技术专栏 第455页

本项目旨在让大语言模型（LLM）能够操作Windows 11系统。让AI输出特地格式的json，解析json中的指令，对指令进行执行，允许AI执行各种任务。这为自动化操作Windows 11系统提供了可能，使得一些重复性的任务可以由AI自动完成，提高工作效率。


这将把AI的能力发挥到极致

于是我萌生了使用python写个上传器的想法，首先第一步就是找到一个能用的lychee的python库，经过lychee维护者ildyria推荐，我找到了
Chostakovitch/pychee: Client for Lychee written in Python，然而已经很久没有维护了。所以我借鉴这个项目开发了一个lychee库
x1ntt/pychee6。

首先，我们会在第一台受害机中转储本地 SAM 文件中的 administrator 哈希。接着，我们使用这个本地管理员的哈希在第二台受害机上测试时发现这两台机器的本地管理员账户居然使用了相同的密码（密码重用问题），这使得我们很轻松地就以本地管理员的身份转移到了第二台受害机上。然后，我们又转储了第二台受害机的 LSASS 进程，并成功找到了存储在第二台受害机上的域管理员哈希。最后，我们以域管理员的身份成功转移到了 DC（域控制器）。

你是否还在为写不出高质量提示词而头疼？是否羡慕那些能够驾驭AI、让ChatGPT、Claude乖乖听话的”提示词大师”？今天，我们为你带来一个颠覆性的解决方案——
TokenAI Auto-Prompt，一个专业级的AI提示词优化平台，现已完全开源！

　　先说下我的工作经历吧，2016年大学毕业来北京工作，四舍五入到现在也快十年了，暂且算十年吧。毕业后找工作让我觉着大学四年除了数据结构和算法这类核心课程外，学的很多东西都是落伍的，在毕业前夕很多同学报了培训班，当时还挺瞧不上报培训班的同学，我选择了自学php，虽然没有工作经历但我深知这个行业没有持续不断地自学能力是很难长久的待下去的，现在回头来看同班同学还在做技术的只有一两个人了。很多在工作几年后就转行了，有的甚至没有做这个行业，我算坚持的比较久的了。 

随着现代云原生、高并发、分布式场景的大量普及，异常处理（Exception Handling）早已不再只是一个冷僻的代码路径。在高复杂度的微服务、网络服务、异步编程环境下，服务依赖的外部资源往往不可靠，偶发失效或小概率的“雪崩”场景已经十分常见。实际系统常常在高频率地抛出、传递、捕获异常，异常处理性能直接影响着系统的恢复速度、吞吐量，甚至是稳定性与容错边界。

官方介绍称，Context7 能将最新的、特定版本的文档和代码片段等信息，直接整合到你给大模型的提示（prompt）中。如此一来，大模型便能根据这些实时更新的资料编写代码，避免被其固有的、可能过时的知识库所误导。

在上一篇中, 测试了下用cursor开发下公司内部系统的费用管理功能, 惊叹它对代码的理解能力、以及对后端代码的自动生成能力.  前几天corsur不是马上又更新了新模型 Claude4.0 , 赶紧充值20美金, 又试了下. 花了一天下班时间, 把以前想做的, 几小时就实现了, 确实不惊叹它的高效.  给各位大大汇报下这个过程.