KeyFrame內部研究專用

🚀YC开源内部自用下一代Agent:qm智能体!彻底颠覆小龙虾和Hermes!真正企业级Agent OS!用户隔离、权限审批、安全沙箱与完整操作审计全都有!支持Pi、Codex和Claude Code

AI超元域·8月3日週一·14 min中文

三句話摘要

QM Agent 是 Y Combinator 開源的企業級 Agent 系統,首次完整解決個人、團隊、企業三層應用的安全隱私與權限隔離問題。 QM 是第一個從架構層面完整解決 Agent 安全隱私與權限隔離的企業級開源系統,終於讓個人、團隊、企業可以安心使用同一套 Agent 基礎設施。 開源 Agent 的現狀與痛點:Claude 和 HermaceAgent 因安全隱私問題被企業禁止,個人用戶無法安全地與他人共享自部署的 Agent,導致隱私泄漏與設備被入侵的風險。

重點整理

重點
  • 1

    開源 Agent 的現狀與痛點:Claude 和 HermaceAgent 因安全隱私問題被企業禁止,個人用戶無法安全地與他人共享自部署的 Agent,導致隱私泄漏與設備被入侵的風險。

  • 2

    QM 的架構優勢:不同於需要重新開發使用者系統、權限系統、資料庫的二次開發方案,QM 將配置、模型、Sandbox、外掛與部署參數與核心代碼解耦,團隊可保留定制能力同時減少上游合併衝突。

  • 3

    項目與用戶隔離機制:支持創建私有項目(個人專用)和共享項目(團隊協作),項目成員只能看到項目內容而無法存取其他成員的私人對話,無用戶限制。

  • 4

    完整的執行流程與審計:從接收層判斷來源→Harness 與模型選擇→工具調用策略判斷→沙箱執行→持久化與審計,全程流行讓 Agent 可自我進化且所有敏感操作可追蹤。

實用技巧與重點

乾貨
  • Y Combinator 背景:全球最知名創業加速器,已投資超過 5,000 家公司;內部運行 50+ 個 HermaceAgent,遇到配置、資料管理、任務失敗、資源共享、大規模運維等問題後開發 QM
  • 獲得認可:開源不到一周內 GitHub Star 達 8K
  • 支持的 Agent 後端:PyAgent、OpenCode、Codex、Cloud Code(可接入開源模型)
  • 演示中使用的模型:GPT-5.6 Luna
  • 預置功能:19 個預置 Skill,可創建自訂 Skill 或安裝第三方 Skill
  • 項目管理:支持多項目、按主題創建項目、用戶邀請、郵件確認登入
  • 文件共享:項目中支持上傳文件供團隊成員查看
  • 記憶系統:自動記錄用戶習慣與事實,可修改、刪除、查看更新歷史
  • 模型參數:支持調整推理級別
  • 執行流程階段:接收層→任務判斷→模型 Harness→工具決策→沙箱執行→持久化審計

結論

結論

QM 是第一個從架構層面完整解決 Agent 安全隱私與權限隔離的企業級開源系統,終於讓個人、團隊、企業可以安心使用同一套 Agent 基礎設施。

完整解析

詳細

近年來 Claude 和 HermaceAgent 帶起全民部署 Agent 的風潮,但這些開源 Agent 存在嚴重的安全隱私缺陷。許多企業因此禁止員工使用,個人用戶若想讓朋友家人共享自部署的 Agent,也會面臨隱私泄漏甚至設備被入侵的風險。二次開發作為解決方案也不理想——團隊需自行構建完整的使用者系統、權限系統、資料庫與管理後台,並長期維護已大幅修改的代碼,一旦上游更新就容易陷入無法升級或需重新合併改動的困境。

Y Combinator 作為全球頂級創業加速器,曾投資超 5,000 家公司。內部運行 50 多個 HermaceAgent 以自動化日常工作,卻因配置困難、資料管理混亂、任務失敗、資源共享複雜、大規模運維困難等問題深感其苦。基於這些經驗,他們開源了企業級 Agent 系統 QM,短短一周內已獲 8K Stars,代表市場對此類解決方案的迫切需求。

QM 從架構設計的第一天就認真考慮了權限隔離、資料管理、命令審批、操作審計與多人協作,而非事後補救。它可調用成熟的 Agent 後端(PyAgent、OpenCode、Codex、Cloud Code),支持個人使用、團隊協作與企業部署。核心創新在於項目與用戶隔離——用戶可創建私有項目(個人專用,他人無法存取)與共享項目(邀請團隊成員共同工作),項目成員無限制。項目內所有對話、文件與記憶對邀請的成員即時同步可見,但各自的私人項目內容仍完全隱私。此外,QM 內建完善的記憶系統,自動記錄用戶習慣與操作事實,可隨時修改查看,支持模型推理級別調整。

QM 的執行流程層層把關。用戶在 Slack 或外部 UI 發起任務後,接收層判斷訊息來源(私聊或專案);核心決定是否自動執行、限制工具調用還是需要人工審批;Harness 與模型層選擇合適後端生成回應;工具層判斷是否需調用及執行策略;最後在沙箱中安全執行,並將結果持久化與審計。這套完整流程使 QM 既能保護安全隱私,又能像 HermaceAgent 一樣通過持久化與審計實現自我進化,越用越聰明。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。