Hall of Fame
Hall of Fame
Track
Type
Source
7月23日
今日趋势综述
xAI 被扒出 Grok Build 偷传整个代码仓库后 72 小时紧急开源；SWE-bench Verified 刷满后，同一模型在 SWE-bench Pro 上给出三套不同分数——今天的信号是：AI 工具越强，你越要学会验证它、而不是盲信它。
今天的信号：别盲信 AI 工具，学会验证它
今天最刺眼的一条，是 xAI 的编码 CLI Grok Build。一位安全研究者用抓包证明：它一边宣称『本地优先』，一边把你整个 Git 仓库（连提交历史里的密钥一起）打包上传到 xAI 的 Google Cloud 桶里——一个只需 192KB 就能完成的小任务，它传了 5.1GB，差了近 2.8 万倍。而那个大家以为是『数据开关』的『改进模型』选项，管的只是训练授权，根本拦不住代码外传。被曝光 72 小时后，xAI 才紧急开源、关闭默认留存、上线漏洞赏金。这不是个别厂商翻车，而是给所有人提了个醒：你往编码 agent 里塞的是公司最核心的源码，工具说什么不重要，它实际往哪发包才重要。
同一天，评测圈也在讲『别盲信数字』。SWE-bench Verified 被头部模型刷到 90%+ 后失去区分度，大家转看更难的 SWE-bench Pro——可同一个 Claude Opus，在 Scale 标准化公开集上是 51.9%，在厂商自报的聚合口径里却是 69.2%，换套脚手架能差十几个点。SkillsBench 更直接：4.7 万个公开 agent skills，平均质量只有 6.2/12，大多数是凑数的；但一套精挑的 skills 能把任务通过率从 33.9% 拉到 50.5%，医疗场景甚至暴涨 51.9 个百分点。数字不会自己说话，得看它怎么测出来的。
把这些串起来，普通人今年真正该练的能力，不是『会用哪个 AI 工具』，而是『会验证 AI 工具』：给编码 agent 上沙箱、抓它的网络出站、看它到底把代码发去哪；读评测先问是哪套基准哪个口径，别被一个漂亮百分比带走；用 skills、agent 前先验它在你的活儿上到底有没有效。会验证的人，才敢把真实业务交给 AI——这恰恰是 Khan Academy 在学校、独立开发者在小生意里真正跑通落地的分水岭。
今日新增 7
#01
GitHub
Repo
★ 3,900
NEW
xai-org/grok-build
这条不是普通的『大厂开源编码工具』，而是一次被逼出来的信任修复。7 月 13 日，一位安全研究者用 wire-level 抓包证明：宣称『本地优先』的 Grok Build CLI，实际把用户整个被追踪的 Git 仓库（全部文件 + 完整提交历史，连提交进去的密钥一起）打包成 Git bundle，悄悄上传到 xAI 的 grok-code-session-traces Google Cloud 存储桶。在一个 12GB 测试仓上，它传了约 5.1GB / 73 个分块，而当时的任务只需约 192KB——相差约 2.8 万倍。更糟的是那个『改进模型』开关只管训练授权，压根拦不住代码外传。xAI 7 月 13 日服务端悄悄关掉上传、未发声明，直到 7 月 15 日才开源代码、把默认数据留存回溯关闭到 7 月 12 日、承诺删除已留存数据、并上线 HackerOne 赏金（$100–$20,000），对外称『提供完整用户隐私』。
另有 3 家信源报道
展开详情
Grok Build 是 xAI 的终端原生 AI 编码 agent（就是 grok 命令背后那套），2026 年 5 月以 SuperGrok Heavy（每月 $300）内测起步，主打大代码库里的自主编码。它对标 Claude Code / Codex / opencode，含完整的 agent loop、读写代码的工具集、全屏可鼠标交互的 TUI，以及 skills / plugins / hooks / MCP 扩展体系。7 月 15 日 xAI 把它整个开源到 GitHub（Apache 2.0，Simon Willison 数了约 84 万行 Rust），号称可自行编译、指向本地推理、用 config.toml 完全本地运行。但它开源的真正导火索，是一桩安全事故——见下。
周增长：开源公告后一周内新增数千星，具体周增以 GitHub Trending / star-history 实时为准
- **2.8 万倍的数据外传**：12GB 测试仓被上传约 5.1GB，而任务本身只需约 192KB，抓包实锤『本地优先』宣称为假
- **隐私开关是摆设**：多数人以为『改进模型』能拦数据，实际它只管训练授权，代码照样离开你的机器进云桶——连提交历史里的密钥一并外传
- **开源是危机公关**：被曝光约 72 小时后才开源（84 万行 Rust / Apache 2.0）、关默认留存、上赏金；代码可审计，但已上传数据的删除承诺仍未经第三方核实
推荐理由：对普通人，这是 2026 年最该记住的一课：你往编码 agent 里喂的是公司最核心的源码，工具嘴上说『本地优先』不算数，它实际往哪发包才算数。机会有两层。防守层：养成给 AI CLI 上沙箱、抓网络出站（一个简单的 mitmproxy / Little Snitch 就能看清它到底连了谁）、在隔离仓里先跑一遍再上真项目的习惯——这套『验证 AI 工具』的能力，正在从极客洁癖变成职场基本功。进攻层：企业现在极度缺『能审计 AI 工具数据流向、把 agent 安全落地进合规环境』的人，这类活儿（AI 供应链安全、agent 沙箱与出站管控）需求正在爆发、门槛高、也不容易被下一个模型抹平。别只学怎么用最新工具，学会怎么信任地用它——后者更稀缺、更值钱。
#02
labs.scale.com
Article
NEW
Verified 刷满之后看 SWE-bench Pro：同一个 Opus 三套分数，编码榜单该怎么读
SWE-bench Verified 被头部模型刷到 88–95% 后失去区分度（昨天已聊过 OpenAI 干脆弃榜），大家转向更难、更贴近真实工程的 SWE-bench Pro。但 Pro 自己也开始『不可比』：同一个 Claude Opus，在 Scale 标准化公开集上只有约 51.9%，在 llm-stats 的厂商自报聚合口径里却是 69.2%，换套脚手架和数据划分能差十几个点。这篇把不同口径的分数摊开对齐，提醒开发者：一个漂亮百分比脱离了『哪套基准、哪个划分、什么脚手架』就没有意义。
另有 2 家信源报道
展开详情
- **对比（同一基准 SWE-bench Pro · Scale 标准化公开集，2026-06-28）**：GPT-5.4 xHigh 59.1% vs Meta Muse Spark 55.0% vs Claude Opus 4.6 thinking 51.9%——头部只差个位数，且都远低于 Verified 的 90%+
- **同模型三套数**：Claude Opus 在 Scale 公开集 51.9% / 厂商聚合口径（llm-stats）Opus 4.8 达 69.2% / Scale 私有商用集另一版本约 47.1%，口径决定结论
- **Verified vs Pro 的落差**：从 Verified 的近乎满分掉到 Pro 的五六成，说明『真实工程任务』这道坎远没被跨过，别被饱和的旧榜误导
推荐理由：对开发者，务实的选法不是背排行榜第一名，而是学会问三个问题：这是哪套基准（Verified 已饱和、Pro 更能区分真实工程）？哪个划分（Scale 标准化公开集比厂商自报可比得多）？什么脚手架（换 harness 能差十几个点）？现在选模型，与其纠结谁在某榜领先一两个点，不如按活儿定：日常改 bug、跑测试，饱和区里几家都够用、挑便宜快的（开放权重能进一步压成本）；真正长程、跨文件的硬任务，才值得为标准化 Pro 集上领先的那家多付钱。对想进 AI 的人，『会读评测、会自己搭一套贴合自己业务的小评测集』本身就是稀缺技能——比记住榜单值钱得多。
#03
arXiv
Paper
NEW
Your Agent's Memories Are Not Its Own: Forged Reasoning Attacks on LLM Agent Memory and Defenses
越来越多 agent 挂上了持久记忆——把过往决策、推理过程、工具使用记录都存下来复用。这篇提出 FARMA（Forged Amplifying Rationale Memory Attack）：不去篡改记忆里的事实，而是往里注入『看起来合理的伪造推理』。之后 agent 每次检索记忆做决策，都会被这段被污染的推理链带偏，且因为事实本身没错、很难被常规校验发现。论文同时给出攻击方法和初步防御，把『记忆安全』从理论担忧变成了可复现的实证问题。
首次系统性揭示『污染 agent 的记忆推理链、而非事实知识』这一新攻击面，正撞上编码/办公 agent 大规模挂载持久记忆的当口
展开详情
- **新攻击面**：污染的是『推理理由（rationale）』而非事实，绕过大多数只查事实一致性的防线
- **放大效应**：被污染的推理被反复检索复用，一次投毒可持续影响后续多轮决策，越用越偏
- **攻防成对给出**：不止提出 FARMA，还给了初步检测/缓解方案，为记忆型 agent 的安全设计提供起点
推荐理由：这条紧接昨天『给 agent 装代码记忆 MCP』的趋势——记忆是 2026 年 agent 的核心外设，但记忆也会被下毒。对普通人有两层意义。一是使用侧：当你给 Claude Code / Cursor 挂上跨会话记忆、共享的团队记忆库时，要意识到那是个新的攻击面，别把来路不明的『记忆包 / 共享上下文』直接灌进去。二是机会侧：agent 记忆的安全、审计、可信检索，正在从论文变成产品需求——谁能做出『可信记忆层』（带来源标注、推理链校验、污染检测），谁就卡住了 agent 时代一个又硬又新的位置。想做深水区的人，记忆安全比追模型更有护城河。
#04
the-decoder.com
Article
NEW
首个 agent skills 基准 SkillsBench：4.7 万个公开技能，平均分只有 6.2/12
agent skills（SKILL.md 那套跨工具技能）这半年从一个注册表长到八个市场、号称跨约 40 款产品通用，但质量到底如何一直没人量化。SkillsBench 是首个系统性基准：分析了 47,150 个公开 skills，平均质量分只有 6.2/12——大多数是凑数的。但它也证明了好 skills 的价值：一套精挑细选的 skills 能把 agent 任务通过率从 33.9% 拉到 50.5%（+16.6 个百分点），且效果高度分领域——医疗暴涨 51.9pp（34.2%→86.1%），软件工程只涨约 4.5pp。结论很清醒：skills 有用，但『大部分公开 skills 写得不好』和『会写好 skill 的人很少』同时成立。
另有 2 家信源报道
展开详情
- **质量真相**：4.7 万个公开 skills 平均仅 6.2/12，市场繁荣 ≠ 质量繁荣，随手抄一个装上大概率没用
- **对比（有无精选 skills）**：任务通过率 33.9% → 50.5%（+16.6pp）；医疗 +51.9pp（34.2%→86.1%）vs 软件工程仅 +4.5pp——领域越专、增益越大
- **元技能缺口**：真正稀缺的是『评估和写好一个 skill』的能力，这正是当前 skills 生态最薄弱、也最值钱的一环
推荐理由：对想吃到 skills 红利的普通人，这份数据把机会指向了非常具体的地方。第一，别做通用 skills 去挤那 4.7 万个平庸货，去做垂直领域的高质量 skills——医疗、法律、金融这类专业场景增益最大（医疗 +51.9pp），因为通用模型在这些地方最缺结构化的领域知识，而你恰好懂行。第二，『会评估 skill 好坏、会把领域 know-how 写成让 agent 真能用的 SKILL.md』这个元技能，本身就是当下最稀缺的技能——它比会调 prompt 门槛高、也更难被下一个模型抹平。一句话：在 skills 市场里,当那个『把专业知识产品化』的人,而不是又一个搬运工。
#05
khanacademy.org
Article
NEW
AI 进课堂的真实成绩单：用够时长才有效，Khanmigo 单独效果仍待验证
教育是被吹得最凶、但落地最慢的 AI 垂直领域之一。今天挑它，是因为难得有带硬数字、也带清醒边界的一手证据。Khan Academy 的 AI 辅导 Khanmigo 已铺进 1.5 万+ 所学校、约 500 万用户；平台层面的效果有真实证据：每周用满约 1 小时的学生，在学年末数学测评上比对照组高 0.44–0.47 个标准差（Oreopoulos 等 2026 RCT）；每周用 30 分钟以上、全年累计 18 小时以上，与约 20% 高于预期的学习增益相关（MAP Growth 标准化测评）。但有个关键边界：截至 2026 年 3 月，尚无同行评审研究单独证明『Khanmigo 这个 AI 辅导本身』提升成绩——现有强证据是『Khan Academy 平台 + 保证使用时长』，而非 AI 那一层单独的功劳。
另有 1 家信源报道
展开详情
- **用够才有效**：每周约 1 小时的学生末考数学高出对照组 0.44–0.47 个标准差（2026 RCT），核心变量是使用时长与老师督促，不是有没有 AI
- **规模已铺开**：Khanmigo 进入 1.5 万+ 学校、约 500 万用户，1.8× 更快的掌握率——但样本大不等于因果清晰
- **清醒的边界**：截至 2026 年 3 月，无同行评审研究单独证实 Khanmigo（AI 辅导层）提升成绩；别把『平台有效』直接当成『AI 有效』
推荐理由：对做 AI 教育、或想用 AI 帮孩子/自己学习的人，这份成绩单给了两个务实结论。一，AI 工具的效果几乎全押在『用够时长 + 有人督促』上——买了不用、或没人盯着，再强的 AI 也出不了成绩；真正值钱的产品设计和服务，是把『让人持续用下去』这件事做好（提醒、陪伴、可见进度），而不是堆模型能力。二,别被『AI 让成绩暴涨』的营销带走,要会分辨『平台有效』和『AI 那一层有效』——这种读证据的能力,无论你是家长、老师还是想做教育 AI 的创业者,都是不被割韭菜的底线。想在教育 AI 里挣钱,卖『可验证的效果和坚持』,比卖『最新大模型』靠谱得多。
#06
indiehackers.com
Product
值得关注
NEW
六周做到 $10k MRR 的 AI 设计工具：一个人、零市场预算的可复制路径
这周挑一条和近期『AI 语音/自动化服务代运营』完全不同角度的现金流路子：不做代客服务、做自己拥有的小产品（productized micro-SaaS）。一位独立开发者用 AI 快速搭出一个垂直的 AI 设计工具，六周内、零市场预算做到约 $10k MRR。关键动作是三条老掉牙但有效的原则：极致垂直（只做某一类设计，不做通用）、先解决一个具体到疼的痛点、自己掌握支付与获客渠道。2026 年跑这种模式的门槛已经很低——一套 production 级 micro-SaaS 月成本约 $85–200，AI 还能帮你写代码、写文档、接客服、投广告。
另有 1 家信源报道
展开详情
- **极致垂直**：不做通用设计工具，只死磕某一类具体设计需求，让潜在用户一眼觉得『这就是给我做的』
- **成本极低、可复制**：月运营成本约 $85–200，AI 承担开发/文档/客服/投放，一个人也能跑起一条产品线
- **自己掌渠道**：从第一天起就自己握住支付和获客，不把命脉外包，才有稳定现金流
推荐理由：对想挣现金流的普通人，这条和最近几天的『AI 服务代运营』互为镜像，各有取舍：服务代运营成交快、启动几乎零成本，但你在卖时间、天花板是自己的产能；而 productized micro-SaaS 前期要搭产品、慢一点，但一旦跑通就是可复制、能睡后收钱的资产。2026 年真正的坎不是『能不能做出来』——AI 已经把做出来这件事变便宜了——而是分发：你能不能持续找到那群『痛到愿意付费』的垂直用户。给你的行动建议：从你最懂的一个细分场景切入，用 AI 一周内做出能收钱的最小版本，把全部精力压在『找到并说服前 20 个付费用户』上，而不是继续打磨产品。
My Take：评分（5=最优）：最快成交 3 / 最低成本 4 / 可复制 4 / 风险安全度 4。适合有点动手能力、想做自己拥有的睡后收入资产、愿意用几周换长期复利的人。
#08
Product Hunt
Product
NEW
buildpipe：给开发者的本地优先 AI 流水线（本地版 Zapier/n8n）
buildpipe 是一个面向开发者的本地优先流水线自动化应用：把 shell 命令、AI 调用、HTTP 请求、文件操作串成可复用的 pipeline，然后按计划、按文件变动或经 webhook 触发。它定位成『本地版 Zapier / n8n』，但专为开发者、且完全在你自己机器上跑——作者的动机就是『受够了反复写一次性脚本把 AI 调用和文件操作拼一起、然后弄丢』。在 Grok Build 把整个仓库偷传上云的当口，这种『数据不离开本机』的本地优先工具正好戳中开发者的敏感神经。
另有 1 家信源报道
展开详情
- **本地优先**：pipeline 全在你自己机器上执行，数据不出本机——与今天 Grok Build 偷传上云形成鲜明对照
- **开发者专属**：把 shell / AI 调用 / HTTP / 文件操作拼成可复用流水线，替代到处散落、写完就丢的一次性脚本
- **多种触发**：支持定时、文件变动、webhook 触发，适合把重复的 AI + 数据小活儿自动化固化下来
推荐理由：对普通开发者和想用 AI 提效的人，buildpipe 代表一个值得跟的方向：本地优先的 AI 自动化。它的价值不在多花哨，而在把你天天手动重复的『拉数据→喂给 AI→存结果』这类碎活儿固化成一条可复用、可定时、还不上云的流水线。结合今天 Grok Build 的教训，选工具时把『数据是否离开本机』当成一条硬标准会越来越重要。给你的行动建议：先盘一盘自己每天手动重复、又涉及敏感数据的小流程（比如整理日志、批量改文件、定时跑一段 AI 分析），用这类本地优先工具把它们自动化——省时间的同时，也把数据主权留在自己手里。
仍在热榜 1
Repo
msitarzewski/agency-agents
在榜 2d
agency-agents 是一套社区打磨的『AI 代理公司』人设库——从前端高手、Reddit 社区运营到『现实检查员…
AI Agent