审计智能体在线演示（脱敏环境）
250 字
1 分钟
审计智能体在线演示（脱敏环境）
在线体验
演示入口（无需注册，直接访问）：
- 访问地址：http://hyflu.top:18080/
- 环境：脱敏演示环境，不包含任何真实业务数据
这个演示是什么
这是一个审计方向的智能体工作台原型，从登录页进入后可以看到 Agent 在审计场景下的核心交互流程。整体部署在一台阿里云 ECS 上，前端为静态构建产物，由 Nginx 托管。
技术要点
- 前端：Vite 构建的 SPA，Nginx 静态托管
- 部署：单机 Nginx 多 server 块隔离——本博客运行在
hyflu.top:80/443，演示环境独立运行在:18080端口，互不影响 - 安全基线：演示环境启用了 CSP、
X-Frame-Options: DENY、nosniff等响应头，数据全程脱敏
后续计划
- 补充 Agent 的工具调用链路说明
- 记录一次完整的审计任务演示过程（截图 / 流程图）
- 接入真实的推理后端并记录调优过程
文章分享
如果这篇文章对你有帮助，欢迎分享给更多人！
相关文章智能推荐
1
开篇：为什么开始写 AI Infra 与 Agent 博客
随笔博客开篇。聊聊我为什么想系统性地记录 AI Infra 与 Agent 方向的学习和实践，以及后续会写哪些内容。
2
2.5 Attention 后端与图优化：把 Decode 的 CPU 开销榨干
AI Infra深入 vLLM 的可插拔 Attention 后端（FlashAttention/FlashInfer/FlashMLA/Triton）与图优化：用 CUDA Graph 和 torch.compile 消除 Decode 阶段的 CPU 启动开销
3
2.4 Chunked Prefill 与统一 Token Budget 调度
AI Infra深入 Chunked Prefill：把长 Prompt 的 Prefill 切块，消除它对 Decode 请求的干扰；理解 vLLM V1 如何用统一 Token 预算调度器抹平 Prefill/Decode 边界
4
2.2 Continuous Batching：让 GPU 不再空等的动态批处理
AI Infra深入 Continuous Batching 的原理：从 Static Batching 的短板出发，理解 Iteration-level Scheduling 如何让请求随到随拼、完成即退，并对照 vLLM V1 Scheduler 的源码实现
5
CUDA 算子开发基础
AI InfraCUDA 执行模型、内存层级与自定义算子接入 PyTorch 的完整流程，占位待补充自己的实验。
随机文章随机推荐
博客搭建中，将分享 AI Infra 与 Agent 相关技术文章。
文章
12
分类
3
标签
27
总字数
45,635
运行时长
0 天
最后活动
0 天前