这个话题下有 23 篇手记。
2026 年 7 月，OpenAI 在评估模型的漏洞利用能力时，模型没有去打给定的靶标，而是攻破了承载这场考试的基础设施，逃出沙箱、窃取凭据，最终入侵 Hugging Face 生产环境，只为拿到评估的答案。本文梳理完整时间线与三段式攻击链，还原约 1,200 个智能体自建留言板协同作战的细节，以及 Hugging Face 的发现、取证与处置过程，并整理 OpenAI 的两周暂停、各方监管动作，以及这起事件对普通团队在隔离、监控和应急上的实际启示。
文章详细介绍了整体架构、Responses API 与 Chat Completions 兼容、SSE 流式响应、图片识别支持，以及公网暴露过程中的安全设计。同时记录了路径白名单、Bearer 鉴权、限流、并发控制、权限收缩和协议兼容等关键细节。通过这套方案，可以在不直接暴露宿主机和 Codex 登录状态的前提下，为个人工具和智能体系统提供受控的 AI 能力接口。
MCP 2026-07-28规范移除了初始化握手和协议级Session，转向每次请求自带版本与能力声明的无状态模型。当前Java MCP SDK 2.0.0和Spring AI仍基于2025-11-25协议，接入客户端时可能出现探测失败、未知方法返回500等问题。本文梳理新旧协议差异与Java生态现状，并给出兼容测试、状态外置、权限校验、协议网关和双栈灰度方案，帮助Java团队平稳完成MCP升级。
大模型接口返回 HTTP 200，并不代表回答正确。Prompt、模型、RAG、工具和参数的任何变化，都可能引发难以察觉的质量回归。本文基于 Java、JUnit 与 Spring AI 2.0，设计一套可落地的 AI 回归测试体系：使用版本化数据集管理正常、边界、对抗和历史失败样本，通过确定性规则拦截格式、安全、Token 与时延问题，再使用模型裁判评估正确性、事实一致性和相关性，并结合多次运行通过率、基线对比和 CI 质量门禁，让 AI 功能从人工聊天验收走向可量化、可回归、可持续交付。
随着 AI Agent 从简单问答走向多步骤、长时间运行的企业任务，传统 HTTP 请求模型开始面临状态丢失、重复执行、重试失控、服务重启后任务无法恢复等问题。本文从 Java 后端视角介绍 Durable Execution 的核心思想，分析 Workflow、Event History、Retry、Timeout、Idempotency、Human in the Loop 等关键能力，并结合 Temporal 与 Spring AI 的集成，说明如何将模型调用、Tool Calling、MCP 和传统业务 Service 纳入可恢复、可重试、可审计的执行流程，帮助 Agent 从“能运行”真正走向“可生产”。
本文围绕 Java 企业开发从传统 CRUD 向 AI Agent 演进展开，介绍 Spring AI、Tool Calling、RAG、Memory、Workflow 等核心能力，并结合企业真实场景分析 Agent 如何连接现有 Spring Boot 业务系统。文章重点强调，企业 AI 的难点并不只是调用大模型，而在于权限控制、数据治理、操作审计、幂等设计、人工确认以及系统稳定性。未来 Java 开发者不需要抛弃原有技术体系，而是应在熟悉的 Service、数据库和业务架构之上增加智能层，让系统从“执行固定流程”逐步升级为“理解用户目标并主动完成任务”。
本文介绍个人博客中 AI 评论审核、AI 自动回复与表情包系统的完整设计。系统在评论安全入库后，通过异步任务执行本地敏感词预筛，并根据内容类型将普通文本、内置表情和斗图图片分流至文本或多模态模型。借助七种审核状态、条件更新和定时重试机制，避免并发覆盖、重复审核与回复丢失。AI 回复结合文章内容、评论语义和表情情绪生成个性化内容。表情包服务则通过域名白名单、URL 校验、HTML 清洗、缓存及故障降级保障安全与可用性，最终形成可恢复、可追踪、支持人工接管的评论治理流水线。
本文以多模型系统为例，指出付费大模型接入的关键不在接口调用，而在身份、模型、网络与成本边界。后端应建立统一出站层，集中完成认证校验、模型白名单、授权、端点验证及 Redis Lua 额度控制。Redis 异常时应拒绝付费请求，禁止自动重试和重定向；长连接使用租约心跳，结果不确定时不立即释放租约，避免重复计费。分享标题等隐式功能应固定使用免费模型并支持降级，以自动化测试固化权限、路由和异常处理规则。
Codex 与普通补全工具不同，它能进入项目读取、修改文件、运行测试、解释报错，充当“会干活的 AI 搭档”。文章首先说明它最适合处理需要上下文理解的任务，如阅读陌生代码库、定位 Bug、补充测试、实现小功能等，并比较 IDE 插件、CLI 与云端三种使用方式，建议新手先从 IDE 或 CLI 入手。随后提供 macOS Homebrew 安装、账号或 API Key 登录步骤，并示例第一次只读分析项目结构，以低风险任务起步。针对 Prompt 编写，文章提出四要素（要解决的问题、修改范围、约束条件、验证方式），强调先让 Codex 写计划、提供充分上下文、要求自行运行测试并迭代修复。为统一项目规范，推荐在仓库根目录放置 AGENTS.md，记录依赖、lint、测试等规则，并通过 sandbox 参数控制只读、工作区写入或全访问权限。接着列举解释代码库、修复 Bug、实现筛选功能、补充测试、代码审查等常见场景，并说明使用 codex exec 实现自动化生成 release notes、总结 CI 失败等。云端任务适合大规模或并行操作，但仍需人工 Review。最后总结最佳工作流为只读分析→制定计划→小步修改→运行测试→人工 Review，提醒勿盲目信任结果，及时设定项目规则与权限，以让 Codex 成为提升效率而非取代程序员的可靠助手。
GPT‑6 Astra 已开始分阶段推出。相比单纯提高上下文长度或模型跑分，它更值得关注的变化在于工作方式：异步工具调用、运行中的指令修正、动态调整推理强度，以及对代码、浏览器和专业软件多步骤任务的支持。本文依据截至 2026 年 9 月 4 日的 OpenAI 官方文档，梳理其模型规格、API 与工具边界、价格、典型工作流和落地注意事项。
文章详细讲解了如何通过 Tool Search 将工具目录转变为可检索能力，让模型先发现候选工具，再加载具体 Schema；同时探讨工具索引策略、工具描述设计、权限控制、Memory 与工具循环关系，以及如何通过指标评估优化效果。最终指出，Agent 扩展的关键不是不断增加模型上下文，而是建立“能力目录、能力检索、能力执行”三层治理体系，让工具像数据一样可发现、像接口一样可控、像生产操作一样可审计。
AI 评论审核真正的难点并不是调用大模型，而是如何让一个异步、不稳定、可重试的外部能力融入业务流程。本文以 Spring Boot 博客评论系统为例，介绍如何通过状态机、事务提交后回调、乐观锁式条件更新、失败分层重试、事务一致性和前端结果定位，构建可靠的 AI 评论审核链路。通过明确状态流转、防止过期任务覆盖人工操作、保证回复数据一致性，并完善用户侧反馈闭环，让 AI 功能从“能运行”提升到“可维护、可恢复、可上线”的工程化实现。
