如果准备第一次试用，顺序很明确：先从 demo 找到一条配置改动和对应的执行证据；再选一个领域的一道真实任务，用 ​​k=1​​ 建立质量与成本基线。只有当改进收益足以覆盖重跑开销时，再扩大递归预算。

经典的防注入手段是参数化查询，但放在这里完全失效。参数化查询假设查询骨架是可信的，你要保护的只是用户传进来的数据。当 LLM 自己写出整条语句时，查询骨架就是攻击载荷，没有任何参数可以绑定。

在Anthropic内部，研发下一代Claude的很多活，已经交给了这一代Claude。它替研究员跑实验，生成和处理训练数据，做自动化评测和安全审计，还负责写代码、审代码。

今天我们一起认识了DOM节点层级中的DocumentType类型，它不是普通的HTML元素，而是表示文档类型声明的DOM节点。通过document.doctype，我们可以访问当前文档对应的文档类型对象；通过name、publicId和systemId，可以读取文档类型声明中的相关信息。

多标签情绪识别的难处，在于不同情绪可能同时成立，却依赖不同证据。说话内容可以透露恐惧，语调可以带出兴奋，面部变化又可能支持惊讶。如果只给某一路输入分配一个整体可靠性分数，就难以表达“这段声音有助于判断快乐，却不足以判断恐惧”这样的差异。模型需要保留的是每个情绪的判断依据。

密码分析本身是一种不对称的研究活动。某个漏洞一旦得到有效证明，就可以否定对应的安全主张；但在没有发现漏洞时，并不能反过来证明系统安全。不同候选遭受的研究强度、攻击者关注程度和公开复现规模也不一样，所以漏洞数量并不是能够直接横向比较的安全分数。

最近 AI 智能体领域正在发生一场观念上的转向，过去一两年「多智能体协作」几乎成了行业默认解法，团队习惯通过一个协调器，拆出大量子智能体分工完成复杂任务，默认分工越细、数量越多，能力就越强。

拒绝失败率（Refusal Failure Rate，RFR）衡量模型未能拒绝有害请求的比例，越低越好。实验对两种设置使用相同图文样本，由 GPT-5.2 按安全评判规则区分拒绝、风险警告与不安全回答。工具设置采用 ReAct 式循环，让模型在推理与工具调用之间反复交互，可选裁剪放大、图像标注、文字识别和代码执行四类工具，也允许不调用工具就作答。

本文记录运维把 AI Agent 用到指标分析、日志排查、知识管理和故障诊断的过程中遇到的问题，以及工具和流程的调整。