Microsoft Research Blog
微软使用Rust和Lean对密码学代码进行形式化验证，应用于后量子算法，使形式化验证在生产中切实可行。 (score: 0.95)
微软SymCrypt团队开发了一种方法，使用Lean证明助手和Aeneas翻译工具链对用Rust编写的密码学代码进行形式化验证。该方法应用于ML-KEM和SHA-3等后量子算法，并利用AI智能体自动编写证明。经过验证的Rust代码已集成到生产系统中，仪表板为开发者提供清晰的验证状态。该方法支持多种架构并保留性能优化，使形式化验证在实际密码学中切实可行。
- SymCrypt使用Lean和Aeneas验证生产环境的Rust密码学代码。
- 验证对象包括ML-KEM和SHA-3等后量子算法。
- AI智能体自动编写和维护证明。
- 该方法支持架构特定的内联函数和动态分发。
- 仪表板为开发者提供可见的验证保证。
- 该方法保留性能优化和现有代码结构。
- 验证后的代码已用于Windows和Azure Linux。
formal verification / cryptography / Rust / Lean / Aeneas / AI agents / post-quantum cryptography / SymCrypt / Microsoft Research / security / software engineering / automation
Martin Fowler - Exploring Generative AI
Martin Fowler关于AI代理信任、约束工程以及向目标管理转变的洞见，对软件开发具有实际意义。 (score: 0.85)
Martin Fowler分享了Thoughtworks软件开发未来研讨会的笔记，重点讨论了LLM的约束工程（指南与传感器）、自托管模型，以及关于信任AI代理的核心辩论。他探讨了上下文管理、成本控制，以及从按方法管理到按目标管理的转变。Kief Morris将各场会议围绕交给代理的工作单元进行了综合。还涉及了LLM中的“给我拿块石头”管理、本地模型、课程创作者收入下降、对Electron的批评，以及互动性专业知识和贡献性专业知识的区别。
- LLM的约束工程包括指南（上下文管理）和传感器（计算传感器、形式化方法）。
- 自托管模型因成本、主权和安全问题而日益受到关注。
- 各大会议的核心辩论是：允许代理自行决定到什么程度，以及如何保持对其的信任。
- Kief Morris指出，交给代理的工作单元是潜在的共通问题。
- 建议按目标而非按方法管理LLM，但未明确的目标会带来风险。
- 本地模型（如Qwen 3.6）在编程方面正变得可行。
- 互动性专业知识与贡献性专业知识的区别可能适用于LLM的能力。
LLM / AI agents / harness engineering / self-hosted models / context management / management by objective / local models / software development / expertise / future of coding