Claude Code源代码泄露,真是个草台班子!

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

见字如面,我是军哥!

昨天,整个技术圈炸了。

安全研究员Chaofan Shou在npm注册表上发现了一个不该存在的东西——Anthropic的Claude Code,版本2.1.88,附带了一个59.8MB的source map文件。

这个文件的作用是什么?把生产环境压缩混淆后的代码,完整映射回原始TypeScript源码。

结果就是:1900多个源文件,51.2万行代码,连开发工程师手写的注释,全部摊在了公共互联网上。

几小时内,备份仓库在GitHub上获得数千星标,Hacker News和Reddit同时冲上热榜。

这不是黑客攻击,不是内部泄密,就是发布时忘了删。

而就在五天前,Anthropic刚因为CMS配置错误泄露了近3000份内部文件。

一家把“AI安全”刻在招牌上的公司,一周之内因为两次配置失误翻车。确实是个草台班子。

1、漏得有多彻底?

一个59.8MB的.map文件,价值多少钱?对于一家估值3500亿美元、正在讨论IPO的AI公司来说,这是知识产权层面的重创。

还原出来的代码包含:长达4.6万行的QueryEngine.ts(与大模型交互的核心逻辑)、约2.9万行的工具系统定义、40多个独立工具模块,以及一套完整的六级权限验证系统。

更离谱的是,代码里还藏着一堆从未公开过的功能:

  • KAIROS:一个可在后台持续运行的自主守护进程,会在用户空闲时进行“记忆整合”,通过“夜间做梦”机制整理白天的交互碎片。

  • BUDDY系统:一个电子宠物养成系统,包含18个物种,有稀有度等级和闪光变体,闪光概率1%,陪伴开发者写代码。

  • ULTRAPLAN:可将复杂规划任务卸载到远程云容器,由Opus 4.6模型用最长30分钟进行思考。

  • Undercover Mode:专门用于在公共代码仓库操作时自动清除AI使用痕迹。

最讽刺的是最后一个——一个专门防止内部信息泄露的系统,最终没能防住整个源码库的裸奔。

2、怎么漏的?原因简单到可笑

其实技术原因不复杂。Claude Code使用Bun作为运行时和打包工具,Bun的构建器默认生成source map文件。正常发布流程中,这类文件应该通过.npmignore或构建配置被排除。但这一次,它随正式包一同上传到了npm公共注册表。

Source map本是开发阶段的调试工具,用于将压缩后的代码映射回原始源码。一旦出现在生产环境的npm包中,就等于把钥匙和锁一起寄了出去。

2025年2月,Claude Code的一个早期版本就因为同样的问题被曝光过。当时Anthropic从npm撤掉了旧版本。一年之后,同样的问题再次出现。

被同一块石头绊倒两次,哈哈~

3、这不是笑话,是警钟

很多人看到这条新闻的反应是“愚人节吗?”,或者转发一条“Anthropic你是认真的吗”。但我看到的是一个更深层的问题。

Anthropic的工程师不菜。 他们能写出4.6万行的QueryEngine,能设计出六层权限校验,能构思出“夜间做梦”这种精妙的记忆整合机制。但整个工程流水线,在“发布”这最后一公里出了问题。

这不是个人能力的问题,是系统的问题。

为什么?

在资本的裹挟下,企业追求的是速度,是市场份额,是上市时间。安全、稳定性、发布流程的规范性——这些投入大、见效慢的“基础设施”,往往被放在优先级列表的最底部。

同样的,国内大公司代码泄露的事也有很多,我这里就不点名了。

构建流水线配置?不就是一个.npmignore文件的事吗?但就是这种“小事”,能搞垮一家3500亿美元公司的信誉。

4、我反而感谢这次代码泄露

说实话,作为一个曾经写代码的人,我反而有点感谢这次泄露。

为什么?

因为它让我们看到了顶级AI产品的工程化细节,而这些细节,恰恰是教科书上学不到的。

从泄露的代码中,我看到了一些真正有价值的东西:

  • 上下文处理:CLAUDE.md文件在每一轮对话中都会被重新加载,而不是只在会话开始时加载一次。每条消息都要重新读取4万个字符。这说明持久化、结构化的上下文,是从第一天起就要承载一切的基础架构。

  • 并行处理:当Claude Code派生一个子智能体时,它会创建一个与父上下文完全相同的字节副本。API会对其进行缓存。五个智能体的消耗成本与一个智能体大致相当——这是根据自身API的定价模型来设计产品的思路。

  • 权限设计:每一次权限弹窗都被视为配置的失败。源代码里有一个五级设置联动,还有一个自动模式,用LLM分类器自行决定权限,无需询问用户。目标是在已知、可信的工作流程中实现零中断。

  • 会话连续性:每个会话都会保存到JSONL文件中,用户可以恢复、分支、继续。大多数人每次都是重新开始,这丢弃了模型已经了解到的关于项目的所有信息。

这些才是这次泄露的“真正财富”。

写在最后:

这个世界确实是草台班子。Anthropic是,你所在的公司大概率也是。

但这不是讽刺,是现实。代码永远会有bug,流程永远会有疏漏,人的注意力永远会有盲区。那个忘记删.map文件的工程师,可能连续加班了一周,可能在处理三个并行的项目,可能在发布前最后一秒还在改代码。

我们嘲笑别人翻车,是因为我们没见过自己车的底盘。下次你发布代码时,也要多加注意。

至少,别让全世界看到你的注释:)

回见~若觉得不错,请点赞或分享,分享给你身边需要的朋友们~

关于我:一个 IT 从业 20 年的互联网老兵,1 号店架构师/前饿了么/贝壳找房技术总监,我叫程军,百度可查,目前一人企业,自由职业者。

一个灵魂非常有趣的人~

需要付费修改简历或者 1 对 1 陪跑请联系我。

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

phone-harness/mcp 把手机接进AI(源码附安装部署教程)

phone-harness/mcp 做的不是模拟器玩具,而是把真实手机操作能力接成一个标准 MCP 服务:给 Claude、Cursor、ChatGPT、Codex、VS Code 等客户端填一个 URL,完成 OAuth 登录后,AI 就能直接看屏幕、点按、输入、滑动、启动 App,甚至连真机 iPhone 和云端 Android 模拟器都能统一调度。 它的价值在于把过去依赖 Mac、adb、配对线缆和本地环境的移动端自动化,压缩成“一个地址+一次登录”的接入成本,特别适合需要让智能体真正落到手机场景里的测试、演示和流程执行。 项目把能力拆成一组很实用的工具:列设备、启停设备、截图、识别屏幕文字、坐标点击、长按、滑动、输入、按键、查前台应用、启动应用,基本覆盖了手机远程操控的主路径。 收费方式也写得很直白:云端 Android 按分钟计费,iPhone 是包月订阅,临时会话和保存状态的设备也区分清楚,减少了“能不能跑、怎么计费、数据会不会丢”这类实际使用时最常见的疑问。 更重要的是,它没有试图重新发明一套生态,而是紧贴 MCP,把“让 AI 真正碰到手机”这件事做成可插拔基础设施。

你敢相信吗?Claude Code 完整源代码被泄露

不过经过交叉求证,基本可以确定这件事是真的——全球公认封神的CLI AI工具Claude Code,竟因为一个极低级别的失误,核心源码直接全网曝光,相当于把压箱底的技术家底,毫无保留摊在了全世界开发者面前。这次事件,是Anthropic的重大失误,却是全球开发者的技术红利,也将彻底改变AI编程工具的行业格局。这次源码泄露,过程离谱到让人不敢相信,没有黑客入侵,没有技术破解,纯纯是团队自己坑了自己:在发布npm安装包的时候,工作人员居然把用于调试的Source Map(.map)文件,一起打包发布了出去。

云水木石 695

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

51 万行源码泄露,Claude Code 惨遭“开源”!(附源码)

最后,这起事件标志着闭源 AI Agent 的“去神秘化”。大家发现,强大的 AI 工具并非魔法,而是由系统提示词、海量工具编排、甚至硬编码的规则堆砌而成的复杂软件工程。Anthropic 用一种最戏剧性的方式,把自己底层的“操作台”摊在了全世界面前。对于全球开发者而言,这是一次价值千金的顶级 Agent 架构公开课;各种 Claude Code 的魔改版本会雨后春笋般冒出来。其他 AI 编程工具,也会从中学到很多有用的东西,近期将会频繁更新。

twelveai的博客 1133

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。

公司内网软件下载站,公司内网软件下载站

公司内网软件下载站,公司内网软件下载站

51 万行代码泄露后,Claude Code 的护城河还在吗?

这是 AI 行业历史上最大规模的闭源产品泄露。51.2 万行代码,1.5 万人复制,6 个月后竞品上线。Anthropic 的信任危机,也是整个 AI 行业的信任危机。AI 公司从"技术竞争"进入"信任竞争"时代。安全流程从"成本"变成"竞争力"。用户会用脚投票,选择真正值得信赖的公司。这次泄露改变的不只是 Anthropic,是整个 AI 行业的竞争规则。

李人桂的博客 481

通信行业基于Tuned与Systemd的CentOS 7性能调优:自动化资源治理与软中断优化实践

内容概要:本文围绕CentOS 7在通信行业大规模服务器集群中的系统性能优化,提出基于Tuned与Systemd的自动化、可复制、可回滚的性能治理方案。重点涵盖Tuned自定义Profile实现CPU、内存、网络和磁盘的综合调优,结合RPS/RFS与中断亲和优化软中断处理,利用Systemd资源控制对关键服务进行CPU、内存、IO的硬性限额,并通过sar、ethtool等工具构建可观测闭环验证调优效果。案例展示了短信网关在高并发场景下通过资源隔离显著降低延迟、提升稳定性的实践路径。最后展望了向eBPF自适应调优、Kubernetes声明式编排与全面可观测性演进的趋势。; 适合人群:具备Linux系统管理与运维基础,从事通信、云计算或高性能服务端开发的工程师,尤其是负责大规模服务器集群性能调优的技术人员。; 使用场景及目标:①解决通信类业务中软中断瓶颈、单核打满、延迟波动等问题;②实现系统级性能调优策略的标准化、自动化部署与快速回滚;③为时延敏感型服务(如短信网关、VoIP)提供资源隔离与QoS保障; 阅读建议:本文强调“按业务特征定制”与“可复制治理”的工程方法论,建议结合实际生产环境,先在测试集群验证参数有效性,重点关注Tuned的继承机制、RPS掩码设置与Systemd资源配额的协同作用,并持续通过监控数据反馈调优成效。

Anthropic源码又泄露了,让你把这个瓜吃明白?(Claude Code被动开源)

你可以理解为:源代码原版是TypeScrip写的,但发布时会把它压缩、混淆成一堆难以阅读的JavaScript天书,而那个。几小时内,代码在GitHub上被疯狂备份、传播,根本拦不住。用自动化的工具和强制的流程,取代不可靠的人工记忆和操作。画外音:开发环境,测试环境,沙箱环境,线上环境都要隔离。Anthropic源码又,又,又,又泄露了...Anthropic源码又,又,又,又泄露了...结果在方便自己的同时,也“方便”了全世界。多了个文件而已,听上去,是不是没什么?有就报错,发布失败。

shenjian58的博客 1432

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。

Claude Code“裸奔”72小时:一场代码狂欢与行业地震

谁能想到,AI时代最离谱的“开源”事件,竟然始于一个忘记删除的.map文件。51.2万行核心代码全网裸奔,GitHub一夜诞生史上最快10万星项目,而这一切的始作俑者,竟是Anthropic自己的工程团队。事情发生在3月31日,Anthropic在发布Claude Code v2.1.88的npm包时,。这个用于开发调试的源码映射文件,让安全研究员Chaofan Shou轻松还原出了1900多个TypeScript源文件,总计超过行未混淆的完整生产代码。这已经是Claude Code。

AI360labs_atyun的博客 551

西部牛仔_1794033330851.apk

西部牛仔_1794033330851.apk

草台班子和 AI 泡沫

具体的提示错误信息如下: uploading "asciidoc/js/jquery-3.2.1.min.js" with {:content_type=>"application/javascript"} /home/travis/.rvm/gems/ruby-2.4.5/gems/aws-sdk-core-2.11.632/lib/seahorse/client/plugins/raise_response_errors.rb:15:in `call': The bucket you are

HONEY MOOSE 488

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。

连Claude Code都保不住自己的源码,谁来为你的Java代码负责?

2026年3月,Anthropic公司因打包错误导致核心AI产品ClaudeCode的51.2万行源代码泄露,暴露了包括核心逻辑文件、六级权限系统和一个隐蔽的"卧底模式"。事件还引发DMCA误删和计费漏洞等连锁反应,凸显AI工具供应链安全风险。对Java开发者而言,这带来了代码污染和责任归属双重危机。飞算JavaAI针对性地推出安全修复、依赖治理等功能,构建从开发到部署的全链路安全体系。该事件警示开发者不能完全依赖AI工具,必须建立自主的代码安全防线。

CalEx_Tech的博客 347

QMT中ContextInfo的使用注意

QMT中ContextInfo下声明的全局变量的使用注意事项

路在何方 2805

Anthropic 翻车了:51万行代码泄露,AI 巨头的“底裤“被扒了个干净

AI公司Anthropic遭遇重大源码泄露,其当家产品Claude Code的51.2万行TypeScript代码在npm上意外曝光。泄露原因是发布时未删除.map调试文件,导致完整源码被安全研究员发现并迅速传播。代码揭示了一个完整的AI Agent操作系统,包含40多个工具模块、5万行核心推理引擎以及从未公开的实验功能,如终端电子宠物、AI做梦系统和卧底模式等。尽管不涉及核心模型权重和用户数据,但这次泄露可能加速AI Agent领域的技术发展,同时也暴露了这家估值180亿美元公司的安全漏洞。

再小的帆也能远航,把分享变成一种习惯 462

jetson nano网络配置(有线、无线、USB)

注意:本节内容使用Jetson nano B01 版本或Jetson nano ALT 版本安装方式相同,在安装无线网卡等设备时,由于线材和设备比较脆弱,需要轻拿轻放,接口连接不上时,需要重新对准接口在进行连接,不要强行连接。Jetson nano 需要连接网络来进行更多的操作,本节就来讲解Jetson nano 的三种网络连接方法。有线:我们可以使用网线连接Jetson nano 的RJ45 接口,实现联网。

m0_73841621的博客 1万+

Databricks Genie:语义编译器架构与企业级智能解析实践

语义层是现代数据平台实现自然语言查询的核心基础,其本质是将业务术语映射为可执行、可治理的数据契约。原理上依赖结构化元数据、值字典与数据血缘三支柱协同,通过分层AI代理(如Intent Parsing、Retriever、Verifier)实现意图识别→语义对齐→安全执行的闭环。技术价值在于降低SQL使用门槛的同时保障审计性、一致性和权限可控性,适用于销售运营、财务分析等一线业务场景。本文深入解析Databricks Genie作为典型语义编译器的落地逻辑,涵盖Unity Catalog知识注入、七层Agen

weixin_29053695的博客 337
上一篇: 最新 IT 公司裁员套路汇总和应对方案!
下一篇: 从上周某位教育大佬突然去世说起。。。
军哥手记
军哥手记 业界专家认证 业界专家认证
博客等级 码龄21年 661粉丝 608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