

官方一手AWS Machine Learning Blog@Akarsha Sehwag

精选

AWS博客介绍了AgentCore Memory中基于元数据的结构化记忆过滤功能。该功能支持在配置、摄入和检索三个阶段使用元数据。企业用例包括多智能体和多租户架构。文章还提供了实施最佳实践。

技巧 AgentCore Memory AWS 智能体

推荐理由：AWS这篇教你给AgentCore Memory加元数据过滤，适合做多智能体和多租户应用，很实用。

原文

02:19

官方一手AWS Machine Learning Blog@Reilly Manton

精选

本教程介绍如何在AWS上构建一个无服务器A2A网关，将多个Agent部署在单一域名下，并通过路径路由（/agents/{agentId}）进行访问。标准A2A客户端无需修改即可使用该网关。网关利用AWS Lambda、API Gateway和Amazon DynamoDB实现代理发现、路由和访问控制。该方法无需管理服务器，自动扩展，降低运维成本。

技巧 AWS A2A网关无服务器

推荐理由：AWS教你怎么用Lambda和API Gateway搭一个A2A网关，把多个Agent放一个域名下，客户端不用改代码就能用。

原文

01:53

官方一手AWS Machine Learning Blog@Hasun Yu, Ph.D.

精选

本文展示如何将BoltzGen部署到Amazon SageMaker AI，并运行端到端蛋白质设计实验。该方案提供快速验证和生产批量处理两种执行模式，适用于不同研究阶段。通过步骤级缓存减少迭代工作流中的计算成本。用户可通过完整教程获得从设置到产出的工作配置。

技巧 BoltzGen Amazon SageMaker AI 蛋白质设计

推荐理由：AWS教你用BoltzGen做蛋白质设计，有缓存省算力，步骤清晰直接上手。

原文

7月1日

14:18

官方一手marktechpost@Sana Hassan

精选

CUP是百度开源的Common Useful Python库，提供日志、装饰器、嵌套配置、缓存、ID生成、线程池、调度和Linux资源监控等模块。教程在Colab环境中演示了安装和逐步使用这些子系统。每个模块都关联到自动化、并发和可靠性检查等实际任务。该库旨在帮助开发者构建更健壮的Python工作流。

技巧 CUP 百度 Python

推荐理由：百度放出了CUP这个Python工具箱，从日志到调度一应俱全，适合写自动化脚本或提升代码健壮性的朋友，跟着教程走一遍就上手了。

原文

02:25

官方一手GitHub Blog@Natalie Guevara

GitHub 的开源项目办公室（OSPO）使用其新的许可证合规产品，规模化地管理开源依赖的合规风险。该产品帮助团队自动检测依赖中的许可证问题，并与 GitHub 平台集成，简化治理流程。文章详细介绍了 OSPO 在数千个仓库中实施合规的实践方法，确保企业级的开源治理。

技巧 GitHub 开源依赖许可证合规

推荐理由：GitHub 分享了他们内部怎么用自家新产品搞定开源依赖合规，对做企业开源治理的团队很实用。

原文

01:09

techcrunch@Rebecca Bellan

Anthropic 推出了 Claude Science 工作台，为科学家提供统一的计算研究环境。用户无需在多个数据库、数据管道和分析工具之间来回切换。该工作台旨在减少上下文切换成本，提升科研效率。

技巧 Anthropic Claude Science 工作流

事件专题

推荐理由：Anthropic 做了个 Claude Science 工作台，科学家在一个地方就能搞定数据库、管道和工具，不用来回折腾了。

原文

00:56

官方一手AWS Machine Learning Blog@Alex Newton

精选

Outpost VFX 采用 AWS 多 GPU 基础设施，将面部替换 AI 模型的训练速度提升 8 倍。通过分布式训练架构突破单 GPU 内存限制，训练时间从数周缩短至数天。该方案基于 Amazon EC2 P3 实例和弹性网卡等技术组件，使 VFX 工作流效率实现指数级增长。

技巧 Outpost VFX AWS 多GPU训练

推荐理由：想省下几周训练时间？Outpost VFX 用 AWS 多 GPU 把模型训练快了 8 倍，搞面部替换的团队可以抄作业。

原文

00:55

官方一手AWS Machine Learning Blog@Marcos Ortiz

精选

AWS博客介绍了五种构建弹性生成式AI应用的实用模式，从使用Amazon Bedrock原生功能到通过LLM网关进行多模型编排。模式1解决API配额耗尽问题，通过后备请求重试和降级响应应对流量激增。模式2利用跨区域推理，将请求路由到不同AWS区域以最大化可用性。模式5通过LLM网关的路由和隔离机制，帮助防止多租户环境中的噪声邻居问题。其他模式涵盖重试退避、熔断器和服务降级策略。

技巧 Amazon Bedrock LLM网关 AWS

推荐理由：AWS手把手教你用Bedrock和LLM网关应对流量激增、跨区域高可用和租户隔离，五个模式都是实战干货。

原文

00:53

官方一手AWS Machine Learning Blog@Ryan Razkenari

精选

AWS博客介绍了AG-UI协议如何集成到Fullstack AgentCore解决方案模板（FAST）中，用于在Amazon Bedrock AgentCore上构建交互式代理前端。CopilotKit通过生成式UI、共享状态和人在回路交互扩展了该方案，所有组件均部署在Amazon Bedrock AgentCore上。该教程提供了具体步骤和代码示例，帮助开发者快速搭建具备动态UI的AI代理。

技巧 AG-UI Amazon Bedrock AgentCore

事件专题

推荐理由：AWS和CopilotKit联合出了个新方案，教你用AG-UI协议在Bedrock AgentCore上快速搭出带生成式UI的AI代理前端，还有人在回路功能，很实用。

原文

00:50

官方一手AWS Machine Learning Blog@Le Vy

AWS 博客介绍如何通过 Amazon SageMaker AI 微调 Amazon Nova 模型，以提升电子邮件数据提取的准确性。微调使模型识别特定数据模式并区分相似字段，提取准确率可达 94.77%。该方案同时将成本降低 50%，适用于需要高精度提取的业务场景。文章提供了详细步骤和示例代码。

技巧 Amazon Nova Amazon SageMaker AI 微调

推荐理由：想用 Amazon Nova 搞邮件数据提取？这篇教程手把手教微调，准确率飙到 94.77%，成本还省一半。

原文

00:15

00:15官方一手OpenAI Blog（博客/媒体）

精选73°

OpenAI工程师通过分析大规模核心转储数据，定位并修复了一个存在18年的软件漏洞，同时发现了一个相关硬件故障。这次调试使用了数千份核心转储样本，最终解决了罕见的基础设施崩溃问题。该方法验证了核心转储分析在诊断长期隐蔽Bug中的有效性。

技巧 OpenAI Core Dump 基础设施

事件专题

推荐理由：OpenAI工程师靠分析核心转储，挖出一个18年的老Bug，还顺便揪出了硬件问题，这技术活真硬核。

原文