只需要一枚硬币大的 ESP32 蓝牙模块，就能让完全离线的设备悄无声息地把数据传到千里之外，全程不需要设备自身接入任何网络。
真正可落地的安全护栏，不是单点模型能力，而是成本、误伤、鲁棒性和工程基础设施之间的系统设计。
AI Coding 的安全边界，已经从代码内容扩展到了依赖选择、包安装和构建执行。
数据库 Agent 必须把模型输出当成不可信代码。
在网络安全的攻防对抗里，终端侧的较量始终是最前线的战场。红队成员想在目标主机上站稳脚跟，首先要过的就是 EDR (终端检测与响应系统) 这一关。
目前项目已经实现了四款主流厂商的模块，分别是 SentinelOne、Cortex XDR、CrowdStrike 与 Sophos。每个模块都加载厂商原生的检测资源运行，用户还能在引擎运行时通过 IPC...
模型只占一半功劳。
AI Coding 上线越深，代码上下文防火墙就越重要。
OpenAnt 给出了一个非常具体的答案：用 LLM 在真实大型仓库里挖漏洞，是可行的、可扩展的、并且可以在合理成本内闭环验证的。
提出了一套针对自动化证书管理研究的评价体系，涵盖功能性、安全性、可用性和性能4个维度。
在截图出站之前，先把隐私风险压下来，同时尽量保住任务可用性。
本文提出了 PentestEval，一个面向 LLM 渗透测试能力评估的模块化、阶段级的评测基准。
现有隐私评测大多关注 Agent 的最终回复或对外动作，却忽略了一个更早、更隐蔽的阶段——敏感数据第一次进入 Agent 上下文的阶段。
Agent 安全正在从“单句内容审核”走向“多轮执行轨迹治理”。
为统一「理解—生成」模型研究提供新的思路。
RAG 安全的核心，就是控制模型看见什么、引用什么、相信什么。
跑分依然有用。
恶意 Skill 的恶意性通常不在某一个文件、某一段代码、某一句 prompt 里，而在各组成部分之间的关系里。
Agent 系统里的中介，也应该逐步变成可审计、可验证、最小泄露的安全机制。
检测到风险，不等于阻止动作。
微信公众号
