不丹路边社消息 这次去了 25 个项目 Yzi 公开投了 24 个，没投的就是天才少女的 Encore，没投干嘛请她呢？ 这就有趣了，她不但来不丹补单还不惮。 能把自己项目登记进印刷手册+上台pre，其他人第一天就被要求保密，少女直接大图贴脸发推集体给她庆生。 何方神圣？

吴说获悉，YZi Labs EASY Residency 第四季不丹 Demo Day 前后，社区关注到自称 2008 年出生、湾区高中生的 X 用户 @chnyq1073163（Evelyn Chen），其本人曾参加驻场 workshop。8 月 26 日，社区在 BSC 的 Flap 上以 Gift Vault 模式发行 Meme 代币 Encore，手续费归属指向其 X 账号。该用户随后认领代币，并称相关收益将用于资助不丹学生实习，之后补充称代币由社区匿名地址发行，与 YZi Labs、CZ 无关。链上数据显示，相关地址累计转出约 48.96 BNB 至标记为 OKX 的地址。

🎤Lia Asia Tour 2026 in Hong Kong · 圆满落幕 🎶 多谢每一位嚟到现场嘅你哋！ 呢一晚，灯光、音乐、掌声，全部属于我哋共同创造嘅回忆。 从第一首歌《My Soul, Your Beats!》到最后一首encore《鳥之詩》，每一刻都系感动。 多谢香港，多谢你哋❤ #Lia#

据 TechCrunch 报道，Encord 正在与 Zander Labs 测试一种新的 Physical AI 数据生产方式：在人类完成抓取、摆放等操作任务时，同时采集第一视角视频和脑电信号。 这不是“用意念控制机器人”。 重点是让训练数据更有信息量。脑电信号可能帮助标记意图、错误、惊讶或认知负荷，这些是单靠视频不一定能捕捉到的上下文。 Encord 的 Physical AI 数据体系还包括现场采集、遥操作、多传感器数据、标注和部署反馈。 机器人要学习真实世界，需要大量结构化样本：手、工具、物体、动作、时机和失败案例。

翻了下 claude code version 191 的源码，感觉从技术角度看，Anthropic 这个反蒸馏机制设计还是挺精妙的。 Claude Code 有段提示词是这样。 return `Today${n}s date is ${r}.`; 他对这句做了隐写，用肉眼分不出的字符，把系统时区和代理端点身份偷偷编码进了系统提示词。 触发条件是当你设了第三方中转 ANTHROPIC_BASE_URL 且不是 时。 所以如果你是官方直连用户，则并不会受到影响。也就是说最近的封号潮与此无关。 它编码了 3 个 bit，来自两个独立维度（时区 1 bit + 撇号 2 bit）： 1）时区，在 Asia/Shanghai 或 Asia/Urumqi 时，日期分隔符从 2026-06-30 偷偷变成 2026/06/30 2）那个撇号 ' 有四种写法，人眼基本看不出区别。 - ' (U+0027 普通)，普通第三方端点 - ' (U+2019)，命中"域名白名单" - ʼ (U+02BC)，命中"国产大模型关键词" - ʹ (U+02B9)，域名 + 实验室都命中 这三个维度是独立编码的。哪怕你的中转域名不在白名单、也不含关键词，只要系统时区是上海/乌鲁木齐，分隔符照样变斜杠——也就是"中国时区 + 任意第三方端点"的用户全员会被打上时区这一维的标记。 匹配逻辑是这样。域名是后缀匹配（host === d || host.endsWith("." + d)），白名单第一个就是 cn，所以任何 .cn 结尾的 host 一网打尽，不是逐个域名去列；关键词是子串包含（host.includes(kw)），host 里只要出现 deepseek 字样就命中，不用精确匹配；时区取的是系统时区（Intl…resolvedOptions().timeZone），不是 IP 地理位置。 更骚的是反混淆，两份名单用 XOR(key=91)+ base64 藏起来，专门躲 strings。解码就是 base64 decode 之后逐字节异或 91，源码里那个 LKi 去混淆后长这样： ```js // 源码里的解码器（去混淆版，就是 LKi） const decode = (b64) => [...Buffer.from(b64, "base64")] .map((byte) => String.fromCharCode(byte ^ 91)) // key = 91 .join("") .split(","); // 逆运算就是打包时的编码器 const encode = (list) => Buffer.from([...list.join(",")].map((c) => c.charCodeAt(0) ^ 91)).toString("base64"); encode(["deepseek", "zhipu"]); // → "Pz4+Kyg+PjB3ITMyKy4=" decode("Pz4+Kyg+PjB3ITMyKy4="); // → ["deepseek", "zhipu"] // 拿真名单开头验一下，key=91 对得上 decode("Pz4+Kyg+PjB3NjQ0NSgzNC93"); // → ["deepseek", "moonshot", ...] ``` 147 个域名白名单:".cn" 顶级域、字节/阿里/百度/网易/快手、 外加一大票 Claude 中转站(anyrouter、88code、yunwu、aihubmix、dmxapi…) 11 个实验室关键词:deepseek / zhipu / moonshot / minimax / stepfun / baichuan / 01ai / dashscope / volces … 选「今天的日期」这句话做载体也很鸡贼。这个标记藏在 system prompt 正文里，不是 HTTP header、也不是 metadata。中转站一般会重写、过滤 header，但几乎没人会去动日期这类的自然语言，所以这是个洗 header 洗不掉的水印。而且 currentDate 是 user context 里和 claudeMd、userEmail 并列的字段，每个请求必带，标记 100% 稳定出现；撇号和分隔符的变化又语义无损，模型读起来一模一样，用户 diff 也基本看不出，隐蔽性拉满。 证据是怎么闭环的，这才是题眼。标记跟着请求走，当一个中转站或蒸馏管道最终回连 Anthropic 官方 API 转售 Claude 时，这条请求带着标记又流回了 Anthropic 自己的服务器。 于是 Anthropic 在自己的日志里就能读到：这条"直连我"的请求，日期是 2026/06/30（斜杠 = 中国时区）+ 撇号是 ʹ（U+02B9 = 域名和 deepseek 关键词都命中），铁证——源头是一个中国时区、配了国产大模型中转的客户端。 它不需要主动探测，让流量自己招供，只要请求最终回到 Anthropic，身份就自证了。这样就能清楚地知道哪些渠道流向了中国、被中转站转售或被大厂蒸馏，并且留下充足证据。 想自己验的话，逻辑都在 cli.js（2.1.191，混淆名每版会变）：检测函数 jqd()（:245688）→ 选字符 Wqd()（:245701）→ 拼日期 MKi()（:245707）；gate 是 Yfn()（:102664）；落点在 currentDate: MKi(eHe())（:250252）；XOR 名单解码器 LKi()，key = 91。

AWS 资深专家解决方案架构师 Daniel Abib 在官方博客里算了一笔账：同步调用时，Lambda 的计费时长几乎等于 agent 思考的时长，等待本身在按全量计算计费。 《在无服务器流水线中异步调用 Amazon Bedrock AgentCore agent 的模式》 在无服务器流水线里异步调用 Amazon Bedrock AgentCore agent，可以消除你的 AI agent 处理请求期间的空转计算成本。一个常见的例子是文档校验：在房地产融资的后台办公室里，agent 可以读取房产记录或贷款合同，推理信息是否完整、一致，然后返回一个下游步骤据此行动的结论。Amazon Bedrock AgentCore 提供了一个平台，让你能用任意框架或模型大规模地构建、连接和优化 agent。 这类 agent 带来一个传统流水线步骤没有的特性：它们在回答之前要思考一会儿。思考多久取决于提示词、模型和文档，但很少是即时的，而这个延迟改变了你调用它的方式。最常见的首版实现是用一个计算服务（比如 AWS Lambda 函数）调用 agent 并等待响应。函数等待期间什么都不做，但它仍在运行，每一秒都在计费。 值得看清成本到底落在哪里，因为调用的两侧计费方式不同。Amazon Bedrock AgentCore runtime（Amazon Bedrock AgentCore 的一项能力）采用基于消耗的计费模型，agent 空闲时不收 CPU 费用。例如，在等待大语言模型生成响应、或等待工具或 Model Context Protocol（MCP）调用返回的这段时间里，你只按内存计费，不按 CPU 计费。调用 agent 的那个计算服务没有这种特性。发出同步调用的 Lambda 函数、容器或 Amazon EC2 实例会一直阻塞，在 agent 响应之前始终持有（并支付）完整的计算配额。所以浪费不在 agent 一侧，而在调用方——它挂在一个打开的连接上空转。 这就让调用方的成本跟着 agent 的运行时间走。阻塞在 agent 上的函数，计费时长几乎等于整个处理时间；而启动 agent 后立即返回的函数，只按短暂的派发计费。解法是在等待期间释放调用方的计算资源，等 agent 出了结果再恢复流水线。本文展示三种做到这一点的模式（task-token 回调、直接服务集成、durable function），并与阻塞式反模式对比。 示例流水线 为了让各模式在同等条件下比较，我们把每个模式都跑在同一条流水线上，只更换调用 agent 的那一步。这条流水线是一个刻意简单、虚构的场景（房地产融资文档校验），选它只是为了把编排讲清楚。它不是本文的重点，它代表任何先调用 agent（或其他慢服务）、再对结果采取行动的流程，你可以把自家用例代入。 流水线有五个阶段： 1. Extract：一个 Lambda 函数对文档做 OCR 和文本提取。（提取是模拟的，所以场景不需要真实文档。） 2. Identify：一个 Lambda 函数对文档分类并设置路由标志（shouldOrganize、shouldValidate）。 3. Route：一个 Choice 状态根据这些标志决定流程走向。 4. Organize and Validate：一个 Parallel 状态在组织文档的同时，让 Amazon Bedrock AgentCore agent 在另一个分支里做校验。这个 Validate 分支是各模式之间唯一变化的部分。 5. Result：一个 Lambda 函数处理 agent 的结论，决定下一步动作（批准，或退回修改）。 图示如下：水平流程依次是 Start、Extract、Identify、Route（Choice）、并行的 Organize-and-Validate 阶段、Result、End，Validate 分支被标为可更换，图例列出了它的四种实现方式：阻塞反模式、模式 1（task token）、模式 2（直接集成）、模式 3（durable function）。流水线本身在每种情况下保持不变，只有 Validate 分支被换掉来演示各自的调用模式。 同一个 Amazon Bedrock AgentCore agent 服务全部四种情况。agent 检查每次调用并选择如何响应：如果收到 AWS Step Functions 的 task token，就在完成时唤醒那个执行；如果收到 durable function 的 callback ID，就唤醒那个 durable function；两者都没收到，就直接在响应里返回结论。这意味着你可以更换编排模式，而不必修改或重新部署 agent。 agent 如何不阻塞调用方就把控制权交回来 机制是 agent 的 action group 里的一个"归还控制权"动作。agent 推理结束后，调用一个 Lambda，把结果和 task token 发回 Step Functions。（后面的模式 2 会让 Step Functions 直接与 AgentCore 集成，完全省掉这个 Lambda。） 下面这段代码是这个 Lambda 的核心： The tool the agent calls once it reaches a verdict @tool def conclude_validation(approved: bool, issues: list, summary: str) -> str: verdict = {"approved": approved, "issues": issues, "summary": summary, "source": "agentcore"} # A Step Functions task token was passed: resume that execution if task_token: sfn.send_task_success(taskToken=task_token, output=json.dumps(verdict)) return "Step Functions resumed." # A durable-function callback ID was passed: resume the durable function if callback_id: lambda_client.send_durable_execution_callback_success( CallbackId=callback_id, Result=json.dumps(verdict).encode("utf-8")) return "Durable function resumed." # Neither was passed: this is a synchronous call, return the verdict inline return "Verdict recorded." 入口函数根据同样的信号决定在后台跑还是同步跑： @app.async_task async def validate_document_async(prompt, document, extracted_text): # Background work; conclude_validation fires the right callback when done agent = build_agent() await agent.invoke_async(message(prompt, document, extracted_text)) @app.entrypoint async def handler(event): task_token = event.get("taskToken") # passed by the task-token pattern callback_id = event.get("callbackId") # passed by the durable-function pattern # Asynchronous: start the work and return "accepted" right away if task_token or callback_id: asyncio.create_task(validate_document_async(...)) return {"status": "accepted"} # Synchronous: run now and return the verdict in the response agent = build_agent() await agent.invoke_async(message(...)) return verdict agent 就位之后，本文剩下的部分聚焦于调用它的四种方式。代码和基础设施定义都是示例中的摘录，用来演示每种模式。 调用 agent：四种方式 先讲阻塞式反模式以确立基准成本，再展示避开它的三个模式。 阻塞式反模式 最直接的实现：在同一个 Lambda 函数里调用 agent 并等待答案。它能用，而且实现简单——这正是它如此常见的原因——但函数在 agent 思考的整个期间一直活着。 // The Lambda function blocks here until the agent responds const response = await agentcore.send( new InvokeAgentRuntimeCommand({ agentRuntimeArn: AGENT_RUNTIME_ARN, payload: new TextEncoder().encode(JSON.stringify(payload)), runtimeSessionId: sessionId, }) ); // The function stays alive and billed for the entire time the agent is thinking. 函数的计费时长最终大约等于 agent 的处理时间。后面三个模式消除这段空闲成本，各自做出不同的取舍。特别是模式 2 使用 Step Functions 对 AgentCore Harness (InvokeHarness) 的优化集成，完全去掉 Lambda。 模式 1：task-token 回调 + 派发函数 这个模式在路径里保留一个 Lambda 做自定义逻辑，但去掉空闲成本。Step Functions 用 waitForTaskToken 集成调用这个函数——传入一个 task token 后暂停执行。函数用这个 token 启动 agent，然后在几秒内返回。执行保持暂停，不产生任何计算计费，直到 agent 用这个 token 调用 SendTaskSuccess 恢复它。 // Start the agent, pass the task token, and return without waiting const response = await agentcore.send( new InvokeAgentRuntimeCommand({ agentRuntimeArn: AGENT_RUNTIME_ARN, payload: new TextEncoder().encode(JSON.stringify({ ...payload, taskToken })), runtimeSessionId: sessionId, }) ); // Returning here does not complete the step. Step Functions stays paused until // the agent calls SendTaskSuccess with this task token. return { dispatched: true }; 对应的状态从上下文取出 token，并设置超时和心跳作为安全网——这样沉默的 agent 会让执行干净地失败，而不是无限期停在那里： "ValidateDispatch": { "Type": "Task", "Resource": "arn:aws:states:::lambda:invoke.waitForTaskToken", "Parameters": { "FunctionName": "${ValidateDispatcherFunctionArn}", "Payload": { "taskToken.$": "$$.Task.Token", "document.$": "$.document", "extractedText.$": "$.extract.extractedText", "executionId.$": "$$.Execution.Id" } }, "TimeoutSeconds": 120, "HeartbeatSeconds": 60, "Next": "AgentCoreValidation" } 成本。 Lambda 函数仍然会跑，但只跑到启动 agent 并返回为止：几秒钟，无论 agent 之后要跑多久。你只为这次短暂派发付费，不为等待付费——因为函数在 agent 干活时已经关掉了。等待由暂停的 Step Functions 执行承担，它不为空闲计算计费。这是与阻塞版本的关键区别：阻塞版本里函数的计费时间跟着 agent 的处理时间走。 模式 2：直接服务集成 当你不需要围绕 agent 调用写自定义代码时，可以去掉派发函数，让 Lambda 完全离开路径。Step Functions 可以通过 AWS SDK 服务集成直接调用 Amazon Bedrock AgentCore，所以 agent 的响应直接流入下一个状态。Validate 分支于是变成单个 Task 状态： "ValidateDirect": { "Type": "Task", "Resource": "arn:aws:states:::aws-sdk:bedrockagentcore:invokeAgentRuntime", "Parameters": { "AgentRuntimeArn": "${AgentRuntimeArn}", "RuntimeSessionId.$": "States.Hash($$.Execution.Id, 'SHA-256')", "Payload.$": "States.JsonToString($.prep.agentInput)" }, "ResultSelector": { "raw.$": "$.Response" }, "TimeoutSeconds": 120, "Next": "ParseVerdict" } 成本。 路径里没有 Lambda，所以没有空闲的 Lambda 计算可付。Step Functions 承担等待，Standard 工作流按状态转换计费而不是按等待时长计费——处理期间的实质成本只有 agent 本身。 模式 3：Lambda durable function 如果你更愿意用代码而不是状态机来表达编排，Lambda durable function 给你同样的成本行为。用 @aws/durable-execution-sdk-js SDK，流水线阶段变成 context.step 调用，并行工作变成 context.parallel，等待 agent 变成 context.waitForCallback。等待期间函数挂起，不计计算费。agent 用 SendDurableExecutionCallbackSuccess 恢复它。 // Suspend the function until the agent calls back const result = await ctx.waitForCallback( "validate-agentcore", async (callbackId) => dispatchAgentCore(callbackId, document, extractedText, executionId), { timeout: { seconds: 120 } } ); 成本。 一个函数承载整条流水线，但挂起等待 agent 期间不按计算计费。你只为挂起之间短暂爆发的那几次执行付费——与 task-token 模式相同的经济性——而不是为等待付费。 测量差异 重点不是某个具体数字。agent 的运行时间随提示词、模型和文档变化。重要的是 task-token 模式里两个值之间的关系：Validate 状态活跃了多久，对比派发函数实际被计费了多久。我们测试中的单次运行让这个关系可见： Step Functions, ValidateDispatch state Returned (TaskSubmitted): 14:08:19 <- the function returned and shut down Resumed (TaskSucceeded): 14:08:34 <- the agent woke the execution State active ........ 19.6s Lambda, dispatcher function (CloudWatch REPORT) Billed duration ..... 4.8s Result: the state was active for 19.6s, but the function was billed for 4.8s. The ~14.8s in between is wait time with no Lambda function running. 在 Step Functions 的事件历史里也能看到同样的事：task-token 模式下，TaskSubmitted 事件（函数返回）与 TaskSucceeded（agent 恢复流程）之间隔着 agent 的处理时间。同步调用没有这样的间隔。 下表总结了每种模式下 Validate 分支（前面图示中高亮的部分）的实现方式： • 编排器：阻塞＝Step Functions；模式 1＝Step Functions；模式 2＝Step Functions；模式 3＝Lambda（代码） • 路径中的 Lambda：阻塞＝有，存活且计费；模式 1＝有，但提前返回；模式 2＝无；模式 3＝durable function 本身（挂起） • 等待期间的空闲 Lambda 计算：阻塞＝为整个等待付费；模式 1＝无；模式 2＝无；模式 3＝无 • agent 调用周围的自定义代码：阻塞＝有；模式 1＝有；模式 2＝有限（状态转换）；模式 3＝有 • 调用方与 agent 解耦：阻塞＝否；模式 1＝是；模式 2＝否；模式 3＝是 • 相对复杂度：阻塞＝最低；模式 1＝较高（token 和回调的 IAM）；模式 2＝最低；模式 3＝中等（检查点/重放） 读这张表时有一个提醒：总流水线时长不是有用的比较指标，因为它被 agent 自己的推理时间主导——每次运行都不同，而且在所有场景里基本相同。有意义的差异是等待期间你为多少计算付了钱，这由上表和计费时长读数体现。agent 运行时间增长时，派发函数的计费时间保持平稳。上面的数字来自单次运行，把它们当作这个关系的示意而非基准，请测量你自己的负载。 如何选择模式 下表总结了取舍，帮你选择模式： • 调用方成本：阻塞＝整个 agent 处理时间；模式 1＝几秒（仅派发）；模式 2＝零（无 Lambda）；模式 3＝几秒（仅派发） • 集成工作量：阻塞＝低；模式 1＝中高（IAM、心跳、超时）；模式 2＝低（单个 Task 状态）；模式 3＝中等（检查点-重放模型） • 业务逻辑位置：阻塞＝在 Lambda（前 + 后）；模式 1＝在 Lambda（前 + 后）；模式 2＝只在 Amazon States Language（ASL）（内置函数）；模式 3＝在 Lambda（顺序代码） • 最适合：阻塞＝原型、短 agent；模式 1＝自定义前后处理逻辑；模式 2＝纯编排、无自定义代码；模式 3＝单个函数里的复杂异步工作流 最佳实践 防 agent 永不回答。 给每个 waitForTaskToken 状态设置 TimeoutSeconds，让执行以 States.Timeout 失败，而不是无限期挂起。如果你的 agent 发送心跳，也设置 HeartbeatSeconds 以更快发现死掉的 agent。捕获错误并路由到失败或人工审核路径。 重试时使用稳定的会话 ID。 把 sessionId 设为从执行上下文派生的值（比如 Step Functions 执行名），这样重试会恢复同一个 agent 会话，而不是重新开始。task-token 模式里在派发函数中设置；直接集成模式里在 Task 状态参数中设置。 打开 AWS X-Ray。 在 Step Functions 和 Lambda 配置中启用 Tracing: Active。X-Ray 会精确显示 agent 思考了多久、调用方等待了多久，确认你的模式确实在间隔期间释放了计算。 按速度而不是按 agent 的负载来配派发函数。 派发函数只序列化请求并调用端点。256 MB 内存和 30 秒超时通常就够。重活都在 agent 那边。 成本 这些模式会产生 Lambda 计算、Step Functions 状态转换、durable function 执行存储的费用，以及所有方案共有的 Amazon Bedrock AgentCore runtime 和 Amazon Bedrock 模型推理费用。agent 和模型成本在四种情况下相同。架构只改变编排开销，以及阻塞反模式中浪费的空闲 Lambda 计算。当前价格请查看各服务的定价页。 结论 把 AI agent 放进流水线是简单的部分。让它被经济地调用，才是区分原型与生产设计的地方。阻塞在 agent 上的 Lambda 函数实现简单，却在悄悄烧钱——计费时间里的大部分都在等待。本文展示了三种规避方式：需要在路径里保留 Lambda 时用 task-token 回调；最简单的情况用直接服务集成；偏好用代码表达编排时用 durable function。三者由同一个 Amazon Bedrock AgentCore agent 驱动，它会根据被调用方式调整自己的响应。 完整示例（完整的 agent、状态机定义和 durable function）在 GitHub 的 sample-bedrock-agentcore-async-stepfunctions 仓库。想深入的话，可以看 Amazon Bedrock AgentCore 关于异步任务处理的文档。生产部署请使用 Amazon Bedrock Guardrails，对 agent 的输入输出实施负责任 AI 控制。 原文： #Bedrock# #Serverless# #StepFunctions#