KiloClaw 安全

安全架构、租户隔离与面向托管式AI智能体算力的数据保护

2026年2月 v1.0；Andrew Storms 独立安全评估

KiloClaw 是一个托管式计算平台，在每个专用虚拟机中运行每个用户的 AI 智能体实例。每位客户都会获得一个隔离的环境，其 AI 智能体可以在其中执行代码、访问文件系统、浏览网页以及连接到聊天频道（如 Telegram、Discord 和 Slack）。

对于代表客户执行任意代码的 AI 智能体托管式计算这类产品，其安全风险本身就很高。租户隔离的失误可能会将一个客户的秘密、对话和已连接账户暴露给另一个客户。机密管理的失误可能会危及客户托付给该平台的 API 密钥。

本白皮书介绍了 KiloClaw 的安全架构、保护客户数据的控制措施，以及 2026 年 2 月进行的独立安全评估的结果。它面向评估 KiloClaw 是否适合其组织的安全团队、合规官和技术决策者。

评估摘要

一项为期10天的独立安全评估通过威胁建模（采用 PASTA 框架，涵盖13项资产中的30个威胁）、代码审查、60多项对抗性测试以及实时基础设施测试，验证了 KiloClaw 的架构。总体结论是：KiloClaw 的安全架构是健全的，并在多个独立层实施了租户隔离。

KiloClaw 的工作原理

理解安全模型需要先理解其架构。

聊天软件集成 OpenClaw 的方式

聊天软件要集成 OpenClaw，主要有这几类方式（可以组合）： 用 OpenClaw 自带的“Channel 插件”直连（推荐，最省事） Telegram、WhatsApp、Discord、Slack、飞书/Lark、钉钉、Teams、Google Chat、Mattermost、Matrix、IRC、LINE、Signal、iMessage 等。 在 OpenClaw 的初始化或 openclaw channels add 里直接选通道、按向导配置即可。 本质上是：各 IM 的 Bot API / Webhook / Socket Mode / QR 扫码 对接到 OpenClaw 的 Gateway。初始化向导里可以看到支持的通道清单。 通用 HTTP 接口集成（适合任意聊天平台） OpenClaw 的 Gateway 提供了一个 HTTP 端点 /tools/invoke，可以调用单个工具（例如创建会话、发消息、拉取历史等），支持 Bearer 认证和 OpenAI 兼容的 /v1/* 风格接口。 你的聊天软件后端只要能发 HTTP POST，就可以用这个接口和 OpenClaw 交互。

研究编码智能体开源项目的最佳实践

基于 Kilo Code 的架构特征和当前编码智能体领域的生产实践 ，以下是系统研究此类项目的 方法论框架：

阶段 1：宏观定位（Why & Where）

研究维度	关键问题	Kilo Code 的启示
Fork 溯源	上游是谁？核心差异点？社区分裂原因？	Kilo 从 Roo Code 分叉，差异集中在 Cloud 集成和商业化功能
生态位	是「IDE 插件」「CLI 工具」还是「平台」？	Kilo 是「IDE 扩展 + CLI + Cloud」的三位一体
许可策略	是否存在 BSL/SSPL 等限制性条款？	MIT 许可证，无商业限制
模型绑定	是否硬编码单一提供商？	模型中立是核心卖点，避免供应商锁定

阶段 2：架构解构（How）

建议的代码阅读路径（以 Kilo 为例）：

1. 入口层 — src/extension/activate.ts（VS Code 生命周期）、src/extension/api.ts（IPC 外部 API）
2. 核心代理循环 — 查找 Cline/Roo/Kilo 主类，理解 Plan → Act → Verify 的循环
3. 工具调用层 — McpHub 如何集成外部工具（文件系统、终端、浏览器）
4. 上下文管理层 — Memory Bank、Context Mentions、自动索引的实现
5. 模式系统 — Custom Modes 的解析与切换逻辑
6. 差异标记 — 搜索 // kilocode_change 快速定位增量代码

Reachy Mini

2025年12月买的 Reachy Mini 机器人，近5个月终于到手了。

购买链接

介绍

Reachy Mini 是由法国机器人公司 Pollen Robotics 开发的一款开源的桌面级人形机器人，旨在为教育、研究和创意项目提供一个灵活且易于使用的平台。Reachy Mini 是 Reachy 机器人的小型版本，具有相似的功能和设计，但体积更小，更适合在桌面环境中使用。

硬件版本

功能特性	Wireless (无线版)	Lite (轻量版)
价格	$449$	449∣299
电机与机械结构	9 个伺服电机	9 个伺服电机
头部运动	6 自由度 (pitch, roll, yaw, x, y, z)	6 自由度 (pitch, roll, yaw, x, y, z)
身体旋转	±160°	±160°
天线	2 个动力感应天线	2 个动力感应天线
摄像头	广角摄像头	广角摄像头
麦克风	4 麦克风阵列	4 麦克风阵列
扬声器	5W 扬声器	5W 扬声器
板载算力	树莓派 CM 4 (16GB 存储)	-
加速计	内置 IMU	-
Wi-Fi 连接	支持	-
独立模式	支持	需通过 USB 连接控制
供电方式	电池供电 + 电源适配器 (7.3V / 5A)	仅限电源适配器 (7.3V / 5A)

开箱与初体验 Welcome to Reachy Mini!

macOS 图像转为 WebP 格式工具使用说明

本工具是一个专为 macOS 设计的自动化脚本，它能帮助您将选择的图片转换为 WebP 格式。

该工具设计为通过 macOS 的“快速操作”或 Automator 工作流程来调用，从而实现便捷的图像转换操作。

• 作为“快速操作”使用：
  • 设置“快速操作”： 您需要将提供的脚本保存为 Automator 工作流程的“快速操作”。
    • 打开 Automator 应用（在“应用程序” -> “实用工具”中）。
    • 选择 “文件”>“新建”。
    • 选择 “快速操作” 并点击“选取”。
    • 在左侧的库中，搜索并拖动 “运行 Shell 脚本” 到右侧的工作流程区域。
    • 在“运行 Shell 脚本”模块中，将“传递输入”设置为 “作为自变量”。
    • 将本工具的完整代码粘贴到“运行 Shell 脚本”的文本框中。
    • 选择 “文件”>“存储”，为您的快速操作命名，例如“图像转换为 WebP”。
  • 使用方法：
    • 打开 Finder，导航到您要转换的图片所在的文件夹。
    • 选中您希望转换的所有图片（请确保至少选择一张）。
    • 右键点击选中的图片，或者点击 Finder 窗口顶部的“服务”菜单。
    • 在上下文菜单中，找到并点击您刚才创建的“快速操作”名称，例如 “图像转换为 WebP”。
    • 一个对话框会弹出，询问您希望转换为哪种格式。选择您的偏好。
    • 工具将自动处理图片，并将转换后的新图片保存在您选中的图片所在的相同文件夹中。

Kilo Code

简介

Kilo Code 是一个开源的一站式智能体工程（Agentic Engineering）平台，旨在通过 AI 智能体（Agents）自动化软件开发全流程。它是目前 GitHub 上非常活跃的项目，核心定位是作为开发者的 AI 辅助引擎，帮助构建、部署和迭代代码。

安装

# npm
npm install -g @kilocode/cli

# Or run directly with npx
npx @kilocode/cli

Kilo CLI

主要功能

Kilo项目核心能力分析

基于项目文档和代码结构分析，Kilo是一个开源的AI编码智能体平台，主要用于加速软件开发过程。它是OpenCode项目的fork版本，增强为全面的agentic工程平台。以下是其核心能力的详细分析：

1. AI驱动的代码生成与自动化 核心功能：支持从自然语言描述生成代码，例如用户输入"add input validation to the signup form"，智能体会自动生成相应的代码片段。 自动化任务：能够自动化重复性编码任务，如重构代码、运行测试、修复错误等。智能体会自我检查工作，确保代码质量。 内联自动完成：提供实时AI驱动的代码补全建议，提升编码效率。

安装 webp

webp 是一个官方工具包，它不是单个软件，而是一整套处理 WebP 格式的命令工具集合。

brew install webp

cwebp (png → webp)

# 有损（推荐，长截图用）
cwebp -q 80 input.png -o output.webp

# 无损（画质完全不变，体积稍大）
cwebp -lossless input.png -o output.webp

dwebp (webp → png)

dwebp input.webp -o output.png

提示词

模型：GLM-5.1

@2025年度报告.pdf 分析这个财报，以巴菲特/段永平的专业进行分析，挖掘出这个企业的核心。不要只看财报中的数字，要以专业投资者的角度去分析这个公司的本质，用一页纸给出普通投资者能看明白的投资建议。

GLM-5.0-Turbo

京东健康

巴菲特 / 段永平视角 · 2025年度报告深度解读

| 港交所 6618 | 股价约 HK$45$ | 市值约 HK45∗∗∣市值约∗∗HK1,478亿 | PE(TTM) ≈24 |

一、这到底是一门什么生意？

京东健康的本质不是"互联网公司"，而是披着互联网外衣的药品零售商。它的收入83%来自卖药卖货（商品收入609亿），17%来自平台服务和广告（126亿）。但与普通药店不同，它拥有三个结构性优势：

• ① 供应链壁垒——京东集团的仓储物流基础设施，不是谁都能复制的。履约开支占收入10.4%，这意味着它已经把规模经济"锁死"。
• ② 自营信任——处方药需要强信任背书，"京东自营"四个字本身就是护城河。全年首发超100款新药，药企选择它，不是因为它便宜，而是因为它靠谱。
• ③ 闭环生态——从"医—检—诊—药"到"AI医生+到家快检+即时零售"，用户不必离开它的体系就能完成全部就医购药流程。

DeepSeek-V4

简介

我们在此发布 DeepSeek-V4 系列的预览版本，包括两个强大的混合专家（MoE）语言模型 —— 总参数量 1.6T（激活 49B）的 DeepSeek-V4-Pro，以及总参数量 284B（激活 13B）的 DeepSeek-V4-Flash，两者均支持长达 一百万 token 的上下文。

DeepSeek-V4 系列在架构与优化方面引入了多项关键升级：

1. 混合注意力架构：我们设计了一种结合压缩稀疏注意力（CSA）与重度压缩注意力（HCA）的混合注意力机制，大幅提升长上下文处理效率。在 1M token 上下文设定下，DeepSeek-V4-Pro 的单 token 推理 FLOPs 仅为 DeepSeek-V3.2 的 27%，KV 缓存仅占其 10%。
2. 流形约束超连接（mHC）：我们引入 mHC 来增强传统的残差连接，在保留模型表达能力的同时，提升信号跨层传播的稳定性。
3. Muon 优化器：我们采用 Muon 优化器以实现更快的收敛速度和更高的训练稳定性。

两款模型均在大于 32T 的多样化高质量 token 上进行了预训练，并随后执行了全面的后训练流程。后训练采用两阶段范式：首先独立培养领域专属专家（通过 SFT 与基于 GRPO 的强化学习），随后通过 on-policy 蒸馏将不同领域的专长整合至单一模型中。

DeepSeek-V4-Pro-Max 作

编码智能体的核心组件——编码智能体如何借助工具、记忆与仓库上下文，让大语言模型在实际应用中更高效

Sebastian Raschka 博士 2026年4月4日

本文将讲解编码智能体与智能体框架的整体设计：它们是什么、如何工作，以及各模块在实际中如何协同。读过我《从零构建大语言模型》《从零构建推理模型》两本书的读者经常问到智能体相关问题，因此我整理了这份可直接参考的说明。

总体而言，智能体之所以成为重要议题，是因为当下大语言模型实用系统的进步，不只在于模型本身更强，更在于我们如何使用模型。在许多真实场景中，模型外围的系统——如工具调用、上下文管理、记忆机制——与模型本身同等重要。这也解释了为何 Claude Code、Codex 这类系统，会比在普通聊天界面中使用同款模型显得能力强得多。

本文将拆解编码智能体的六大核心组件。

Claude Code、Codex CLI 与其他编码智能体

你大概率熟悉 Claude Code 或 Codex CLI，简单来说，它们本质是智能体式编码工具：在大语言模型外层封装一层应用层（即智能体框架），让编码任务更便捷、性能更优。

编码智能体专为软件工程场景设计，其关键不只在于模型选择，更在于外围系统：仓库上下文、工具设计、提示词缓存稳定性、记忆能力、长会话连续性。

这个区分很重要，因为人们谈论大语言模型的编码能力时，常把模型、推理行为、智能体产品混为一谈。

code‑review‑graph 是一款为 AI 编程助手打造的本地代码知识图谱工具，核心是用增量图谱替代全量读码，大幅降低 AI 上下文 Token 消耗、提升代码审查与理解效率。

基于 Tree‑sitter 解析代码结构，构建持久化增量知识图谱，通过 MCP 协议给 AI 提供精准最小上下文，Token 用量可降 5–10 倍，零配置开箱即用。

安装 code-review-graph

pip install code-review-graph

将 MCP Server 注册到 AI 编程平台

# cd <project-root>
code-review-graph install --platform claude-code

这是一个通过多智能体（multi-agent）流水线将代码库或知识库转化为交互式知识图谱，并提供可视化看板和 AI 问答功能的 Claude Code 插件。

Understand-Anything

Understand Anything 将任意代码库、知识库或文档转化为可探索、可搜索、可对话的交互式知识图谱，支持 Claude Code、Codex、Cursor、Copilot、Gemini CLI 等多平台。

多智能体架构

/understand 命令调用 5 个 agent，/understand-domain 额外增加第 6 个：

Agent	职责
project-scanner	扫描项目文件，检测语言和框架
file-analyzer	提取代码结构（函数、类和导入），生成图节点和边
architecture-analyzer	识别架构层
tour-builder	生成引导式学习路径
graph-reviewer	验证图的完整性和引用完整性
domain-analyzer	提取业务领域、流程和处理步骤（由 /understand-domain 使用）
article-analyzer	从 wiki 文章中提取实体、论断和隐式关系（由 /understand-knowledge 使用）

文件分析器并行运行（最多 3 个并发）。支持增量更新 — 仅重新分析自上次运行以来发生更改的文件。

Claude Code

	User（用户范围）	Project（项目范围）	Local（本地范围）
生效范围	当前用户（跨所有项目）	该仓库的所有协作人员	仅限当前项目的当前用户
Settings 配置文件路径	~/.claude/settings.json	.claude/settings.json	.claude/settings.local.json
CLAUDE.md 指令文档	~/.claude/CLAUDE.md	CLAUDE.md or .claude/CLAUDE.md	CLAUDE.local.md
Skills 技能安装路径	~/.claude/skills/	.claude/skills/
Plugins 插件安装路径	~/.claude/plugins/	.claude/plugins/
MCP Server MCP 服务器配置	~/.claude.json	.mcp.json
Subagents 子智能体配置	~/.claude/agents/	.claude/agents/

• Configuration Scopes

插件市场

注册插件市场

命令行运行：

claude plugin marketplace add obra/superpowers-marketplace

Claude Code 中运行：

第一章 范式转移：从盲盒零售到全球IP运营平台的本质进化

在现代资本市场的评价体系中，泡泡玛特（POP MART）始终是一个充满争议且难以被传统零售模型精准定义的标的。截至2025年12月31日止的年度业绩报告显示，该公司在这一年实现了一次近乎“奇迹”的跃迁，其收益从2024年的人民币130.38亿元激增至371.20亿元，同比增速高达184.7% 1。对于普通投资者而言，这些冰冷的数字背后隐藏着一个深刻的商业本质：泡泡玛特正在完成从一种特定的“产品形态（盲盒）”向“情感价值（IP）”运营平台的范式转移。

这种转变是理解泡泡玛特核心价值的基石。在沃伦·巴菲特（Warren Buffett）的投资哲学中，企业的核心价值往往不在于其销售的实物，而在于其品牌在消费者心中占据的“排他性份额”。泡泡玛特在2025年展现出的惊人爆发力，本质上是其长期孵化的IP矩阵在全球范围内产生了情感共振。特别是以THE MONSTERS（LABUBU）为核心的明星IP，在这一年贡献了141.61亿元的收入，占比达到38.1%，这种由单一文化符号带动的消费热潮，验证了其IP具备了跨越国界和文化的“普适性” 1。

与此同时，中国著名投资者段永平（雪球ID：大道无形我有型）对该公司的评价也经历了一个从“看不懂”到“极度认可”的认知突破。

基于巴菲特与段永平价值投资框架的系统性研究

报告日期： 2026年4月15日
分析对象： 泡泡玛特国际集团（POP MART International Group，09992.HK）
创始人： 王宁（1987年生，河南新乡人）
分析视角： 巴菲特「护城河」+ 段永平「做对的事、把事做对」
Agent 辅助： WorkBuddy (GLM-5v-Turbo)

目录

1. 公司画像：泡泡玛特是什么？
2. 创始人王宁：企业家素质评估
3. 护城河分析（巴菲特框架）
4. 财务数据深度解读
5. 风险清单（段永平「不做不对的事」）
6. 估值与投资策略
7. 最终结论与操作建议

一、公司画像

1.1 商业模式本质

泡泡玛特的商业模式可以概括为：

全球艺术家IP孵化平台 × 潮流消费品制造零售 × 情绪经济基础设施

其核心链条为：

全球艺术家 → IP创作 → 泡泡玛特平台化运营(设计+供应链+渠道) → 盲盒/手办/毛绒等载体 → 全球消费者

关键特征：

• 不是玩具公司，是IP运营公司 —— 王宁在多次访谈中反复强调："我们更关注的是这个产业或者这些艺术家的表达本身。"
• 不是卖产品，是卖文化 —— 从"卖产品"到"卖文化"，从"中国的迪士尼"到"世界的泡泡玛特"
• 平台化思维 —— 不依赖自有IP创作，而是成为全球艺术家的孵化器

1.2 发展历程关键节点

1. 引言：加速中的断裂感 (Introduction: The Acceleration Gap)

技术正在以一种令人眩晕的速度降临。根据最新的《2026 年人工智能指数报告》（AI Index Report 2026），生成式 AI 在短短三年内就达到了近 53% 的人口级采用率。这一速度已经全面超越了个人电脑和互联网，成为人类历史上渗透最快的通用技术。

然而，这种疯狂的扩张背后正隐藏着一种深刻的断裂感。这种断裂不仅存在于技术与监管之间，更深植于全球地缘政治的核心——“AI 主权（AI Sovereignty）”已成为各国政策的定调词。我们正处于一个核心矛盾之中：AI 的能力正在呈指数级增长，但我们的治理框架、评价体系和基础设施却步履蹒跚。

“数据并没有指向单一方向，它揭示了一个规模化速度超过系统适应能力的领域。” 这种能力与准备度之间的鸿沟，是我们理解当下技术狂奔的唯一入口。

2. 真相一：中美性能差消失，但人才引力正在逆转 (The Parity and the Talent Drain)

长期以来，美国在 AI 领域的霸权似乎建立在不可逾越的资金壁垒之上。但 2025 年的数据揭示了一个残酷的反直觉现状：资金优势不再是唯一的胜负手。

虽然美国 2025 年的 AI 私人投资达到了 2859 亿美元，是中国的 23 倍（124 亿美元），但模型性能的差距已几乎消失。

1. Hermes 智能体基础认知与发展概况

1.1 技术定义与核心特征

Hermes Agent 是由 Nous Research 开发的开源自主 AI 智能体，于 2026 年 2 月正式发布，其核心定位为 "与你共同成长的智能体"（The agent that grows with you）(1)。与传统的 AI 聊天机器人或 IDE 绑定的代码补全工具不同，Hermes Agent 是一个运行在用户服务器上的自主智能体，具有持久记忆和自我改进能力，能够在运行过程中不断学习和进化。

Hermes Agent 的技术架构采用模块化单代理持久循环设计，核心是 run_agent.py 中的 AIAgent 类（约 9200 行代码），负责同步编排整个生命周期：输入→推理→工具执行→内存更新→输出。该系统支持 Linux、macOS 和 WSL2 平台，用户可以通过一条 curl 命令完成安装，无需任何前置依赖，体现了其设计的简洁性和易用性。

在技术栈方面，Hermes Agent 基于 Python 3.11 + 开发，使用 uv (Astral) 管理，主要依赖包括 openai SDK 进行 LLM 通信、rich 和 prompt_toolkit 构建终端 UI、SQLite FTS5 实现会话持久化(97)。

具身智能（Embodied AI）作为人工智能通往通用人工智能（AGI）的关键路径，近年来取得了突破性进展。本文基于 Every-Embodied 开源项目的丰富实践经验，系统性地综述具身智能领域的技术栈、算法演进、工程实践和前沿复现。全文涵盖：（1）具身智能的基础理论与发展历程；（2）机器人学基础（运动学、动力学、坐标变换）；（3）计算机视觉在具身场景中的应用；（4）强化学习与模仿学习；（5）视觉-语言-动作（VLA）大模型全景；（6）视觉语言导航（VLN）技术；（7）世界模型最新进展；（8）无人机控制与规划专题；（9）仿真环境与真机部署；（10）数据集与评估基准。本文强调"理论-实践-复现"三位一体的学习路径，为工程师和从业者提供从入门到前沿复现的完整技术指南。

关键词：具身智能、机器人学习、视觉-语言-动作模型、VLA、视觉语言导航、VLN、世界模型、强化学习、模仿学习、MuJoCo仿真

目录

1. 引言
2. 具身智能基础理论
3. 机器人学基础
4. 具身场景的计算机视觉
5. 强化学习与模仿学习
6. 视觉-语言-动作（VLA）大模型
7. 视觉语言导航（VLN）
8. 具身世界模型
9. 无人机控制与规划专题
10. 仿真环境与真机部署
11. 数据集与评估基准
12. 工程实践指南
13. 总结与展望

1. 引言

1.1 什么是具身智能？

人工智能的发展历程中，我们见证了从"非具身"（Disembodied）到"

Harness 工程：给 AI 智能体一个"可靠的家"

想象一下，你有一个非常聪明但有点冲动的助手——它知识渊博、能说会道，但有时候会：

• 忘记五分钟前你们讨论的事情
• 直接执行危险操作而不问你
• 在复杂任务中迷路，绕来绕去
• 做错了事，但你不知道为什么

这就是没有 Harness 的 LLM 智能体。

什么是 Harness？

Harness 这个词在英文里有"马具"、"安全带"的意思。在 AI 智能体的世界里，它就是那个让智能体既能够发挥能力，又不会失控的"安全脚手架"。

这个隐喻是有意的：

• 马是 AI 模型——强大、快速，但它自己不知道去哪里
• Harness是基础设施——约束、护栏、反馈循环，以富有成效地引导模型的力量
• 骑手是人类工程师——提供方向，而不是亲自奔跑

用一个更贴近生活的比喻：Harness 就像是智能体的"驾驶舱 + 安全带 + 导航系统 + 黑匣子"的组合体。

根据 Harness Engineering 将原始模型能力转化为可靠 Agent 行为的脚手架。实用的 Agent 最好被理解为在 Harness 内部运行的模型，而不是带有外围能力的模型。

真实故事：Harness 工程的威力

在我们深入技术细节之前，让我们看看几个真实的例子，了解为什么 Harness 工程如此重要：

通过 Automator 制作一个“快速操作”的方案。请按照以下的步骤操作：

1. 打开 Automator，新建一个 “快速操作”。
2. 设置：“工作流程收到当前”选 “没有输入”，“位于”选 “Finder.app”。
3. 在搜索框输入 AppleScript，拖入 “运行 AppleScript” 动作。
4. 清空原内容，粘贴以下这段代码：

on run {input, parameters}
    tell application "Finder"
        -- 获取当前窗口，如果没有窗口则退出
        if (count of windows) = 0 then return
        set win to front window
        
        -- 获取文件夹内所有对象的路径列表
        set all_items to every item of win
        set all_paths to {}
        repeat with i in all_items
            set end of all_paths to (POSIX path of (i as alias))
        end repeat
        
        -- 获取当前已选对象的路径列表
        set sel_items to selection
// ...

保存并命名为 “反向选择”。