Mozilla正在构建一个名为cq的开源项目,该项目被其员工工程师Peter Wilson描述为"智能体的Stack Overflow",旨在让AI智能体能够发现和分享集体知识。
据Wilson介绍,"智能体会反复遇到相同的问题",这导致了不必要的工作量和Token消耗,而这些问题需要被诊断和修复。通过使用cq,智能体首先会查询共享知识数据库,同时也会贡献新的解决方案。
目前,智能体可以通过上下文文件(如agents.md、skill.md或claude.md用于Anthropic的Claude Code)来获得指导,但Wilson认为需要"一些动态的东西,一些随时间赢得信任的东西,而不是依赖静态指令"。
cq的代码用Python编写,目前处于探索阶段,用于本地安装,包括Claude Code和OpenCode的插件。该项目包含一个Docker容器来为网络运行团队API、一个SQLite数据库和一个MCP(模型上下文协议)服务器。
根据架构文档,存储在cq中的知识分为三个层级:本地、组织和"全球公域",后者暗示某种公开可用的cq实例。知识单元开始时具有较低的置信度且不共享,但随着其他智能体或人类的确认,置信度会增加。
Mozilla是否会托管cq的公共实例?Wilson告诉我们:"我们内部已经就分布式与中心化公域进行了一些讨论,以及每种方法对社区可能意味着什么。"
"就个人而言,我认为Mozilla.ai通过最初为想要探索共享公共领域的人们提供种子化、中心化平台来帮助启动cq是有意义的。也就是说,这需要务实地完成,我们希望尽快验证用户价值,同时注意托管中心化服务带来的权衡/风险。"
该项目明显容易受到恶意内容和提示注入的攻击,其中智能体被指示执行恶意任务。该论文提到了包括异常检测、多样性要求(来自各种来源的确认)和HITL(人在回路中)验证在内的反中毒机制。
然而,开发者立即将安全性视为cq概念的主要问题。"听起来是个不错的想法,直到你想象到可能的安全噩梦场景,"一位开发者说道。
AI智能体被信任为知识库分配置信度分数,然后由AI智能体使用该知识库,这种概念可能存在问题,因为它具有错误和幻觉的能力。HITL可以监督它,但正如最近在QCon上所指出的,存在"强烈的力量诱使人类脱离循环"。
关于Stack Overflow,Wilson使用了"弑母"一词来描述其衰落,即后代吞噬母亲。他写道:"大语言模型通过智能体对Stack Overflow犯下了弑母之罪。智能体现在需要自己的Stack Overflow。"
Stack Overflow的问题数量急剧下降,尽管该公司现在为其内容提供了MCP服务器,并且还将其私有的Stack Internal产品定位为为AI提供知识的方式。
Mozilla为什么要做这个?根据其Mozilla状态报告,这个非营利组织正在"重新布线Mozilla,为AI做我们为网络所做的事情"。Mozilla.ai是Mozilla基金会的一部分,其项目包括用于管理AI智能体的Octonous,以及为多个大语言模型提供商提供单一界面的any-llm。
Mozilla还运营着流行的MDN(Mozilla开发者网络)文档网站,用于JavaScript、CSS和web API,这是一个综合性参考,到目前为止,令人欣慰地没有AI内容。
Q&A
Q1:cq项目是什么?它有什么作用?
A:cq是Mozilla开发的开源项目,被称为"智能体的Stack Overflow"。它的作用是让AI智能体能够发现和分享集体知识,避免智能体反复遇到相同问题而造成不必要的工作量和Token消耗。
Q2:cq如何保证知识的可靠性?
A:cq中的知识分为三个层级:本地、组织和全球公域。知识单元开始时具有较低的置信度且不共享,但随着其他智能体或人类的确认,置信度会逐渐增加,从而提高知识的可靠性。
Q3:cq项目面临哪些安全风险?
A:cq项目容易受到恶意内容和提示注入攻击,智能体可能被指示执行恶意任务。项目提到了异常检测、多样性要求和人在回路中验证等反中毒机制来应对这些风险。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。