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
Kollmorgen发布NDC布局助手软件工具,专为工厂和仓库中的自动导引车(AGV)及自主移动机器人(AMR)的路线规划与优化而设计。该工具通过分段分析路线,帮助工程师在系统部署前识别瓶颈与低效环节,提供行驶时间、车速及优化潜力等关键数据,并以可视化方式标注问题区域,从而缩短布局设计与验证周期。Kollmorgen表示,该工具未来还将融入AI驱动的优化能力。
这篇由加州大学圣地亚哥分校等六所机构联合发布的综述(arXiv:2605.02913,2026年4月),首次系统梳理了大型语言模型强化学习训练中长期被忽视的轨迹设计问题,提出了GFCR四模块框架(生成、过滤、控制、回放),覆盖数学、代码、多模态和智能代理等多个应用场景,并附有实用的故障诊断手册,为AI训练工程师提供系统性的方法论指导。
现代仓储已从幕后走向前台,配送速度成为品牌竞争核心。面对次日达甚至两小时送达的市场压力,领先履约中心借鉴敏捷开发理念,以周为单位迭代代码、机器人与工作流程。IoT信标、边缘计算与视觉识别模块构建双层架构,实现厘米级货盘追踪与低延迟决策。人机协作模式让员工从重体力劳动转向异常处理与数据分析,拣选准确率突破99%。同时,自动化系统实时采集碳排放数据,在提速的同时实现可量化的减排目标。
中国科学技术大学与FrameX.AI联合提出Stream-R1框架,针对AI视频生成蒸馏训练中"一视同仁"的核心缺陷,引入奖励模型对训练样本进行双重加权:在样本层面根据质量分数筛选可靠的学习信号,在像素与帧层面通过梯度显著性热力图集中优化最需改进的区域,使4步快速学生模型在VBench多项指标上超越慢速多步教师模型,推理速度提升30倍且不增加任何额外计算开销。