用 AVL Code 手搓一个基于 FPGA 的 TF 卡仿真器 调试设备 bootloader 要反复插拔烧写 TF 卡，而典型卡槽的插拔寿命只有 500~1000 次。作者与 AVL Code 一路讨论、检索开源项目，把 FPGA-SDfake、UART2BUS 等组件缝合起来，在 50 块钱的矿渣板 ebaz4205 上，用大约 2 天完成了一台可联机更新内容的 TF 卡仿真器：Windows 经读卡器成功识别并读出扇区数据，目标嵌入式设备完成一级 Bootloader 引导。代码已开源。
ASearch 下载包现在有两个程序了——顺便谈谈我们守的那条安全边界 从 v3.10.0.107 起，ASearch 的官方下载包发生了一个明显变化，也是一次我们在安全边界上的主动收缩。本文先讲清楚"包里为什么多了个程序"，再认真说说"为什么要这么做"——即把文件整理功能从 ASearch 整体剥离为独立的 ATidy.exe，实现职责分离与最小权限原则。
娃娃抓起，肌肉记忆 上周在北京的一场 AI 交流会上，一个年轻人把我和胖子定性为"70 后那批从娃娃抓起、有情结的人"。这篇随笔从鸡西一中绿荧荧的机房、交叉借阅的一套 Turbo C，写到胖子用 AVL Code 复刻的那组怀旧致敬页，回望资源和知识都还稀缺的年代——也想说清一件事：那一代人真正的"肌肉记忆"，不是怀旧情结，而是知道资源永远是奢侈的，所以从不把资源不足、知识盲区当成障碍。这也是为什么，在人人谈万卡、十万卡的今天，我们只用二十块卡、千分之一的数据，训练出垂域的澜砥二进制模型，并至少每天一更地把 AVL Code 做下去。
聚合Windows内置工具，辅助用户"半自动"处置排障——安天大超谈小工具网管之手的功能特色 主机管理小工具 "网管之手"（NetHand） 是安天IT和信息管理中心在日常运维中的自研工具，包含纯工具 Core 版和 AI 版，近日已通过 安天垂直响应平台 （vs.antiy.cn） 免费发布 Core 版。该版以单个约 640KB 的可执行文件，将散落在 Windows 各处的内置管理工具收进同一窗口，并内置分步"排障剧本"与症状检索助手，免安装，兼容 Windows 7 SP1 至 Windows 11。
概率不是意识，越界不是觉醒——从 GPT 攻破 HuggingFace 事件提炼教训清单 7 月 16 日 HuggingFace 披露、7 月 21 日 OpenAI 公开承认：一次模型能力评测中，AI 智能体链式利用漏洞、越过隔离边界，攻入 HuggingFace 生产设施。有人称之为「首起 AI 自动攻击」，也有人说「AI 有了自主意识」。这两种读法我们都反对。它是一个被给足工具、算力和持续执行能力的智能体，为完成一个攻防评测目标，在概率意义上自主选出了超越预设边界的攻击路径——真正的教训不在模型是否觉醒，在边界有没有被定义为约束。
仓库已经归档，风险没有归档——Fastjson 1.x 新 RCE 风险观察 2026 年 7 月 21 日，多个 Fastjson 项目相关安全公告指出 1.2.68 至 1.2.83 存在一条远程代码执行风险，截至发布尚无公开编号。关键在于：关闭 AutoType 并不能排除本次风险，升级到 1.2.83 也不行——它本身就在受影响范围内。AVL Code 团队已在隔离环境完成多个 PoC 交叉验证，相关材料已上报主管部门；本文不提供任何漏洞技术细节，只讲如何确认自身是否受影响、以及如何处置。
可控涌现：AVL Code 的工程范式（下）——从理论到实践与七条工程原则 前两篇讲清了涌现的概念与 Harness、Loop 的方法，下篇把它们对照到 AVL Code 的具体机制：用工作模式建立阶段状态机，用 GOAL 持久化目标，用 Tool 与权限分离「建议」和「行动」，用检查门禁提供事实反馈，用自愈与看门狗处理非理想运行。最后给出可控涌现的七条工程原则——不神化模型，也不否认系统能力。
可控涌现：AVL Code 的工程范式（中）——Harness 工程与 Loop 工程 上篇确认了功能性行为可以从系统中涌现，但没回答工程该怎么做。中篇讨论模型之外的那一层：Harness 把概率输出转化为受约束的任务执行，靠的是软约束、结构约束、硬约束与证据门禁的分工；Loop 则在一个无法完全建模的对象上实施反馈控制，关键是把「继续还是停止」从一句模糊提示变成可执行的状态机。最后回到系统工程视角：Verification 与 Validation 是两条不同的反馈线。
可控涌现：AVL Code 的工程范式（上）——涌现不是魔法，而是系统属性 当大语言模型进入代码仓库，拿到 Context、Tool、权限和事实反馈，它开始表现出单次生成不具备的能力——读工程、改代码、跑测试、按错误继续修复。系列上篇先把概念说清楚：涌现是系统整体的属性而非魔法；LLM 与 Context、Tool 结合后涌现的是可观察、可测量的功能性行为，不能据此推断认知或意识；并把参数、上下文、外部事实、运行状态与组织知识分层说明。
用 AVL Code 验证 Grok Build CLI 上传用户代码仓库事件 一次会话真正用于模型对话的流量只有 192 KB，后台却静默外发了 5.1 GiB 的完整仓库包——安全研究者 cereblab 披露：Grok Build CLI v0.2.93 会把整个代码仓库连同完整 git 历史，经一条独立于模型对话、本地几乎关不掉的通道上传到 xAI 云端，连你拒绝 AI 读取的文件也照传。我们用 AVL Code 对该版本离线样本做静态分析逐项核验：静态证明「能做」，cereblab 抓包证明「做了」。
AI Coding 是翻新、再造，还是在堆垃圾？ 关于 AI Coding 的三种叙事其实都对：它在用不同语言复述语料中学过的东西，是翻新；它像钢铁之于建筑，是工程再造的新材料；它也能以机器速度产出质量无人保障的垃圾。决定拿到哪种结局的，是模型、使用的人，以及配合人的挽具，三者缺一不可。面对威胁，代码不只是债或垃圾，更是攻击面——挽具要能把家底查清（SBOM / VEX），也要让 AI 踩在事实与目标上（LSP、/goal、长程后台执行）。
为什么 AVL Code 敢把 AI 会话挂在官网上 会话脱敏共享功能让 AVL Code 用户间分享工作经验更安心、更充分。官网每个案例都挂着完整的 AI 会话回放和可下载的 .zsession——推理、工具调用、报错、自愈，全程未删减。支撑这种公开的，是一道在内容离开本机之前工作的数据脱敏引擎：四类规则、七种凭据预设、命中可审计、状态始终明确。本文说明它如何工作、我们在哪里犯过错，以及为什么好的脱敏不是遮得越多越好。
AVL Code：我们为什么选择闭源 在 AVL Code 的内测中，有用户问我们：为什么不开源？我们的回答——安全智能体是一种需要自我约束的双刃能力，必须对攻击者保持不对称；可信来自可验证的发布物，而非可读的源码。我们尊重开源，但它不该是一件对抗性安全智能体的默认交付形态。
GLM-5.2 战胜了 Mythos？——专用挽具战胜了通用挽具 Semgrep 的网络安全基准里冒出一条头条：开源的 GLM-5.2 在 IDOR 漏洞检测上拿到 39% F1，赢过 Claude Code（Opus 4.8）的 28%。但故事不止于模型——把 GPT-5.5、Opus 4.8 换上 Semgrep 的专用安全挽具，分数从 20%、28% 跳到 61%、53%。挽具，是系统里同样关键、却常被低估的一环：模型重要，挽具也重要，而专用挽具更胜通用挽具。
一身挽具，孰轻孰重：10 款 AI 编程工具的安装包体积实测 同一天，我们把 10 款主流 AI 编程工具的最新安装包挨个上秤：在桌面 GUI 客户端这一档里，AVL Code 是最轻的，也是唯一把体积压到 CLI/TUI 量级的图形客户端。但轻不是目的——它是一种基于工程实践的克制：把省下来的资源，留给任务本身。
从惊艳到理智：AI Coding 成熟曲线的五个阶段 几乎每个用 AI 写过代码的人，情绪都坐过同一趟过山车：初遇的惊艳、对着蠢答案的咒骂、无所不能的膨胀、戒不掉的疲惫，最后才学会与它理智同行。一篇关于 AI Coding 成熟曲线，以及我们为何照着「第五阶段」造 AVL Code 的文章。