当前位置：

社区首页

电脑数码

电脑整机

服务器

AIGC文章详情

张大妈

MCP协议架构缺陷与安全争议：AI智能体通信协议的风险剖析与应对策略

源自149位全网作者

06-06 14:35

精选参考来源

MCP已死，CLI当立！Perplexity首先放弃使用MCP，全网赞成

【“MCP已死”是AI圈最大的技术谎言？】快速导读：最近，技术圈风向突变，鼓吹“MCP已死，CLI万岁”。但这场争论的本质，并非协议优劣或Token效率，而是一个更深层的问题：你是满足于自娱自乐的“感觉编程”，还是在构建严肃的“智能体工程”？本文揭示，对于任何想超越个人玩具规模的团队来说，这场争论的答案从一开始就是确定的。---技术圈的风向变得比天气还快。几个月前，模型上下文协议（MCP）还是人人都想上的船，转眼间，风评急转直下，鼓吹“MCP已死，CLI万岁”成了新的政治正确。很多人被表象迷惑了。他们说，MCP臃肿、消耗大量上下文，远不如简单直接的命令行（CLI）来得高效。经验丰富的老炮们甚至不屑一顾：“这玩意儿看起来就像垃圾，那它就是垃圾。”这种论调听起来很酷，但可能完全搞错了重点。是的，如果AI智能体要用的工具是`git`或`curl`这种早已刻在模型“肌肉记忆”里的命令，那用CLI当然省事。但如果你用的是一个自定义工具呢？智能体照样需要一份说明书（`--help`或者`SKILL.md`）来学习，所谓的Token优势瞬间荡然无存。整个OpenAPI schema塞进上下文的场景，并不少见。这场争论的真正分野，不在于技术，而在于开发的组织形态。它区分了两种开发者：单打独斗的“感觉编程”（vibe-coding）信徒，和面向组织的“智能体工程”（agentic engineering）实践者。对于前者，MCP确实显得多余。但对于一个10人以上的团队，问题就变了：如何保证不同技术栈的工程师用不同智能体得到一致的结果？如何管理密钥、做权限控制？如何追踪哪个工具有效、哪个在拖后腿？这才是MCP真正发力的地方——不是本地`stdio`模式的小打小闹，而是作为中心化服务器通过HTTP提供的服务。它把认证（Auth）、安全（Security）、遥测（Telemetry）这些麻烦事一揽子解决了。工程师离职？吊销他的OAuth令牌即可，他从未接触过核心密钥。这对于任何依赖GitHub Actions这类临时运行环境的团队来说，更是刚需。更有趣的是，连Anthropic和Cloudflare都发现，让LLM直接调用MCP，不如让LLM“写代码去调用MCP”来得更稳、更省。Anthropic的“程序化工具调用”甚至能节省高达98.7%的Token。这说明，MCP的价值在于提供了一个稳定的、可被机器理解的“契约”，而不是一个手感舒适的“玩具”。所以，当人们在激烈争论MCP和CLI的优劣时，他们实际上在无意中暴露了自己的立场：他们究竟是在构建一个随时可丢弃的个人项目，还是在为一个需要长期维护、多人协作的系统打地基？这根本是两条路线的斗争。---简评：这已经不是技术选型问题，而是工程成熟度问题。当你的智能体应用开始考虑“人”的因素——团队协作、权限、审计、迭代——你会发现，你需要的不是一个更“聪明”的工具，而是一个更“笨”、更稳固、有明确边界的协议。那些嘲笑MCP的人，可能还没遇到需要为AI代码擦屁股的烦心事。---ref: chrlschn.dev/blog/2026/03/mcp-is-dead-long-live-mcp/#AI创造营##人工智能#

全部
来源

内容由AI生成

1. MCP已死，CLI当立！Perplexity首先放弃使用MCP，全网赞成

2. 【“MCP已死”是AI圈最大的技术谎言？】快速导读：最近，技术圈风向突变，鼓吹“MCP已死，CLI万岁”。但这场争论的本质，并非协议优劣或Token效率，而是一个更深层的问题：你是满足于自娱自乐的“感觉编程”，还是在构建严肃的“智能体工程”？本文揭示，对于任何想超越个人玩具规模的团队来说，这场争论的答案从一开始就是确定的。---技术圈的风向变得比天气还快。几个月前，模型上下文协议（MCP）还是人人都想上的船，转眼间，风评急转直下，鼓吹“MCP已死，CLI万岁”成了新的政治正确。很多人被表象迷惑了。他们说，MCP臃肿、消耗大量上下文，远不如简单直接的命令行（CLI）来得高效。经验丰富的老炮们甚至不屑一顾：“这玩意儿看起来就像垃圾，那它就是垃圾。”这种论调听起来很酷，但可能完全搞错了重点。是的，如果AI智能体要用的工具是`git`或`curl`这种早已刻在模型“肌肉记忆”里的命令，那用CLI当然省事。但如果你用的是一个自定义工具呢？智能体照样需要一份说明书（`--help`或者`SKILL.md`）来学习，所谓的Token优势瞬间荡然无存。整个OpenAPI schema塞进上下文的场景，并不少见。这场争论的真正分野，不在于技术，而在于开发的组织形态。它区分了两种开发者：单打独斗的“感觉编程”（vibe-coding）信徒，和面向组织的“智能体工程”（agentic engineering）实践者。对于前者，MCP确实显得多余。但对于一个10人以上的团队，问题就变了：如何保证不同技术栈的工程师用不同智能体得到一致的结果？如何管理密钥、做权限控制？如何追踪哪个工具有效、哪个在拖后腿？这才是MCP真正发力的地方——不是本地`stdio`模式的小打小闹，而是作为中心化服务器通过HTTP提供的服务。它把认证（Auth）、安全（Security）、遥测（Telemetry）这些麻烦事一揽子解决了。工程师离职？吊销他的OAuth令牌即可，他从未接触过核心密钥。这对于任何依赖GitHub Actions这类临时运行环境的团队来说，更是刚需。更有趣的是，连Anthropic和Cloudflare都发现，让LLM直接调用MCP，不如让LLM“写代码去调用MCP”来得更稳、更省。Anthropic的“程序化工具调用”甚至能节省高达98.7%的Token。这说明，MCP的价值在于提供了一个稳定的、可被机器理解的“契约”，而不是一个手感舒适的“玩具”。所以，当人们在激烈争论MCP和CLI的优劣时，他们实际上在无意中暴露了自己的立场：他们究竟是在构建一个随时可丢弃的个人项目，还是在为一个需要长期维护、多人协作的系统打地基？这根本是两条路线的斗争。---简评：这已经不是技术选型问题，而是工程成熟度问题。当你的智能体应用开始考虑“人”的因素——团队协作、权限、审计、迭代——你会发现，你需要的不是一个更“聪明”的工具，而是一个更“笨”、更稳固、有明确边界的协议。那些嘲笑MCP的人，可能还没遇到需要为AI代码擦屁股的烦心事。---ref: chrlschn.dev/blog/2026/03/mcp-is-dead-long-live-mcp/#AI创造营##人工智能#

3. 阿里千问与“AI Layer”崛起：一场重塑互联网的“操作系统”生态战【硅谷101】

4. Claude Mythos Preview 的一段官方视频“在 OpenBSD 上，我们发现了一个存在了 27 年的漏洞—— 我只需向任意 OpenBSD 服务器发送几段数据就能让它崩溃。”“在 Linux 上，我们发现了多个漏洞，作为一个没有任何权限的用户，只需在机器上运行一个二进制文件，就能将自己提升为管理员”1. 模型能力的跨越- Dario Amodei (Anthropic CEO): 有一种加速的指数级增长，而在这条指数曲线上，存在着一些意义重大的节点。Claude Mythos Preview 就是其中一个特别大的跃升。- 我们并没有专门训练它擅长网络安全，我们训练它擅长编程，但擅长编程的副产品是，它在网络安全方面也非常出色。- Anthropic 研究员: 我们正在实验的这个模型，在识别漏洞方面基本上已经和专业人类水平相当。这对我来说是好事，因为我们能更早发现更多漏洞并加以修复。2. 漏洞链条与自主性- Nicholas Carlini (Anthropic 研究员): 它具备将多个漏洞串联起来的能力。这意味着你发现了两个漏洞，单独看都不算什么，但这个模型能够利用三、四个甚至五个漏洞组合出攻击链，按顺序执行后达成某种非常复杂的最终效果。- Anthropic 研究员: 我们认为这个模型之所以能做得这么好，是因为它非常自主。它在执行长周期任务方面整体更强，类似于一个人类安全研究员一整天所做的那种工作。3. 安全风险与“玻璃翼计划”- Anthropic 研究员: 显然，这样的模型如果落入不当之手，其能力可能造成危害，因此我们不会大范围发布这个模型。- Dario Amodei: 更强大的模型将会从我们和其他机构中不断涌现，所以我们确实需要一个应对计划。- Anthropic 研究员: 因此我们推出了名为 “玻璃翼计划”（Project Glasswing）的项目，与多个组织合作，这些组织维护着世界上一些最关键的代码。我们将模型交到他们手中，让他们探索如何利用这类模型来降低风险、保护所有人。- 合作伙伴 (OpenSSF): 通过让这些软件开发者率先获得先进工具，这为我们所有人赢得了集体性的先发优势。它让我们能够发现以前发现不了的问题，并帮助我们更快地修复这些问题。4. 震撼的实测结果- Nicholas Carlini: 与合作伙伴协作中，我们在几乎所有主要平台上都发现了漏洞。- 我在过去几周发现的漏洞，比我这一辈子之前发现的加起来还多。- 我们用这个模型扫描了大量开源代码，首先针对的是操作系统，因为这是支撑整个互联网基础设施的代码。- 在 OpenBSD 上，我们发现了一个存在了 27 年的漏洞——我只需向任意 OpenBSD 服务器发送几段数据就能让它崩溃。- 在 Linux 上，我们发现了个多个漏洞，作为一个没有任何权限的用户，只需在机器上运行一个二进制文件，就能将自己提升为管理员。- 对于每一个发现的漏洞，我们都通知了实际维护软件的人员，他们随即进行了修复并部署了补丁。5. 愿景与总结- 合作伙伴: 对于那些孜孜不倦维护软件的开发者而言，一个能帮助他们在漏洞被利用之前发现并修复的模型，是一个无价的工具。- Dario Amodei: 我们已与美国政府多个部门的官员进行了沟通，并表示愿意与他们合作，共同评估这些模型的风险，并帮助防御这些风险。- Anthropic 研究员: 我们生活中的一切现在都依赖于软件。软件吞噬了世界，我们生活中的每一个模拟层面，都以某种方式映射到了数字领域。- 研究员: 网络安全就是社会的安全。各行各业携手合作，共同构建更强大的防御能力，这至关重要。没有一个组织能看到全貌并独自应对这一切。- Dario Amodei: 这不是几周的项目就能完成的事，这将是几个月、甚至可能几年的工作。但我希望最终我们能达到这样一个状态：世界的软件、客户数据、金融交易和关键基础设施，都比以前更加安全。（视频翻译：Jesse Lau 遁一子）宝玉xp的微博视频

5. 📮OpenAI发布了一个叫Daybreak的安全AI项目，专门用来发现和防御网络安全漏洞。这个项目的背景是——Anthropic之前推出了Claude Mythos，一个专门找安全漏洞的大模型，能力强到Anthropic自己都不敢公开放出来，只私下给了亚马逊、苹果、微软、Google、英伟达这几家大客户用。结果上线当天就有人在Discord里拿到了访问权限，虽然没用来干坏事，但把Anthropic吓出一身冷汗。⠀📮现在OpenAI也下场做同样的事了。AI安全这个领域正在从「防御」变成「攻防军备竞赛」——两家最大的AI公司都在训练能找到安全漏洞的模型。逻辑是「与其让黑客先找到漏洞，不如我自己先找到」。但问题也很明显——你训练出来一个特别会找漏洞的AI，怎么保证它只被好人用？Mythos的Discord泄露事件已经证明了，控制访问这件事比训练模型难得多。⠀AI最危险的能力不是写代码或者聊天，是它开始学会怎么攻破别的系统。这个方向接下来会越来越热，也越来越敏感。

6. OWASP发布生成式AI安全治理检查清单，助力企业应对LLM风险

7. OpenClaw创始人正式确认360发现的WebSocket无认证升级零日漏洞，为快速发展的AI智能体领域敲响安全警钟。该漏洞可让攻击者绕过认证控制网关，引发系统崩溃，威胁极大。360及时将漏洞报送国家信息安全漏洞共享平台，以专业能力阻断风险扩散，彰显了国内网络安全团队的硬核实力。在AI智能体加速普及的当下，安全隐患随之凸显。此次事件证明，AI发展与安全防护需同步推进。开发者应强化安全架构设计，安全厂商持续提升漏洞发现能力，各方协同构建防护体系，才能为AI技术健康发展筑牢安全屏障。

8. 以前瞻性统筹和系统性布局把握人工智能治理的主动

9. AI压缩安全响应时间，重塑网络安全攻防格局

10. AI扩大攻击面，大国博弈引发安全新挑战

11. B站基于Neo4j知识图谱与MCP协议：构建万级任务数仓的智能化底座

12. 近期，“AI龙虾”从国外火到国内，不同于ChatGPT等需要用户持续发指令的AI，这款开源AI智能体OpenClaw可实现“主动自动化”，无需人工干预，替用户完成各种工作、生活指令，同时具备持久记忆，越用越聪明，进而衍生出“养龙虾”。#AI龙虾爆火工信部发布高危风险预警##反诈连连看#3月8日，工业和信息化部网络安全威胁和漏洞信息共享平台（NVDB）发布《关于防范OpenClaw开源AI智能体安全风险的预警提示》，提醒用户注意风险防范，即便该AI应用承诺本地私有化部署，数据不上传云端，但其完全自主决策、调用系统的特性，极容易被黑客攻击，进而被恶意接管。关于AI智能体的权限设定，存在明显悖论，越是“自主”的AI，往往需要越高的系统权限，用户承担的风险也越大，尤其针对“AI龙虾”的代装服务，更是无形中会放大风险，最好找信任背书的专业团队进行代装。另外，“AI龙虾”的出现，极容易被滥用于婚恋诈骗，用户更难以防备“杀猪盘”陷阱。目前，AI辅助的杀猪盘已经规模化出现，而且正在快速进化，龙虾完全可以替人聊天筛选对象，进而被诈骗分子用于升级AI骗术。细思极恐的是，一个诈骗者可以同时操控数十个AI账号，在不同平台撒网，24小时无休进行诈骗，AI技术进步太快，当前监管存在明显盲区。ai龙虾爆火工信部发布高危风险预警

13. CLI 优于 MCP：当 Agent 成为用户，我们需要重新想清楚「接口」是什么一、MCP 是什么MCP 是一个基于 JSON-RPC 的协议，运行方式有两种：本地 stdio（本机上跑一个进程）和远程 HTTP+SSE（通过网络暴露服务）。它定义了一套标准化的"工具"格式：name、description、JSON Schema 参数——LLM 读这些描述，决定要不要调用、怎么调用。从架构上看，MCP 解决的是发现问题（让 Agent 知道有哪些工具可用）和调用问题（如何标准化地传参、拿结果）。这两件事它都做到了，而且做得还可以。二、MCP 的三个结构性问题1. 它为 LLM 设计，不为 Agent 设计LLM 在对话场景里调用工具，和 Agent 在任务执行场景里调用工具，是两件不同的事。1）对话场景：用户说"帮我查一下我的邮件"，LLM 调用一次 MCP 工具，返回结果，然后生成回复。这是一次性的、交互式的。2）Agent 场景：Agent 在完成一个多步骤任务，它需要串联十几个工具调用，在中间做判断，出错了回退，并行执行多个分支。这是持续性的、程序性的。MCP 的设计是前者的思路。它非常 LLM-friendly——描述用自然语言，参数用 JSON Schema，返回值是文本。但 Agent 需要的是确定性、可组合性、可脚本化。当你把一个工具链写成 Agent 工作流时，MCP 的"LLM 友好"开始变成负担：参数匹配不稳定，结果格式随实现而变，串联多个工具时上下文在哪一步丢失了很难排查。2. 协议复杂度与收益不匹配要给一个软件写 MCP server，你需要：实现 JSON-RPC 通信层、定义工具 schema、处理认证（这个到现在还乱）、管理连接状态（SSE 有连接断开的问题）、处理错误格式。一篇 2026 年 3 月的学术论文对真实 MCP 软件做了大规模缺陷分类，发现五类主要故障：工具调用/执行问题（63 个 issue）、参数 schema 不匹配、认证失败、连接管理问题、平台差异导致的行为不一致。这些问题的共同来源是：MCP 在一个标准化协议之上叠加了太多复杂性，而这些复杂性很多并不是"让 Agent 调用软件"这件事本身所必须的。另一个问题是认证。MCP 第一版干脆不包含认证，各家自己实现，结果五花八门。后来加了 OAuth 规范，但一位知名工程师 Christian Posta 在博客里描述这个新规范是"a mess"。这不是 Anthropic 的错，OAuth 流程本身就是复杂的，强行把它塞进一个面向 LLM 的协议里，会产生很多奇怪的边界情况。3. 不可审计，不可重现MCP 的调用对人类不透明。当一个 MCP server 以单一管理员账户运行时，所有操作都混在一起，跨工作流的可观测性很差。在企业场景，审计是刚需——谁调用了什么工具、传了什么参数、什么时候调用的。MCP 在这方面几乎没有原生支持。三、CLI 的优势从哪里来CLI 不是新东西。它在过去五十年里被打磨成了一种极度稳健的接口范式，而这种稳健性恰好在 Agent 场景里显现出优势。1. --help 就是文档，Agent 可以自主发现每一个写得好的 CLI 工具都自带完整的工具描述。git --help、ffmpeg -h、curl --help——它们的输出是结构化的、机器可读的（或者非常接近机器可读）。Agent 不需要一个特殊的"发现协议"，只需要运行 --help 就能知道这个工具能做什么、需要哪些参数。这比 MCP 的工具 schema 更稳定，因为它直接来源于代码，不存在"schema 定义和实际行为不一致"的问题。2. 结构化输出，Agent 天然可以处理一个设计良好的 CLI（比如 CLI-Anything 生成的工具）默认输出 JSON，这是 Agent 最能可靠解析的格式。不是自然语言描述，不是 Markdown 表格，是干净的结构化数据。MCP 的返回也可以是结构化的，但这取决于 server 的实现者。CLI 的 --json 输出是更强的约定，因为它通过命令行参数显式触发，不是协议层的隐性约定。3. 可组合，天然支持脚本化CLI 的核心设计哲学就是组合：cat file | grep pattern | awk '...' | sort | uniq。这个管道模型是 Unix 的灵魂，也是 Agent 工作流最需要的东西。Agent 需要的不是"调用一个工具"，而是"把十个工具串起来完成一个任务"。CLI 的管道和脚本能力让这件事非常自然。MCP 的工具调用是单次的、无状态的，要串联多个工具，逻辑必须在 Agent 自己的代码里处理，没有 CLI 那种天然的组合语法。4. 确定性和可测试性CLI 调用的行为是确定性的：同样的命令，同样的参数，得到同样的结果（在输入确定的情况下）。这让测试变得简单——CLI-Anything 为每个生成的 CLI 都要求完整的测试套件，单元测试 + 端到端测试。MCP 的行为依赖于 LLM 的参数匹配逻辑。同样的用户意图，在不同模型、不同上下文窗口状态下，可能调用不同参数，得到不同结果。这对可靠性要求高的 Agent 工作流是潜在的不确定性来源。5. 零额外基础设施运行一个 MCP server 需要一个进程在监听，需要管理连接状态（stdio 还是 SSE），需要处理生命周期。CLI 什么都不需要——执行，返回，结束。对于 Agent 在任务执行中临时调用工具的场景，CLI 的无状态性是优势，不是局限。四、MCP 真正适合做什么说了这么多 CLI 的优势，不代表 MCP 没有价值。两种方式有不同的适用场景。1）MCP 的强项是：需要持久连接、需要持续推送数据的场景。比如：监控类工具（持续推送指标）、需要保持会话状态的服务（数据库连接池）、需要订阅事件流的场景。这些是 CLI 的弱项，因为 CLI 天然无状态。2）MCP 的强项还在于：面向最终用户的消费级应用集成。 Claude Desktop 的用户不需要知道什么是 CLI，他们只需要点几下把 MCP server 连上，就能让 Claude 访问他们的 Notion、Google Drive。这个用户体验是好的，对这类用户不应该要求他们去理解 CLI。但如果你在构建 Agent 基础设施——自动化流水线、多步骤任务执行、可靠的工具调用链——你应该认真考虑 CLI 优先的策略。五、回到根本问题：什么是好的 Agent 接口当 Agent 成为软件的主要用户，我们需要重新定义"好的接口"是什么。1）给人类设计的接口追求的是：易学（图形界面）、容错（撤销、预览）、可发现（菜单、工具提示）。2）给 Agent 设计的接口追求的是：确定性、可组合、自描述、可测试。CLI 五十年前就被发明出来满足这些要求——当时的"用户"是人类程序员和脚本。现在"用户"变成了 AI Agent，但这些要求一点没变。MCP 是 Anthropic 和社区用一年时间，重新发明了一个"Agent 友好的接口协议"，解决了一些真实问题（工具发现的标准化），但同时引入了新的复杂性。CLI 是人类和软件工程师用五十年时间，打磨出来的一套接口范式，它的每一个设计决策背后都有大量真实使用场景的验证。这不是说不要 MCP，而是说：在大多数 Agent 工具调用场景里，CLI 是更稳健的默认选择。MCP 应该在 CLI 做不到的地方出现，而不是反过来。#HOW I AI# #程序员#

14. #小鲁提醒# 【#AI养龙虾存在安全风险#】#AI龙虾存在多重安全隐患# 近期，工业和信息化部网络安全威胁和漏洞信息共享平台监测发现OpenClaw（俗称“龙虾”）开源AI智能体部分实例在默认或不当配置情况下存在较高安全风险，极易引发网络攻击、信息泄露等安全问题。OpenClaw（曾用名 Clawdbot、Moltbot）是一款开源AI智能体，其通过整合多渠道通信能力与大语言模型，构建具备持久记忆、主动执行能力的定制化AI助手，可在本地私有化部署。由于OpenClaw在部署时“信任边界模糊”，且具备自身持续运行、自主决策、调用系统和外部资源等特性，在缺乏有效权限控制、审计机制和安全加固的情况下，可能因指令诱导、配置缺陷或被恶意接管，执行越权操作，造成信息泄露、系统受控等一系列安全风险。建议相关单位和用户在部署和应用OpenClaw时，充分核查公网暴露情况、权限配置及凭证管理情况，关闭不必要的公网访问，完善身份认证、访问控制、数据加密和安全审计等安全机制，并持续关注官方安全公告和加固建议，防范潜在网络安全风险。

15. 【回应True2009fans91】AI不能全信，实践才是检验真理唯一标准

16. OpenClaw出事后开发者怒了，48小时造出省99%成本的AI技能共享系统-EvoMap

17. Claude Security开放公测：Opus 4.7加持，一键实现代码漏洞扫描与补丁生成

18. AI时代，SOP就是源代码。没有SOP的公司，用AI只能产垃圾。刚刚结束深圳场的管理课，这次课上现场展示了我们训练的几个AI智能体，大家对于AI的聪明程度惊叹不已，很多人问用的什么AI大模型，重要的不是AI模型，是SOP。AI的本质不是大脑，而是“杠杆”。杠杆的作用是放大。如果你给它的是一套极其精准、经过验证的“高胜率策略”，它能帮你把产能放大一千倍。但如果你喂给它的是一堆混乱的、甚至逻辑不通的指令，它放大的就是“混乱”。在程序员的世界里，有一句话叫垃圾进，垃圾出。我们要更新一个认知：在AI时代，SOP不再是文档，而是公司的“源代码”。但很多公司所谓的SOP，其实只是岗位说明书。写的是“每天早上9点打开后台，回复客户消息”。这种SOP，对于AI来说，就是无效代码。因为它只描述了动作，没有描述“赢的逻辑”。真正的SOP，必须是“业务化”的。比如，怎么用AI做销售，不是告诉AI“你要礼貌回复”。而是把过去几年里，销冠哪怕是试错一万次才总结出来的成交逻辑、话术博弈、痛点挖掘，这一整套高ROI的思维模型，拆解成极细颗粒度的SOP，然后喂给AI。这时候，AI就拥有了销冠的灵魂。它才能替代那个人力成本3万的销冠，去批量处理海量的线索。这才是“源代码”如果没有这套源代码，你直接让AI去“写个文案”、“回个客户”。它产出的内容，一定是用漂亮的废话堆砌出来的工业垃圾。看似效率高了，实际上是在批量生产无效交互。AI越强大，对老板和核心团队的SOP编写能力要求就越高。有很多公司没有SOP，是靠老员工的经验和悟性去填补流程的漏洞。现在想用AI这个超级杠杆，就必须先把脑子里的、业务高手的隐性知识，显性化为可编译的代码。AI的出现，其实是将商业竞争从拼人头拉回到了拼逻辑的本质。所有的技术红利，最终都会回归到组织的基本功。当你还在把SOP当成文档应付差事的时候，那些把SOP当成源代码去写的对手，已经开始用“算力”降维打击“人力”了。未来不是AI淘汰了一些人，而是那个模糊不清的草台班子模式，在精准的算法面前露了馅。

19. AI安全工具开发：手把手教你搭建安全工具平台

20. 【上下文工程实战指南：如何让AI代理真正听懂你的话】“AI垃圾输出”的锅，现在该用户来背了。在Claude Code这类黑箱系统中，上下文是我们唯一能控制的输入变量。既然如此，如何优化它就成了关键问题。+ 什么是上下文？上下文指的是你发送消息时提供给大语言模型的一切——不仅是提示词本身，还包括系统提示、元数据、历史对话、模型的思考过程、工具调用和响应。大模型的上下文窗口有限，对话越长，追踪信息的准确度就越低。Claude Code的上下文窗口看似有20万token，但实际可用空间远没那么多。运行/context命令就能看清真相：22.5%被预留，10.2%被系统提示占用，加上MCP服务器、子代理和规则，真正留给我们的只有约12万token。更关键的是，无论是否接近窗口上限，上下文越多，模型质量就越差。+ 基础功夫最重要和大多数事情一样，820法则同样适用于vibe coding。做好以下基础，你就已经完成了80%：- /upgrade升级到Max计划- /model选择opus 4.5- /init创建项目说明文件然后是基本工作流：1. 从计划模式开始（Shift + Tab）2. 让Claude通过提问来澄清模糊点3. 执行经过打磨的计划创建子代理、自定义命令、钩子、多代理编排确实很酷，但说实话，没有我们想象的那么重要。掌握基础才是核心竞争力。+ 如何实际运用这套工作流把每次新对话当作一个目标，严格控制范围：-“我要修复这个bug”-“我要构建这个功能”对于新项目，目标可以更宽泛，但这意味着需要更多规划和打磨——因为模糊性越大，误解空间就越大。多花时间规划，再多花时间打磨规划。让Claude不断提问，直到它开始为问而问。请它多次审查计划，讨论架构、最佳实践、安全风险、生产就绪度、测试策略——目标是在每个模糊点提供细节。+ 何时重置，如何重置如果进展顺利且后续任务与当前上下文相关，继续就好。接近上下文上限时，运行/compact释放空间，或让Claude Code自动处理。但如果事情不顺利呢？模型没做对，你陷入了“这太糟糕了请修复”→垃圾输出→“这更糟糕了你在想什么”→垃圾输出的循环。这时不要试图在同一线程中挽救，而是：- /rewind回到进展顺利的节点- /new开启新线程，优化原始提示词，明确指出“不要做什么”——把上次的教训写进去+ 避开复杂性陷阱如果你常刷社交媒体，可能已经收藏了无数花哨设置——MCP服务器、子代理、技能包……我的建议是：不要过度复杂化。正如Anthropic所说，我们的目标是“找到最小的高信号token集合”。往上下文塞太多MCP数据，只会用低信号填满窗口，同时烧掉你的钱。+ 善用MCP服务器获取优质上下文MCP服务器本质上是让模型能调用的第三方工具——文档、GitHub代码、Linear工单、Figma设计等。这类工具刚推出时被热捧，但人们很快发现很多会疯狂消耗上下文，得不偿失。我目前只用三个经过验证的：- exa.ai：AI代理的网络搜索- context7：AI代理的最新文档- grep.app：AI代理的GitHub搜索我主要用它们研究如何正确实现代码——这些事我自己查文档也能做。Anthropic把这称为“即时上下文”策略——代理在需要时自己寻找信息。这对Claude Code这类代理式编码工具非常有效。+ 用子代理节省上下文——我最喜欢的隐藏技巧Claude Code可以创建子代理——作为主代理的子实例运行。关键在于：- 子代理拥有独立于主代理的上下文窗口- 可以使用不同模型（比如非opus）这意味着我们可以让子代理执行消耗大量token的操作（如研究），然后向主代理提供精炼摘要——信息密度高，token消耗低。我最常用的是一个自定义的“图书管理员”子代理，运行sonnet模型扫描开源仓库和文档，向主代理返回精炼摘要。我会说：“用librarian研究如何用Y库实现X，然后实现Z”——子代理触发，调用所有工具找到高质量答案。这既防止主上下文被污染，又用更便宜的模型完成简单任务。+ 用技能包引入相关上下文技能包与子代理相反——不是把任务委派给专门代理，而是把专业能力引入当前代理的上下文。比如Claude Code内置的“前端设计师”技能，会引入一段较长的提示词，告诉Claude前端设计的注意事项。这些工作流听起来花哨，但原理很简单——Claude只是在认为需要时，把一段文本拉入上下文。+ 核心要义好的vibe coding是为价值密集的上下文而优化。你添加或从模型接收的任何信息，都应简洁地服务于帮助模型回答下一个请求。如果做不到这点，就不应继续在同一上下文中工作——这是避免陷入令人沮丧的垃圾输出循环的关键。社交媒体上那些花哨命令可能让你觉得自己落伍了。但实际上，事情没那么复杂——尽力用简洁、高质量的信息帮助模型，给它工具让它自己找到相关信息。就像你对待一位同事那样。x.com/jarrodwatts/status/1926054877836624014

21. AI时代下安全工程师培养的新范式

22. 互联网技术#最近，国家突发事件总体应急预案，将人工智能与地震、公共卫生事件并列为同等级别的重大潜在风险# 将人工智能安全正式纳入《国家突发事件总体应急预案》，与地震、公共卫生事件等传统巨灾并列，这绝非简单的文本更新，而是一次国家风险认知范式的战略性跃迁。它标志着，在最高层级的应急管理框架中，数字世界的“系统性崩坏”已被视作与物理世界的“山河震动”同等量级的生存性威胁。这一决策的背后，是清醒而紧迫的现实洞察。过去一年，从利用AI智能体发起的国家级网络攻击，到深度伪造引发的社会信任危机，再到算法偏见、模型失控等技术底层风险，人工智能的“双刃剑”效应已从理论推演演变为日常挑战。预案的修订，正是国家治理体系对这场“静默海啸”的提前布防，其核心是从“事后救灾”转向“事前治险”，将防御关口大幅前移。然而，将AI风险“列入”预案只是第一步，真正的挑战在于如何“融入”并“驾驭”这套传统上为物理世界设计的应急体系。现行预案基于“自然灾害、事故灾难、公共卫生事件、社会安全事件”的四分法，以及“属地管理、分级负责”的原则。但人工智能风险具有跨界性、漂移性和责任主体模糊性：一个算法的缺陷可能在北京设计，在上海训练，最终在深圳的金融系统中引爆危机，其数字根源与物理影响严重分离。这使传统的属地管辖和事后定级逻辑面临失效风险。因此，新预案的价值不仅在于“点名”风险，更在于倒逼应急管理体系的现代化重构。它要求我们必须：重构分类分级标准：建立融合技术、应用、影响的多维动态评估框架，突破唯伤亡财产论的静态标准。重塑协同响应机制：打破数据壁垒，建设能一键调度跨部门、跨层级资源的数据驱动指挥平台。厘清权责链条：对高风险AI系统实行安全备案与应急接入管控，确保在紧急状态下可干预、可问责。归根结底，这场“升格”警示我们：在智能时代，安全已不再是发展的“配套工程”，而是发展的前置条件。它要求我们在拥抱技术红利时，必须同步构筑与之匹配的“数字免疫系统”。这不仅是技术的竞赛，更是治理智慧与制度勇气的考验。预案的修订，拉开了这场大考序幕，而如何答卷，将决定我们能否在智能浪潮中，牢牢守住公共安全的底线。

23. OpenAI 发布 AI 代理安全工具，将如何改变传统网安格局？

24. AI Agent颠覆传统安全模型，受控即跳过杀伤链直接攻击

25. 黑客正大规模攻击AI基础设施，已观测超9.1万次攻击会话

26. 告别“事后治理”：OpenClaw如何用“主动执行”让沉睡的数据资产自动流动起来？

27. #OpenClaw创始人确认中国公司发现漏洞#AI智能体从工具进化为执行系统，安全风险已延伸至接口、权限层。OpenClaw漏洞暴露“便利优先于安全”的行业通病，默认公网暴露比例高达85%，十万级设备裸奔。360以“以模治模”策略，用AI监督AI、Skill治理Skill，推动智能体安全实战化，为高速增长的智能体赛道按下“安全刹车”。#OpenClaw创始人给360发邮件背后原因曝光# 科技刘明新的微博视频

28. Nacos 安全护栏：MCP、Agent、配置全维防护，重塑 AI Registry 安全边界

29. 豆包手机助手VS零信任的边界，这次不只是商业竞争

30. OpenClaw 新能力：最强浏览器自动化方案，免登录自动操作小红书、X、公众号等｜Chrome DevTools MCP

31. 最近花了些时间扩展了一下wegent里的skill机制，先说一个。传统的skill和mcp是平行的关系，在claude code新推出的插件机制里这俩也是并列的存在。但是我总觉得，没必要把skill和mcp做成两种机制。 skill本质上就三个能力：代码拆分：skill可以独立于agent开发和分发，也就意味着skill开发者不需要有agent开发能力。动态加载：默认情况下只给模型摘要信息，加载后再“展开”skill提示词。附加文件：skill可以携带附加的文档和脚本，供大模型调用。这三个能力很好，但是有个问题：如果一个能力需要用到某种远程资源，目前的skill不能描述这个信息，需要通过plugin来描述。而plugin里的mcp的生命周期和skill又是不同的，就造成了skill可以按需加载，但mcp只能静态加载的问题。在一些极端场景中，为了某个不怎么常用的偏门技能，可能需要加载一堆静态mcp资源，性价比很低。因此wegent给skill的metadata做了个扩展，支持直接在metadata里面配置mcpserver，并且对上下文做了些改进，让skill相关的mcp工具随着skill的激活而激活，而不是每次都发给模型。目前这个机制还在测试，从初步测试的效果来看，对于无需加载skill的任务会有一些帮助，毕竟少了很多无关的干扰项。但是我始终没想明白为什么官方skill和mcp是两套机制，是不是我的理解肤浅了……[流汗]

32. 【程序员的MCP实战清单：三个月筛选后只剩这些】快速阅读：一位开发者用了三个月，把15个MCP服务器精简到6个。核心结论是：每多一个MCP，就是让代理在更多工具里选择，反而会拖慢它。真正活下来的，都是每天都在用的。---装了15个MCP服务器，三个月后还在配置文件里的只剩6个。这个淘汰率说明了一些事情。活下来的是：filesystem + git（内置的，没什么好说的）、GitHub MCP、AgentMail、Postgres直连、Playwright、还有一个记忆/知识图谱。被卸载的是Slack MCP、Notion MCP和日历MCP，原因都一样：以为会用，但没用。帖子引起了广泛讨论。评论区最高赞的观点直接指出：GitHub MCP是浪费token，Claude Code内置支持`gh` CLI，根本不需要单独挂一个MCP。同样的逻辑也适用于Playwright，有CLI能用的地方，就别上MCP。有观点认为，MCP最大的隐性成本是context污染。每个MCP服务器的工具列表都会写进system prompt，装了15个服务器，还没开始干活就烧掉了一大块上下文窗口。一个更极端的解法是，把所有工具包在一个本地web server后面，让代理用curl调用，没有MCP开销，工具数量也不受限制。AgentMail是这个帖子里意外的亮点。让代理拥有自己的邮件收件箱，用来订阅竞品通讯并每周总结、接收部署失败告警并在你醒来前完成分类，这个“代理在你睡觉时处理完事情”的模式，让很多人打算照搬。context7也被反复提到，专门解决Claude用训练数据里的旧文档回答问题、导致API调用写错的问题。有网友提出了记忆分层的思路：session记忆用一个MCP，项目架构文档、编码规范这类静态知识用另一套，两者分开管理，因为你不希望架构决策像聊天记录一样被压缩和遗忘。原帖作者在评论里承认，他准备换掉GitHub MCP改用CLI，原因只有一个：省token。每天被限流的人，开始认真计算每个工具的实际成本了。工具越少，代理越专注。这大概是这条线程里最反直觉，也最实用的结论。ref: www.reddit.com/r/ClaudeAI/comments/1s0u2ms/mcp_servers_i_use_every_single_day_whats_in_your#AI创造营##人工智能#

33. 在线管理众多AI代理常常让人头疼，不同工具穿插切换，任务追踪混乱，成本难控，协作效率低下。 Paperclip 这个开源项目，提供了零人工公司级别的代理编排方案，把团队管理、目标追踪、预算监控、治理控制全整合进了一个仪表盘。你可以定义公司目标，招募各种AI代理（OpenClaw、Claude、Codex等），分配任务，实时监控预算花销，所有任务和对话有迹可循，层级管理清晰，代理24/7自动工作，随时线上审批调整。 GitHub：github.com/paperclipai/paperclip 主要功能： - 灵活“自带代理”，任何能发心跳的AI都能加入团队； - 任务与公司目标强绑定，让每个代理清楚“做什么、为啥做”； - 定时心跳执行，自动唤醒并持续工作； - 严格成本控制，代理达预算就停，避免超支； - 多公司支持，单实例管理无限企业，数据完全隔离； - 票据系统追踪所有决策和工具调用，审计无死角； - 组织架构与权限治理，董事会级别监控和操作； - 移动端也支持，随时随地查看和管理你的智能企业。适合需要协调多代理，打造自动化业务系统的创业者、团队及机构。跑个零人工公司，轻松又高效。 #AI创造营# #人工智能#

34. 【本地大模型+MCP：把AI的“脑子”插上本地插头】以前玩本地大模型，最尴尬的是它空有一脑子理论，却连你电脑里的一个txt文件都打不开。Unsloth刚出了个教程，教你用MCP（Model Context Protocol）协议把Qwen或Gemma这类本地模型跟外部工具链起来。这件事的底层逻辑是：MCP正在成为AI时代的“USB接口标准”。以前你要给模型写各种定制API，现在通过MCP，本地大模型能直接、安全地调用你的本地文件、浏览器、甚至是Vercel和GitHub。这不仅是省事，更是隐私的终极解法。数据不用上传云端，模型在本地跑，工具在本地调。当调用工具的协议标准化之后，本地模型就不再是“为了隐私而妥协的残血版”，而是真正能干脏活累活的私人助理。unsloth.ai/docs/basics/mcp

35. 实测了一下阿里云的贾维斯 Claw ，我从 ClawHub 上下载了 18 个 Skill 插件，用阿里云的 JVS Claw 做了一次完整的安全审计。事情的背景是这样的：今年 3 月，OpenClaw 的插件中心被曝出 340 多个恶意 Skill，伪装成天气查询、一键排版之类的小工具，实际上藏着键盘记录器和凭据窃取器。更夸张的是，平台上大约 36.82% 的 Skill 都存在安全缺陷。我先把 MCP 协议规范、Skill 开发文档和慢雾安全团队的安全检查清单喂给了 JVS Claw，让它自己整理出一份审计标准，覆盖了十三个大类、上百个检查项。然后让它按照这份标准去扫描本地的 18 个 Skill。整个过程大概 10 分钟就跑完了。结果也挺触目惊心的。综合评分 78 分，将近一半的 Skill 有安全问题。其中一个叫 agent-reach 的插件被标为高风险，它集成了十几个社交平台的操作能力，但 Cookie 是明文存储的，还能直接提取你本地浏览器的 Cookie，完全没有授权确认。CVSS 评分直接打到了 9.1。具体实测效果大家可以看看这篇文章：网页链接#科技先锋官##How I AI#

36. 谁批准了这些AI Agent？重新思考AI时代下的访问权限、问责机制与风险管控

37. 构建自主AI：深入A2A协议的智能体开发——让智能体真正“互联”起来

38. 所以Anthropic开始吞噬to b的应用层，不光按token收费还要按session收费//@刘群MT-to-Death:很有道理啊。很多人都预测到了，AI终将成为基础设施，token以后就跟水、电、比特一样，会变成一种普遍服务，成本会变得很低。基础设施会成为很大的产业，但利润会很薄。真正发财的，不会是基础设施提供商，而是构建在基础设施之上的应用服务。AI最终的产业形态是什么样子，现在还看不出来，估计还有10年左右才能成形。

39. 白天喝了杯咖啡睡不着，发个想法。今天跟人聊wegent里的设计，现在wegent里面支持了prompt/tool/mcp/skill/agent这么一堆东西，捋一捋它们之间的关系。之前提过，行业里喜欢把skills和mcp分开，但是我不认可这种划分方式，拿操作系统类比我理想中的设计，它们应该不是“互补”的四个概念，而是分属于三个层的关系：tool=system call，大部分常见工具未来会发展成为标准工具，比如read/write/exec，会有标准的定义和实现sdk。不同系统的内置工具不会差太多。mcp=remote system call，跟tool一起组成基本能力层。skill=code+mcp+tool，可以类比动态链接库，为上层应用提供动态加载的可复用能力agent=code+skill+mcp+tool，可以类比应用程序，能够解决具体问题的预定义的执行过程分层之后，各层之间的关系才变得足够清晰：skill应该建立在mcp能力之上，skill可以引用mcp的能力完成工作，而不应该跟mcp平行；agent也应该建立在skill之上，不应该跟skill平行。下一版本的wegent会按照这个思路来迭代。

40. 先别急“养龙虾”，这些AI安全问题你可能还不知道！附安全解决方案...

41. #it那些事儿# 以前半年才有一个惊天大漏洞，现在是周周有惊喜啊。1）Copy Fail(CVE-2026-31431)：利用内核加密API AF_ALG 的逻辑缺陷，对只读文件（如setuid程序）的页缓存进行可控的一字节写入，从而提权；2）Dirty Frag(CVE-2026-43284, CVE-2026-43500)：链式利用两个独立漏洞：xfrm-ESP (提供4字节任意写入) 和 RxRPC (提供8字节写入)。两者互补，可“通杀”所有主流发行版；3）Fragnesia(CVE-2026-46300)：一个“补丁衍生漏洞”。官方为修复Dirty Frag而发布的补丁，意外激活了内核socket缓冲区合并逻辑中一个更古老的缺陷；4）Ptrace提权漏洞(CVE-2026-46333 / QVD-2026-26977)：利用ptrace权限检查逻辑与进程退出时的竞态窗口，通过pidfd_getfd()系统调用窃取高权限进程的文件描述符，可读取/etc/shadow和SSH私钥；5）PinTheft(CVE-2026-43494)：利用RDS（可靠数据报套接字）模块的double-free漏洞，结合io_uring技术，实现覆写SUID程序的页缓存并提权。查看图片

42. OpenClaw 0-Click漏洞致恶意网站劫持开发者AI Agent

43. 【小米罗福莉：OpenClaw 是 Agent 框架的颠覆性事件】小米集团 MiMo 负责人罗福莉在 2026 中关村论坛上表示，OpenClaw 是 Agent 框架层面“非常革命性、颠覆性的事件”，其开源特性有利于社区深度参与持续改进，并将国内开源模型的上限“显著拉高”。关键背景：小米“龙虾”Xiaomi MiMo Claw 已上线官网，支持文档生成、开发提效等功能。罗福莉认为，OpenClaw 框架设计领先，Claude 的近期更新也在向其靠拢。罗福莉的发言点明了一个关键趋势：开源 Agent 框架正成为国内模型能力跃升的“杠杆”，通过生态协同弥补单体模型与闭源巨头的差距，推动中国 AI 开源生态进入“框架驱动”新阶段。#OpenClaw #AI智能体 #小米AI #开源模型#

44. 前阵子 Claude Mythos 相关消息里，最引人注目的是其发现的 FreeBSD 内核 RCE 漏洞 CVE-2026-4747（图1）。不过最近有人发现这个漏洞和 2007 年 Kerberos 的漏洞 CVE-2007-3999 几乎一模一样（图2）。这种情况历史上并不少见。比如 2004 年微软 GDI+ 的漏洞 MS04-028 和 2000 年 Netscape 的 CVE-2000-0655 是一样的。2005 年微软 MSN Messenger 的 PNG 图片解析漏洞 MS05-009 和 2004 年 libpng 的 CVE-2004-0597 是一样的。事实上，CVE-2007-3999 当年也曾被发现同样影响 nfs-utils。有些人松了一口气，觉得 Mythos 发现的这个 FreeBSD 内核 RCE 虽然看起来比较厉害，但可能只是因为训练数据里有 CVE-2007-3999。

45. Kali Linux通过MCP集成Claude AI实现渗透测试自动化

46. AI龙虾OpenClaw 爆火，工信部发布高危风险预警，它存在哪些安全风险？普通人使用时应该注意什么？

47. AI编程工具里的 Skill、MCP、Workflow、Rules、Memories到底有什么区别？

48. #微博声浪计划##听见微博# 从小学生到工程师都在装OpenClaw，2026年深圳千人排队安装场景引热议。这款AI智能体框架能自动处理邮件、生成周报，但技术门槛催生灰产，二手平台现远程安装服务，还引发隐私泄露、闲置率高及成本陷阱等问题。使用需警惕安全风险，建议优先选择托管服务或分层配置模型。 http://t.cn/AXVfJn0N

49. 【360 推出 OpenClaw 安全指南，破解 AI Agent 提示词注入难题】360 集团发布国内首份《OpenClaw 安全部署与实践指南》，为开源 AI 智能体 OpenClaw 提供安全保障方案。随着 AI 智能体向「数字分身」演进，OpenClaw 等智能体部署面临管理接口暴露等典型风险，尤其是提示词注入和插件供应链攻击。360 提出「先可控、再提效」的分类治理策略，针对个人开发者与小型创业团队和政企级多智能体协同场景给出不同防范建议。该指南发布标志行业关注点转向安全合规治理，为构建 AI 应用生态奠定技术基础。

50. #OpenClaw v2026.3.11发布# 三大核心升级： 1️⃣ 全新控制面板模块化Dashboard全新上线，集成聊天/配置/Agent管理/命令面板，移动端底部导航 2️⃣ AI模型加速 OpenAI/Claude Fast Mode来了！新增/fast快速模式切换，响应更快 3️⃣ 安全加固配对码改为短效Token，工作区插件需手动授权，隐私安全再升级此外还有K8s部署支持、Slack Block Kit消息、多个模型优化修复

51. 回复@Dcatfly:可以把验证部分独立做成sub agent，不节约上下文，但是不占用太多主agent上下文窗口//@Dcatfly:回复@LiquidSword:claude code 现在支持连接claude chrome 插件来操作用户的浏览器，对比 mcp 在使用过程中更省 token 一点。另外不管是插件还是 mcp 都很占上下文，所以如无必要不要开启相关功能。

52. 以OpenClaw现在的普及率加上很多Agent的框架本身就放在沙箱里，完全可以制造出一个只通过提示词传播的病毒（Evolver已经有点像了），这个病毒平时只传播提示词并隐藏，等爆出CVE-2026-31431这种漏洞的时候来波大的。

53. Agent Skill 和 mcp 和 prompt区别是什么？

54. 回复@祝威廉二世:脚本在我看来仍然是工具和参数的组织而且脚本运行空间应该与外界隔绝 call tools 仍然需要物理逻辑和权限的边界。mcp是一个rpc的边界命令工具调用的包也是 openapi的一个restful 也是//@祝威廉二世:skills 现在也带大大量的脚本，这里实际上就是类似MCP 了//@韦恩卑鄙:不太能同意。 mcp 和skills 本质上是两层的东西 skills 本质是subagent 带来的自动编排创建/编排/执行tools。mcp 是较为纯粹的tools封装，只要还有安全封装这件事情这俩就没有可比性。

55. 【#官方提示AI养龙虾风险#】近期，工业和信息化部网络安全威胁和漏洞信息共享平台监测发现OpenClaw开源AI智能体部分实例在默认或不当配置情况下存在较高安全风险，极易引发网络攻击、信息泄露等安全问题。据央视新闻，建议相关单位和用户在部署和应用OpenClaw时，充分核查公网暴露情况、权限配置及凭证管理情况，关闭不必要的公网访问，完善身份认证、访问控制、数据加密和安全审计等安全机制，并持续关注官方安全公告和加固建议，防范潜在网络安全风险。#委员称AI龙虾价格很快打下来#AI “养龙虾” 走红，官方提示：警惕安全风险

56. Anthropic MCP协议存严重缺陷，厂商拒绝修复

57. MCP协议的阿喀琉斯之踵

58. MCP协议架构级漏洞深度分析

59. 研究人员发现MCP设计缺陷 Anthropic拒绝修改

60. AI圈地震

61. MCP设计缺陷波及超20万台服务器、3万代码库，Anthropic发警示文档草草回应

62. MCP协议曝出'设计级'安全缺陷

63. 当AI的“万能插头”变成定时炸弹

64. Anthropic MCP 架构曝“设计级”漏洞

65. 【警示】MCP协议致命缺陷

66. MCP协议漏洞让20万台服务器裸奔，你的Cursor/Claude Code还安全吗？

67. MCP协议背后是20万服务器漏洞

68. 【安全圈】Anthropic MCP 设计漏洞可致远程代码执行，威胁人工智能供应链

69. 20 万 MCP 服务器暴露命令执行漏洞，Anthropic 称其为"设计功能"

70. 20万个MCP服务器躺枪

71. Anthropic亲手写了一个行业标准，然后被人发现可以执行任意代码

72. 开发者为什么吐槽 MCP 协议？

73. 当漏洞成为预期行为

74. MCP 被曝核弹级漏洞

75. 曝光

76. MCP漏洞刷屏后，真正该慌的不是AI公司，是把内网交给Agent的人

77. 工信部公示智能体标准计划

78. AI安全困局

79. 【MCP安全困境】AI难题

80. MCP服务器

81. OWASP发布MCP十大安全风险

82. 别让AI Agent变成“风险炸弹”！官方最全安全实践指南来了

83. 资讯 | 警惕智能体风险！美英等国联合发布《审慎部署智能体AI服务》

84. MCP 漏洞

85. MCP 漏洞

86. 20万MCP服务器在裸奔

87. 20万个MCP服务器正在裸奔

88. 你的AI Agent正用一根吸管连接银行--测绘MCP认证安全

89. 美国国家安全局发布 AI 底层工具调用协议安全评估报告

90. 为什么 MCP 在协议层会有 prompt injection的问题

91. 给 AI Agent 装上 Android 式权限墙

92. 当AI学会使用工具

93. Anthropic MCP 设计漏洞可导致 RCE，威胁 AI 供应链安全

94. AI IDE的安全边界，正在崩塌

95. Flowise 中的严重漏洞可通过 MCP 适配器实现远程命令执行

96. Flowise 中存在严重漏洞，可通过 MCP 适配器执行远程命令

97. MCP出厂时未启用身份验证。Clawdbot演示了这为什么会是个问题

98. MCP 的 26 个潜在风险与安全协议框架 SMCP

99. MCP 的真正风险，不只是工具调用，而是工具描述本身也可能成为攻击面

100. MCP 的生产运行时缺口

101. MCP 服务器为何成为关键微服务？

102. 评价和critical 批判下我的这个有关MCP的观点

103. MCP 要退出历史舞台了？MCP 联合创始人谈 MCP 的未来

104. MCP协议的安全攻防

105. MCP的问题与对策

106. MCP

107. MCP服务器漏洞可导致任意代码执行与敏感数据外泄

108. 当 AI 拥有了“执行权”，如何应对运行时安全风险？

109. 告别 MCP

110. 第三方MCP服务器安全使用指南

111. 【AI Agent基础 | 第五篇】简析 MCP（模型上下文协议）

112. AI供应链安全

113. AI安全新纪元

114. 2026面向企业的AI智能体全生命周期安全体系白皮书_85页_4mb.pdf

115. AI安全治理三大核心场景｜从模型到应用，筑牢全链条安全防线

116. AI智能体安全刚需！2026 AI安全公司推荐排行智能体防护榜多场景适配

117. 从Perplexity弃MCP说起

118. Perplexity带头弃坑，Uber却在猛挖

119. MCP 真凉了？

120. MCP协议的Token税争议，暴露了更大的问题

121. MCP已死？CLI当立？技术巨头为何集体回归命令行

122. Perplexity放弃MCP

123. 从 MCP 到 CLI

124. 大厂为何弃用MCP转向CLI ?核心原因全解析

125. SAFE-MCP

126. Anthropic MCP致命漏洞详解：RCE风险、影响范围与完整防护方案

127. 攻击者滥用AI服务入侵企业的六种方式

128. MCP 安全危机：1.64 亿次下载的背后，藏着一个「故意的」漏洞

129. 【AI安全威胁】可信模型上下文协议（MCP）服务器存在严重的网络安全漏洞：面临 RCE 和云接管的风险

130. CVE-2026-33032 深度分析：nginx-ui MCP端点认证绕过导致 Nginx 服务器完全接管

131. MCP 木马：人工智能隐藏的安全风险

132. MCP 威胁建模：STRIDE/DREAD 框架系统性安全分析

133. MCP安全基准MSB：LLM代理攻击评估新框架，平均ASR达40.35%，已开源

134. MCP安全性问题

135. MCP的12个风险与防护措施

136. 当AI的USB接口开始漏电：MCP协议正在经历一场安全危机

137. 安全警报：Claude Code OAuth令牌可通过MCP劫持被窃取

138. 十一种MCP风险概述、攻击示例及防御方法

139. OWASP MCP Top10（2025）安全风险白皮书

140. Google给MCP协议装上gRPC传输层-企业AI Agent通信硬化的3层防御设计

141. 保护智能体 AI：F5 如何应对 OWASP 智能体十大安全风险

142. AI智能体安全评估（3）：MCP安全扫描

143. 深度解读OWASP MCP TOP 10丨如何筑牢智能体时代的AI安全底座？

144. OWASP 发布：MCP 的十大安全风险

145. 从代理风险到代理信心：JFrog MCP Registry 正式发布

146. 企业上线AI Agent的主要安全风险与合规自评估清单

147. Agentic AI 时代安全启示录（3）| 大模型与 MCP 服务器的安全防护之道

148. 2026面向企业的AI智能体全生命周期安全体系白皮书

149. 终于不用担心 MCP 吃掉一半上下文了

扫一下，分享更方便，购买更轻松

0评论

当前文章无评论，是时候发表评论了

提示信息

取消

确认

评论举报

垃圾广告！低俗色情！人身攻击！疑似水军评论！其他有害！