Vision-Language-Action (VLA) models are replacing the traditional modular autonomous driving stack (perception → prediction → planning → control) with... 端到端VLA模型正在取代传统模块化自动驾驶软件栈，AutoVLA、NVIDIA Alpamayo和Qwen-Drive-1.0代表了三种不同的技术路线 AutoVLA采用3B参数、token-based解码方案，适合边缘部署；Alpamayo是34B云端教师模型，提供Chain-of-Causati...

Sub-word tokenization in embedding models causes "Embedding-Space Tokenization Collapse," where hyphenated or transliterated entity names fragment int... 文章揭示了基于向量搜索和LLM的制裁筛查系统存在"语义假阴性绕过"风险，子词分词和标点符号会导致嵌入空间坍塌，使受制裁实体被错误判定为安全 提出了混合确定性实体解析网关架构，通过确定性令牌规范化、硬标识符匹配（LEI、SWIFT BIC）和图遍历来替代纯概率向量搜索 展示了完整的Python实现代码...

AI agents are non-deterministic, meaning the same input can produce different execution paths, making debugging from final answers alone impossible La... AI Agent行为具有非确定性，仅凭最终输出无法复现和调试失败，必须记录完整的执行路径 Langfuse提供结构化追踪能力，自动记录每个agent步骤、工具调用、模型请求的输入输出、耗时和成本 通过@observe装饰器可零侵入式实现追踪，支持agent、tool、generation等多种obs...

LLM inference is fundamentally constrained by GPU memory (VRAM), not raw compute — model weights, KV cache, and runtime buffers all compete for limite... LLM推理分为预填充（计算密集型）和解码（内存带宽密集型）两个截然不同的阶段，理解这一差异是优化AI基础设施的核心 GPU显存（VRAM）是LLM服务的核心瓶颈，模型权重与动态KV缓存共同消耗显存，直接限制并发用户数和序列长度 批处理（batching）和连续批处理可提升GPU利用率，但因请求成本差...

Retry mechanisms in AI agents can cause dangerous duplicate side effects, especially with state-changing operations like sending emails The core issue... AI代理中的重试机制可能导致危险的双重副作用，尤其是在发送电子邮件等状态变更操作上 核心问题在于重试将幂等操作和非幂等操作视为等价，导致意外后果 这是持续系列的一部分（第20部分），建议更广泛地探索代理可靠性和故障模式 该问题凸显了自主代理与人类操作员在处理错误恢复方面的根本差异 安全的重试模式需要...

SAP's enterprise AI strategy shifts from conversational assistants to agentic systems capable of executing multi-step workflows across business proces... 企业AI正从"问答助手"向"执行代理"演进，核心挑战在于协调计算、数据、权限、工具和业务流程的安全执行 SAP提出以Business AI Platform为核心的Agentic AI参考架构，包含Build、Contextualize、Reason、Govern四大支柱 Joule作为编排层实现意...

Transformers, originally designed for language, naturally extend to time series because both modalities are fundamentally sequential where order chang... Transformer最初为语言设计，但其核心自注意力机制可自然迁移到时间序列，因为两者都是序列且顺序改变含义 自注意力机制本身是置换不变的，无法感知序列顺序，必须通过位置编码提供时序信息 时间序列的标量观测需通过学习的线性投影（embedding）映射到模型维度空间，生成向量表示 Query-Ke...

72% of enterprise security teams cannot trace autonomous AI agent actions back to human sponsors, creating a critical attribution gap in the agentic e... 72%企业安全团队无法追溯AI智能体行为，传统OAuth在随机性推理引擎面前面临"意图-执行分离"危机 IETF新草案（OBO、A-JWT、AAuth）通过密码学绑定意图与执行，解决多智能体链路的身份归属真空 A-JWT以动态agent_checksum替代静态client_id，实时检测提示注入导...

Two flash-tier models (GLM-5.3-Flash and Qwen3.8-Flash-Next) launched on 26 August 2026 with 1M-token context windows at ~$0.15–$0.16 per million inpu... GLM-5.3-Flash与Qwen3.8-Flash-Next于2026年8月26日同期发布百万token上下文窗口，单次填充成本约$0.15–$0.16 机器日志的token密度是英文技术 prose 的2.17倍，同等窗口下日志仅容纳1.82MB而文档可容纳3.96MB 缓存输入可将成本降低5...

LLMs lack an internal type system and frequently serialize numeric parameters as strings during tool calling, which permissive API gateways may silent... LLM工具调用中的概率性字符串强制转换（如将"1.5"作为字符串而非浮点数传递）可能导致金融API网关回退到默认高风险配置，引发灾难性损失 文章提出"静默网关强制转换失败"概念，揭示无治理的自主代理直接连接实时订单路由管道带来的系统性风险 解决方案采用严格Pydantic模式验证代理结合硬件级执行熔...

Snyk scanned 3,984 agent skills and found security issues in 36.82%, with 13.4% containing critical vulnerabilities and 76 confirmed malicious payload... Snyk扫描3,984个Agent Skills发现36.82%存在安全问题、13.4%存在严重问题，另有独立研究在31,132个Skills中发现26.1%存在漏洞 文章提出7类权限风险检查清单：过度Shell访问、敏感读取+网络外发、可变远程配置、隐藏可执行路径、权限绕过模式、Skills内嵌密...

AI agent CI/CD requires a new testing layer beyond traditional code pipelines because agents can produce correct API responses with incorrect decision... AI Agent的CI/CD与传统API CI/CD本质不同：API验证代码是否符合契约，Agent需验证决策行为是否合理 必须建立"行为包"版本控制机制，将prompt、model、tools、knowledge等作为整体版本化管理 构建scenario bank配合replay工具，在CI中隔离...