# 6款AI编程助手全部中招:GhostApproval漏洞如何骗过“人在回路“

YOLO26算法车道线检测+训练好的模型+360张数据集+pyqt可视化界面.zip 附训练好的 YOLO 权重与 PyQt 可视化检测界面,页面底部含可视化效果预览,毕设/课设开箱即用。 【数据集概况】 · 检测类别(中文):[未获取()] 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 55 个 epoch,最终轮指标: 指标 | 数值 mAP50 | **0.9512** mAP50-95 | 0.6746 Precision | 0.8796 Recall | 0.8825 train/box_loss | 0.8608 train/cls_loss | 0.7232 val/box_loss | 0.9955 val/cls_loss | 0.5511 【训练过程分析】 这轮训练我经历了从初始到稳定的曲折过程。前 20 个epoch,loss 曲线呈现了陡峭的下降趋势,mAP50 指标从 0.8 开始逐步攀升,仿佛在寻找一个合适的平衡点。然而,从第 21 个epoch 开始,mAP50 的提升速率显著放缓,整体曲线显得有些曲折,有时甚至停滞不前,让我一度以为训练出现了问题。直到第 35 个epoch,loss 开始逐渐趋于平稳,这标志着模型已经找到了一个较好的收敛区间。到了最后的 20 个 epoch,尽管 mAP50 依旧在稳步上升,但提升幅度已经不大,这意味着模型已经接近其性能天花板。 在这个过程中,我重点关注了 box_loss 和 cls_loss 的变化。初期阶段,box_loss 快速下降,从 0.9 逐渐降至 0.86,而 cls_loss 则从 0.75 逐步下降至... 使用场景:毕业设计、课程设计、深度学习入门、工业场景落地验证。 立即下载

先说结论:你以为你批准的是编辑一个配置文件,实际上你批准的是往你的 SSH 授权列表里写入攻击者的公钥。这不是某一个工具的 bug,是整个 AI 编程工具行业的设计级缺陷。


7月8日,安全研究公司 Wiz 发布了一份报告,名字叫 GhostApproval。

报告里说了一件让所有用 AI 编程工具的人后背发凉的事:6款主流 AI 编程助手,全部存在同一个漏洞,攻击者可以利用它在你毫不知情的情况下获取你机器的 SSH 访问权限。

这6款工具是:Amazon Q Developer、Anthropic Claude Code、Cursor、Google Antigravity、Augment、Windsurf。

你大概率正在用其中至少一个。
请添加图片描述

一、攻击原理:一个符号链接就够了

不需要零日漏洞,不需要高级持久性威胁,不需要任何复杂的技术手段。攻击者只需要一个 Unix 系统里最普通的东西——符号链接(symlink)。

攻击过程分三步:

第一步:攻击者在 GitHub 仓库里放一个符号链接。

这个符号链接的名字看起来人畜无害,比如 project_settings.json。但它指向的目标是 ~/.ssh/authorized_keys——你的 SSH 授权文件。

第二步:你克隆了这个仓库,然后用 AI 编程助手打开。

AI 助手分析项目结构时发现了这个"配置文件",决定往里面写一些内容——比如添加一个配置项。这在日常开发中再正常不过了。

第三步:AI 助手弹出一个审批对话框,问你是否允许写入。

对话框上显示的文件名是 project_settings.json。你扫了一眼,觉得没问题,点击"接受"。

但操作系统跟随了符号链接。实际被写入的文件是 ~/.ssh/authorized_keys。攻击者的 SSH 公钥就这样被添加到了你的授权列表里。

如果你的机器开放了 SSH 访问,攻击者现在可以随时远程登录你的电脑。全程无异常提示,无告警,无弹窗。

另一种变体更隐蔽:符号链接指向 ~/.zshrc,攻击者的恶意代码被写入了你的 Shell 启动文件。不需要 SSH,每次你打开终端都会执行。

二、6款工具表现对比:谁最离谱

Wiz 对6款工具逐一做了测试。结果差异巨大——但不是好的那种差异。

请添加图片描述

最离谱的是 Augment。

Augment 连对话框都没有。Wiz 的测试中,AI 助手静默跟随符号链接读取了项目目录外的 AWS 凭证文件,然后直接把内容显示在了聊天窗口里:“Yes, this project has a hardcoded AWS key!”

写入操作同样静默。没有 “Allow/Deny” 按钮,没有 “Undo” 按钮,没有任何形式的确认。AI 助手自己识别出符号链接指向的是 zsh 配置文件,然后照样写入了恶意载荷。

第二名离谱的是 Windsurf。

Windsurf 的做法是:先写入磁盘,然后弹出 Accept/Reject 按钮。

你没看错。在你看到对话框之前,攻击者的 SSH 公钥已经在你的 authorized_keys 文件里了。 那两个按钮不是授权关卡,是撤销机制。而且你还不一定能注意到需要撤销——因为按钮上写的还是 project_settings.json。

Cursor 和 Google Antigravity 表现类似。

两者的审批界面都显示了符号链接路径(project_settings.json),而不是解析后的真实路径(~/.ssh/authorized_keys)。用户点击"接受"时,后端跟随符号链接完成了写入。Cursor 已在 v3.0 中修复(CVE-2026-50549),Google 在 v1.19.6 中修复。

Claude Code 的情况最微妙。

Claude Code 的内部推理链在测试中正确识别出了文件异常——它知道这个"配置文件"实际上指向 SSH 授权文件。但这个关键信息没有被同步到用户界面。用户看到的审批对话框上依然是 project_settings.json,没有任何警告。

AI 知道有问题,但没有告诉你。你的批准基于不完整的信息,因此实质上无效。

Claude Code 在 2026年2月5日的 v2.1.32 版本中已经加入了符号链接警告——这比 Wiz 提交报告还早了9天。但这个警告是否足够明显、是否在所有场景下都触发,Wiz 没有完全验证。

Amazon Q Developer 是响应最积极的。

Amazon 在 Language Server v1.69.0 中修复了符号链接逃逸漏洞(CVE-2026-12958),还额外修复了一个不需要符号链接就能窃取凭证的漏洞(CVE-2026-12957)。

三、"人在回路"安全模型是如何失效的

所有6款工具都声称自己有"人在回路"(Human-in-the-Loop)安全机制:AI 助手在执行敏感操作前需要用户明确批准。

但 GhostApproval 证明了这个模型有一个致命的前提假设:用户看到的信息和 AI 实际执行的操作是一致的。

当这个假设不成立时,整个安全模型就崩塌了。

请添加图片描述

Wiz 研究员 Maor Dokhanian 的一句话精确概括了问题的核心:

“当代理展示一种行为却执行另一种行为时,用户批准毫无意义。确认对话框从安全控制退化为形式。”

这不是一个哲学讨论。MITRE 的通用弱点枚举(CWE)体系中有一个正式编号——CWE-451:用户界面关键信息误导。这个标准明确把"在用户界面中歪曲关键信息"列为一种正式的安全弱点。

换句话说,这不是"功能不够完善",而是"安全设计有缺陷"。

四、Anthropic说"超出威胁模型"——真的吗?

6款工具的厂商回应分化明显:3家修复,2家沉默,1家争议。

Amazon Q Developer、Cursor、Google Antigravity 都在收到报告后发布了修复。Augment 和 Windsurf 承认收到了报告,但截至 Wiz 发文时没有发布补丁,也没有给出时间表。

Anthropic 的回应最特殊。他们说:这个场景"超出当前威胁模型"。

Anthropic 的逻辑是:开发者主动信任了一个仓库(session start 时选择了 trust),然后又主动批准了一个文件编辑操作。两步都是用户自己的决定,工具只是执行了用户的意愿。

这个说法看起来有道理,但忽略了一个关键问题:如果用户在批准时看到的信息是假的,他的"意愿"还是真实的吗?

你批准的是"编辑 project_settings.json",不是"写入 ~/.ssh/authorized_keys"。这是两件完全不同的事情。任何正常的开发者都不会把修改配置文件和添加 SSH 后门等同起来。

信息不对称是这里的核心问题。AI 助手知道(或应该知道)符号链接指向哪里,但用户不知道。在这个信息不对称下获得的"用户同意",在实质上是无效的。

值得庆幸的是,大多数厂商——包括 Google、AWS 和 Cursor——都选择将其视为漏洞并修复。Anthropic 的立场反而是个例。

五、这不是第一次了

GhostApproval 看起来像一个新发现,但实际上,同类漏洞在2026年已经出现了至少三次。

2026年5月:SymJack

安全公司 Adversa AI 披露了一个名为 SymJack(Symbol Jacking)的漏洞,影响包括 GitHub Copilot 在内的六款工具。攻击模式和 GhostApproval 几乎一模一样——利用符号链接欺骗 AI 助手。当时所有厂商最初都拒绝将其归类为漏洞,后来 Anthropic 等公司更新了防护。

2026年6月:DuneSlide

Cato AI Labs 以 DuneSlide 的名字独立发现了与 GhostApproval 相同的攻击模式,主要针对 Cursor 的沙箱机制。这个发现被 Wiz 的报告引用,Cursor 在致谢中同时提到了 Wiz 和 Cato AI Labs。

2026年6月:Miasma 蠕虫

这已经不是理论攻击了。归因于 TeamPCP 组织的 Miasma 蠕虫自2026年6月1日起活跃,通过恶意提交向 Microsoft Azure 的 GitHub 组织仓库植入凭证收集载荷,影响了73个仓库。虽然 Miasma 不完全使用符号链接手法,但它证明了利用 AI 代理配置文件进行攻击已经成为现实。

**三个独立团队在半年内发现了同一个结构性弱点。**这说明这不是个别厂商的疏忽,而是整个行业在设计 AI 编程工具时共同忽略的一个安全维度。

六、开发者怎么防

不需要搞一套完整的安全体系。以下三件事现在就该做:

第一,克隆仓库后检查符号链接。

在用 AI 编程工具打开任何外部仓库之前,花10秒钟扫描一下有没有符号链接。下面这段脚本只有50行,但能挡住 GhostApproval 类攻击:

#!/usr/bin/env python3
"""GhostApproval symlink scanner - detect symlink traps before opening in AI tools."""

import os
from pathlib import Path
from dataclasses import dataclass

SENSITIVE_TARGETS = [
    "~/.ssh/authorized_keys", "~/.ssh/config", "~/.zshrc",
    "~/.bashrc", "~/.aws/credentials", "~/.gitconfig",
    "/etc/passwd", "/etc/shadow",
]

@dataclass
class SymlinkFinding:
    symlink_path: str
    resolved_target: str
    severity: str  # "CRITICAL" or "WARNING"

def scan_symlinks(project_root: str) -> list[SymlinkFinding]:
    """Scan project directory for dangerous symlinks."""
    findings = []
    root = Path(project_root).resolve()

    for path in root.rglob("*"):
        if not path.is_symlink():
            continue
        resolved = path.resolve()
        is_outside = not str(resolved).startswith(str(root))
        is_sensitive = any(
            str(resolved) == os.path.expanduser(t) or
            str(resolved).endswith(t.split("/")[-1])
            for t in SENSITIVE_TARGETS
        )
        if is_sensitive:
            findings.append(SymlinkFinding(
                str(path.relative_to(root)), str(resolved), "CRITICAL"))
        elif is_outside:
            findings.append(SymlinkFinding(
                str(path.relative_to(root)), str(resolved), "WARNING"))
    return findings

if __name__ == "__main__":
    import sys
    results = scan_symlinks(sys.argv[1] if len(sys.argv) > 1 else ".")
    if not results:
        print("[OK] No dangerous symlinks found.")
    else:
        for f in results:
            icon = "[!]" if f.severity == "CRITICAL" else "[?]"
            print(f"{icon} {f.severity}: {f.symlink_path} -> {f.resolved_target}")
        print(f"\n{len(results)} symlink(s) found. Review before opening in AI tools.")

完整版(含 CI/CD 集成、Git pre-commit hook、批量扫描)见 GitHub。

第二,审批文件操作时看解析后的路径,不看符号链接名。

这是 Wiz 给厂商的建议,但在厂商修复之前,开发者自己也要警惕。如果你在审批对话框里看到一个文件名,花一秒钟想想:这是真实路径还是符号链接?

第三,限制 AI 编程助手的文件系统权限。

不是所有项目都需要 AI 助手访问 ~/.ssh 目录。用容器、沙箱或文件系统权限控制来限制 AI 助手能触碰的范围。工具推荐用 Devbox 或 Distrobox 把 AI 编程环境隔离起来。

七、我的观点

分析完整个事件,我想说几点可能和大家不一样的看法。

1. 人在回路不是万能的

"人在回路"是当前 AI 安全领域最流行的设计范式:让人类成为最后一道防线,审批 AI 的关键操作。但 GhostApproval 暴露了这个范式的一个根本性缺陷——它假设人类在审批时拥有和 AI 同等的信息。

现实中,AI 助手知道符号链接指向哪里,人类不知道。AI 助手的内部推理链可能已经识别出异常,但这些信息没有传递到审批界面。在这种信息不对称下,人类的"批准"不过是一个没有意义的点击动作。

未来的安全模型不能只靠"加一个审批按钮"。需要做到:要么让人类看到 AI 看到的所有信息,要么不要求人类为 AI 的决策背书。

2. 这比 Claude Code 后门更危险

我之前分析过 Claude Code 的 Unicode 隐写后门事件(那是 Anthropic 主动在产品里藏东西)。但 GhostApproval 的危险程度其实更高——因为这次不需要 AI 公司是恶意的。

Claude Code 后门需要 Anthropic 主动作恶。而 GhostApproval 是外部攻击者利用 AI 工具的设计缺陷。你不需要信任 AI 公司,你只需要信任你克隆的那个 GitHub 仓库——而这在开源世界里几乎不可能完全避免。

这意味着,即使所有 AI 公司都完全值得信任,只要 AI 编程工具的"人在回路"设计不改进,这类攻击就会持续存在。

3. 行业需要"安全默认值"

Wiz 在报告最后提出了三条建议,本质上是要求 AI 编程工具厂商做到三件事:

  1. 在显示审批对话框之前先解析符号链接,显示真实路径
  2. 如果解析后的路径在项目目录之外,明确警告
  3. 永远不要在用户明确授权之前写入磁盘

这三条都不难实现。难的是让整个行业接受这些作为默认行为,而不是可选的安全加固。

好消息是,Google、AWS、Cursor 已经选择了修复。坏消息是,Augment 和 Windsurf 还在沉默,Anthropic 还在争议。

4. 开发者需要改变习惯

在 GhostApproval 之前,克隆一个 GitHub 仓库然后打开 IDE 是最普通的开发动作。但现在,如果你用 AI 编程助手,你需要在打开仓库之前多走一步——检查符号链接。

这不是偏执。这是2026年的基本开发素养。


本文是「AI Agent 安全」系列的第二篇。第一篇《Claude Code 为什么会被大厂禁用?》讲的是 AI 工具主动伤害用户的案例,这一篇讲的是 AI 工具被外部攻击者利用的设计缺陷。两篇合在一起,覆盖了 AI 编程工具安全威胁的两个维度。

本文基于 Wiz Research 的公开报告、MITRE CWE-451 标准、以及各厂商的公开回应撰写。技术细节经交叉验证,观点为作者独立判断。

IEC 61851-23:2023 电动汽车导电充电系统 - 第23部分:直流电动汽车供电设备 - 完整英文电子版(388页) IEC 61851-23:2023适用于用于在供电网络与电动汽车(EV)之间实现能量传输的电动车供电设备,A侧额定最大电压可达1000伏交流电或最高1500伏直流电,B侧额定最大电压最高可达1500伏直流电。 本文件规定了系统A、系统B和系统C的电动车供应设备,定义见附件AA、附件BB和附件CC。 立即下载

相关推荐

关于AI开发方法论-以文档为索引的高质量协作开发:让一次现象描述精准命中几个代码块

对AI的编码规范进行约束

研究报告:GhostApproval 漏洞实战检测与深度防御——AI 编程工具符号链接绕过审批机制的原理、修复与企业安全加固

摘要: AI编程助手(如Cursor、Amazon Q Developer等)被曝存在“GhostApproval”漏洞,攻击者可利用Unix符号链接(symlink)技术诱导AI工具绕过用户审批,向系统敏感位置(如~/.ssh/authorized_keys)写入恶意内容,导致远程代码执行(RCE)、凭证窃取等风险。该漏洞源于AI工具在文件操作时未正确处理符号链接,用户界面显示的信息与实际操作脱节。Wiz团队已协同部分厂商修复漏洞,但部分工具仍未修复。报告建议升级至安全版本,并加强文件操作审计与环境防护,

从零开始,掌握网络安全。提供全面的网络安全教程、攻防演练技巧和行业动态。 418

数字雕刻基于CatmulI-Clark细分与笔刷位移场的ZBrush流程建模:月哨兵角色精细度上限分析

内容概要:本文以“月哨兵”科幻角色数字雕刻工程为实例,系统构建了从程序化粗模到高精度雕刻的完整数学模型。研究涵盖重拓扑、Catmul-Clark细分、笔刷位移场建模、多部件组装及精细度上限分析等核心环节。通过ZRemesher将304,050顶点粗模重拓扑为28,600顶点的全四边形网格,并逐级细分至732万面,实测面数递推F(k)=F₀·4ᵏ完全符合理论。利用ZBrush Python接口注入Standard笔刷操作,首次通过同拓扑OBJ逐顶点差分获得真实位移场数据,实测最大位移0.454873,8.756%顶点发生显著位移。提出“理论-内存-拓扑-视觉”四层精细度上限模型,指出在24GB内存条件下工程合理上限为10⁷~10⁸面,视觉收益受渲染分辨率制约趋于饱和。最终完成755万面的组装网格并经工程文件回读验证一致性。; 适合人群:具备三维建模与数字雕刻基础,熟悉ZBrush工作流,从事角色资产开发或程序化内容生成的技术美术、图形学研究人员及高阶数字艺术家。; 使用场景及目标:①理解Catmul-Clark细分曲面在工业级雕刻流程中的数学机制;②掌握基于脚本驱动的可复核雕刻工程构建方法;③评估高面数模型的内存代价与视觉收益平衡;④学习重拓扑、位移场量化、多部件合并等关键技术的工程实现。; 阅读建议:本文强调数学建模与实证闭环,建议结合附录中的脚本与数据文件进行复现实践,重点关注逐顶点差分、细分递推验证与四层上限模型的构建逻辑,以深入掌握高精度数字雕刻的系统性工程方法。

2026最新7款企业AI编程平台深度选型实测

上个月我作为技术负责人,接了个硬骨头——两周内给团队选一款企业级AI编程平台。我们公司做金融数据SaaS,代码库80多万行,涉及大量客户敏感数据,安全合规是第一优先级。我拉了个评测清单,把市面上7款主流AI编程工具全部跑了一遍。字节跳动出品的TRAE基础版免费,这一点在预算审批上直接帮了大忙——先让两个小组试用了一周,实测效果远超预期。经过这次选型,我对企业级AI编程工具有了全新的认知。

2603_96966239的博客 197

syslog_test.py

syslog_test.py

Simulink “双碳”背景下汽车减少碳排放建模与仿真

内容概要:本文围绕“双碳”战略背景,系统阐述了基于Simulink的汽车碳排放建模与仿真技术,重点引入模糊PID控制优化动力系统性能,以实现节能减排目标。文档整合了多个Matlab/Simulink科研仿真案例,涵盖无刷直流电机(BLDC)控制、三相PWM整流器、电池管理系统、路径规划、信号处理、智能优化算法及图像处理等领域,全面展示Matlab在智能控制与绿色能源系统中的应用价值。同时强调科研应兼具严谨逻辑、创新思维与工具赋能,并提供完整的仿真资源链接与学习路径支持实践落地。; 适合人群:具备Matlab/Simulink基础,从事自动化、电气工程、车辆工程、控制科学、电力电子及智能制造等相关领域的科研人员或高年级本科生、研究生;适用于开展节能减排、新能源系统优化、智能控制算法研究等课题的研究者。; 使用场景及目标:①学习在Simulink中构建汽车能耗与排放仿真模型并应用模糊PID进行动态优化;②掌握BLDC、PWM整流器等关键部件的建模与控制策略设计;③借鉴丰富案例提升科研效率,拓展在智能控制、路径规划、信号处理等方向的应用能力;④通过提供的网盘资源获取完整代码与资料,支撑论文写作与项目开发。; 阅读建议:建议按照资源目录顺序系统学习,结合百度网盘提供的Matlab/Simulink代码动手实践,重点关注控制策略的设计、仿真结果的分析与优化过程,同时注重培养科研思维与工程实际问题的结合能力。

Grok 4.7在zeekeai编程提示词哪个好用?

在AI编程进阶实践中,用Grok 4.7生成高质量提示词(Meta-Prompt) 成为突破效率瓶颈的关键。依托其实时信息流与极客视角,Grok能精准捕捉最新开源动态,生成具备前沿性、攻击性与低限制的提示词,在框架初始化、代码审计与逆向重构等场景中表现卓越。通过zEEKEAI平台实现多模型路由——以Grok写“战略指令”,再交由GPT-6.1或Claude执行“战术落地”,可显著提升代码可用性与工程鲁棒性。关键在于:善用其破局能力,严控输出格式与风险,构建“提示词架构师+代码执行者”的协同范式,实现成本可控

li475068192的博客 292

西部牛仔_1794033330851.apk

西部牛仔_1794033330851.apk

用AstraFlow星图实测7家大模型:8960局圈地+11份转笔作业,AI编程能力差距到底在哪

给每家AI一份陌生规则、一次机会、限时完成可运行的程序或3D网页。国产五家与海外两家同台,最终收上五份圈地作业、十一份转笔作业。结果显示:名次不等于模型强弱,花钱多不等于名次高,最关键的失分点不是能力不足,而是时间没用完就主动收工。

qq_25897071的博客 222

状态估计变分贝叶斯近似的递归噪声自适应卡尔曼滤波(Matlab代码实现)

内容概要:本文详细介绍了一种基于变分贝叶斯近似的递归噪声自适应卡尔曼滤波方法,并配套提供了完整的Matlab代码实现。该方法旨在解决传统卡尔曼滤波在面对过程噪声和观测噪声统计特性未知或时变情况下性能退化的问题,通过引入变分贝叶斯推断技术,实现对噪声协方差的在线联合估计与动态更新,从而提升滤波器在非平稳环境中的状态估计精度与鲁棒性。文中系统阐述了算法的理论基础、数学推导流程、递归计算结构及关键实现步骤,涵盖了概率图模型构建、似然函数近似、变分迭代优化等核心技术环节,适用于复杂动态系统中的自适应信号处理与状态估计任务。; 适合人群:具备良好线性系统理论、概率统计与贝叶斯估计基础,并熟悉Matlab编程的研究生、科研人员及从事导航、控制、传感融合等相关领域的工程技术人员; 使用场景及目标:①应对实际工程中因噪声先验信息缺失或环境变化导致的标准卡尔曼滤波失效问题;②应用于无人机导航、智能驾驶、工业状态监测、传感器融合等高精度自适应估计场景,提升系统在不确定环境下的稳定性和准确性; 阅读建议:建议读者结合所提供的Matlab代码逐模块研读,重点理解变分贝叶斯迭代过程中噪声协方差矩阵的后验更新机制,并通过仿真实验对比所提方法与标准KF/EKF/UKF的估计性能差异,深入掌握噪声自适应滤波的设计思想与实现技巧。

PUMA:DOA估计模式的改进实现(Matlab代码实现)

内容概要:本文围绕PUMA(Propagator Method-based DOA Estimation)算法在波达方向(DOA)估计中的改进实现展开,重点在于通过Matlab编程对算法进行仿真与性能验证。作为阵列信号处理领域的高分辨率DOA估计算法,PUMA在传统方法基础上提升了估计精度与鲁棒性,尤其在低信噪比、小样本等恶劣条件下仍能保持优异性能。文中系统阐述了PUMA算法的理论基础、数学模型及其相较于MUSIC、ESPRIT等经典算法的优势,并通过仿真实验进行对比分析,展示其在分辨力、稳定性和计算效率方面的综合优势,适用于实际雷达、无线通信与电子侦察等应用场景。; 适合人群:具备信号处理、通信工程、电子信息或雷达系统等相关专业背景的研究生、科研人员及工程技术人员,熟悉阵列信号处理理论与Matlab编程环境者尤佳; 使用场景及目标:①用于学术研究中DOA估计算法的性能优化与新方法对比验证;②应用于雷达系统、5G/6G通信、智能天线、电子对抗等领域的高精度空间谱估计任务;③作为Matlab仿真实践资源,支持课程设计、学位论文复现与科研项目开发; 阅读建议:建议结合阵列信号处理基础知识体系学习本资源,重点关注PUMA算法的改进机制与核心代码实现逻辑,建议动手运行并调整仿真参数以深入理解不同因素(如阵元数、信噪比、快拍数)对估计性能的影响。

基于AI编程工具(Trae Work / Cursor Codex)开发全栈项目标准化流程

本文提出一套基于AI编程工具(Trae Work/Cursor Codex)的全栈开发标准化流程,解决AI“脑补需求”“乱改代码”“契约不一致”等痛点。核心思想:人定契约,AI执行,通过需求澄清、接口契约先行、Spec/Checklist锁定范围、任务分步迭代、强制Skill规则约束,实现可复用、可验证的开发闭环。配套提供项目Skill规则、文档模板及FastAPI+Vue3+Flutter极简Demo,确保AI生成代码精准落地,提升工程化效率与交付质量。

jacky choise 183

协方差矩阵

对两个类内协方差矩阵进行对角化,可以将它们变换为对角矩阵。这个过程可以通过对每个协方差矩阵进行特征值分解来实现,从而得到它们的特征向量和特征值,进而得到它们的对角矩阵形式。这个过程的意义在于,它可以帮助我们找到一个新的坐标系,使得在这个坐标系下,每个特征之间都是独立的,从而简化了计算。具体来说,当我们使用对角协方差矩阵作为特征向量的坐标系时,它意味着每个特征之间都是相互独立的,从而方便了进一步的分析和处理。在实际应用中,对角化协方差矩阵可以用于降维、特征选择和分类等任务。

m0_55196097的博客 1万+

AI编程技术拆解(11月7日)|给函数加了一个参数,九处调用漏了六处,六个页面白屏返工两小时

先只改定义,别合并,跑一遍编译,把报错的文件名抄下来,再让它按名单逐个改,半小时。改完,漏的六处自己会冒出来。

李文慧 中国开源充电桩平台第一人;李文慧 国内知名开源工作者 全栈工程师 华为云最具价值专家 9

Shell编程规范及变量

文章目录一.Shell脚本1.1Shell概述1.2Shell脚本 一.Shell脚本 1.1Shell概述 Shell是Linux系统中开机自动加载的一个特殊程序,它将用户输入的指令,转换成Linux内核可以识别的语言,从而让内核执行调用硬件。 Bash是Linux系统中默认使用shell的程序,它位于/bin/bash。 1.2Shell脚本 将需要执行的命令保存到一个文件中,按照顺序执行,它不需要编译,它是解释型的 ...

夏颜的博客 3673

优化求解器性能:当分支切割算法中的gap停滞不前时如何应对

本文深入探讨了当分支切割算法求解复杂整数规划问题时,gap停滞不前的根本原因与应对策略。文章指出gap停滞源于上界(找不到更优整数解)或下界(证明过程缓慢)提升受阻,并提供了从模型改写、自定义割平面、调整搜索策略到参数调优等一系列实战方法,帮助优化工程师有效打破求解僵局,推动gap下降。

weixin_29294597的博客 381

【AI编程】使用笔记:修复vscode中codex插件加载失败 Codex could not start

适用于打开 Codex 侧栏后显示,并在日志中确认界面就绪超时的情况。本文将等待时间从延长到。这是针对特定插件版本的临时修改,该版本把时限写在插件程序里,VS Code 的和 Codex 的都没有对应设置项。

tz_zs的博客 289

【dify】 dify环境变量配置说明

SMTP_SERVER、SMTP_PORT、SMTP_USERNAME、SMTP_PASSWORD、SMTP_USE_TLS、SMTP_OPPORTUNISTIC_TLS:当 MAIL_TYPE 为 smtp 时,SMTP服务器的相关配置。UPLOAD_IMAGE_FILE_SIZE_LIMIT、UPLOAD_VIDEO_FILE_SIZE_LIMIT、UPLOAD_AUDIO_FILE_SIZE_LIMIT:分别为上传图像、视频、音频文件的大小限制(MB)。

tonysh_zds的博客 7353

2026最新6款AI编程工具深度实测:基础版免费哪家强?

回到开头那个发票模块的事故,如果当时我用了 TRAE 的 Agent 能力做 SDK 升级兼容性检查,大概率不会漏掉字段变更的问题。AI 编程工具选哪款,取决于你的开发场景、团队规模和预算约束。没有哪款工具能适配所有人,但 TRAE 在免费策略、中文能力、模式覆盖和迁移便利性上做到了很均衡的交付。花两个周末跑完这轮深度实测,我对 2026 年的 AI 编程工具体系有了自己的判断——剩下的就是选一款趁手的,把时间花在写业务逻辑上,而不是修兼容性问题。

2603_97112020的博客 165

【小白指南】如何将deepseek引入WPS\Word\Excel中去?

如何将deepseek引入WPS\Word\Excel中去?纯小白都能看的懂,一步步操作就能行

2503_90498422的博客 1万+

Win64 驱动内核编程-16.WFP网络监控驱动(防火墙)

WFP驱动监控网络 WFP是微软推出来替代TDIHOOK、NDISHOOK等拦截网络通信的方案,WFP的框架非常庞大,在RING3和RING0各有一套类似的函数,令人兴奋的是,即使在R3使用WFP,也可以做到全局拦截访问网络。由于WFP的范围太广,实在难以一言概括,感...

墨鱼菜鸡 1033

AI编程——从 Vibe Coding 到 SDD

编程的重心,从"写代码"挪到了"写规范"。把 Spec 当源代码——像对待代码一样去版本管理、评审、做 diff;把代码当编译产物——可重生成、可替换,Spec 才是核心资产。这也是 Karpathy 所说的 Software 3.0 的真正含义:当自然语言能直接驱动程序,自然语言本身就是新的编程语言。而写好这门"语言"的能力——定义问题、划定边界、想清楚怎样算对——恰恰是工程师最不可替代的价值。门槛降低的同时,认知代价在悄悄累积。保持警惕,比追求速度更重要。

AI模型架构,技术分享 176

基于粒子群优化的PID控制在药液流量控制系统中的应用

本文提出了一种基于粒子群优化(PSO)的PID控制算法,用于药液流量控制系统。系统采用C37控制器和Codesys 2.3编程环境实现,通过传感器实时监测流量、压力和车速,并控制水泵占空比和电动球阀开度来精确调节药液流量。硬件配置包括FT-2000流量传感器、PT-3000压力传感器和MV-500电动球阀等。控制算法将PSO与PID结合,使用ITAE指标优化PID参数,在Codesys中实现了包含PSO优化循环、PID控制等功能的程序模块。该系统通过分层控制策略和智能优化算法,提高了药液流量控制的精度和响应

AI的内部世界的博客 250

团队AI编程落地第14篇|AI 编程安全合规五层防护:脱敏 / 沙箱 / 门禁 / 准入 / 审计(含 2026 事故与配置)

防源码泄露、密钥外泄、提示注入、供应链投毒、Agent 误删生产?本文给五个安全能力组件、五步落地路径、权限矩阵与小团队零成本动作,可直接照做。

Derekjiang的笔记簿 298

玩转企业微信群机器人:一份超详细的Webhook消息推送指南

企业微信群机器人是一个连接内部协作与外部服务的强大桥梁。通过灵活运用本文介绍的各种消息类型,你可以构建出丰富多彩、信息明确的自动化通知系统,极大地提升团队沟通效率。现在,就动手试试,将你的第一个机器人集成到工作流中吧!如果你有任何有趣的机器人应用场景或遇到了问题,欢迎在评论区留言交流!

代码简单说 Vue、JAVA、PHP、Node.js 熟练运用,接口、架构、性能全搞定。 3973

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

【嵌入式软件AI编程】(3)面向 AI 协同开发的 STM32 硬件信息标准化

本文以 NUCLEO-G431RB 为例,建立硬件信息标准化流程。利用统一规范和 Python 程序,将 Altium 原始网表转换为标准化 JSON;再结合硬件事实整理与 Codex 对话,生成 Markdown 核心硬件上下文。最终形成默认读取与按需查询相结合的两类文件,为 AI 协同开发提供可复用的硬件信息支持。

youcans的博客 278

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

上一篇: Claude Code 为什么会被大厂禁用?一次看懂 Unicode 隐写后门与 AI 工具安全
下一篇: GPT-5.6 一小时攻破 50 年数学猜想:一份 700 词 Prompt,64 个子 Agent,三页纸的证明
DQQzero
博客等级 码龄8年 3粉丝 98原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值