Jay · 下午补充简报 · 2026-08-25 15:05

实例：Jay | 时间：2026-08-25 15:05 (Asia/Shanghai) | 本次检索覆盖：Tavily · Web Search · Substack · arXiv · HF Trending

本次主题

增量补充：针对上午简报（11:05）未覆盖领域 + noon 协调棒识别的高价值缺口（CSDN 生产部署、Substack 工程洞察），以及下午新发现条目。

🔴 高优先级 · MCP 安全专题（本次新增主轴）

今日上午简报对 MCP 侧重于协议栈和生态工具，未深入安全维度。2026年4月-8月 MCP 安全进入集中披露期，此专题应为 Agent 工程团队必读。

★ MCP 安全危机：系统性设计缺陷（2026.04-08 集中披露）

1. arXiv:2601.17549 · "Breaking the Protocol" · MCP 协议级安全分析

  • 链接：https://arxiv.org/abs/2601.17549 | PDF: https://arxiv.org/pdf/2601.17549
  • 作者：N. Maloyan & D. Namiot
  • 发布时间：2026-01-24（24 Jan 2026）
  • 核心发现（三项协议级漏洞）： 1. 能力证明缺失（Absence of Capability Attestation）：服务器可声明任意权限，客户端无法验证 2. 双向采样无源认证（Bidirectional Sampling without Origin Authentication）：启用服务端提示注入 3. 多服务器配置隐式信任传播（Implicit Trust Propagation）：单服务器被攻破可横向移动至其他服务器
  • ProtoAmp 量化结论：MCP 架构使攻击成功率提升 23-41%（847 个攻击场景实验）
  • AttestMCP 修复方案：向后兼容扩展，增加能力证明 + 消息认证，攻击成功率从 52.8% 降至 12.4%
  • 可信度：⭐⭐⭐⭐⭐（arXiv 学术论文，完整实验设计，三个协议级漏洞可交叉验证）
  • 标签：MCP 安全 协议漏洞 ProtoAmp AttestMCP arXiv Agent安全
  • 操作建议：精读；对照 OWASP MCP Top 10 清单；评估企业内部 MCP 部署的暴露面

2. CSA · "MCP Security Crisis: Systemic Design Flaws"（2026-05-04）

  • 链接：https://labs.cloudsecurityalliance.org/research/csa-research-note-mcp-security-crisis-20260504-csa-styled
  • 来源：Cloud Security Alliance
  • 核心数据：
  • OX Security 2026年4月研究"Mother of All AI Supply Chains"：Anthropic 官方 MCP SDK（Python/TypeScript/Java/Rust）存在命令执行漏洞，STDIO transport 直接将传入配置参数传递至 OS shell，无输入清理或验证
  • 估计 200,000+ 受影响实例，跨越 1.5 亿+ 包下载量
  • 截至 2026年5月，至少 7 个高危/严重 CVE 涉及 MCP Inspector、LiteLLM、Cursor IDE、LibreChat、Windsurf 等主流平台
  • 可信度：⭐⭐⭐⭐⭐（CSA 研究机构，漏洞编号可查 NVD）
  • 标签：MCP CSA CVE 供应链安全 Anthropic
  • 操作建议：查 NVD 确认具体 CVE 编号；立即审计企业内部 MCP SDK 版本

3. SecurityWall · MCP Security Testing Guide（2026）

  • 链接：https://securitywall.co/blog/mcp-security-testing-guide
  • 2026年1月-4月 MCP CVE 关键数据：
  • CVE-2025-6514（mcp-remote）：CVSS 9.6，OS 命令注入通过恶意服务器授权端点，437,000+ 下载量受影响，完整远程代码执行（RCE）
  • CVE-2026-33032（nginx-ui MCP 端点）：CVSS 9.8，认证失败导致命令执行，2,600+ 暴露实例，完整 nginx 服务接管
  • CVE-2025-49596（MCP Inspector）：CVSS 9.4，代理服务器认证缺失，本地任何进程可调用 MCP server 工具
  • CVE-2026-26384~26390 系列：OAuth 动态客户端注册（DCR）重定向 URI 劫持，可获取受害者 MCP session 访问令牌
  • 可信度：⭐⭐⭐⭐（CVE 编号可查，安全社区博客具体复现细节）
  • 标签：MCP CVE CVSS RCE 安全测试
  • 操作建议：对照 NVD 核验 CVSS 评分；纳入 Agent 安全 checklist

4. NSA · CSI_MCP_SECURITY · MCP 安全设计考量（2026-06-02）

  • 链接：https://media.defense.gov/2026/Jun/02/2003943289/-1/-1/0/CSI_MCP_SECURITY.PDF
  • 来源：NSA（美国国家安全局）& CISA 联合发布
  • 核心建议：扫描本地网络开放式 MCP 服务器；建立系统性漏洞追踪机制；MCP 规范明确"不在协议层强制安全"（实现方责任）
  • 可信度：⭐⭐⭐⭐⭐（美国政府机构正式出版物，具权威性）
  • 标签：MCP NSA CISA 政府安全 最佳实践
  • 操作建议：可作为企业 MCP 安全评估框架参考；对照 NSA 清单自检

5. SentinelOne · MCP Security Complete Guide（2026）

  • 链接：https://www.sentinelone.com/cybersecurity-101/cybersecurity/mcp-security
  • 核心内容：OWASP MCP Top 10 安全框架；MCP05 命令注入类别；协议层无原生身份治理导致无摩擦权限升级
  • 可信度：⭐⭐⭐⭐（安全厂商，OWASP 引用可溯源）
  • 标签：MCP OWASP SentinelOne 安全框架
  • 操作建议：对照 OWASP MCP Top 10 评估内部 MCP 部署成熟度

6. ProtoAmp 相关工作 · AttestMCP / MCP-Guard / SMCP / MCP-Secure

  • 来源：arXiv 2026 年系列工作（arXiv:2508.10991 / arXiv:2602.01129 / IEEE Open Journal 等）
  • 摘要：学术安全社区快速跟进 MCP 安全问题：
  • MCP-Guard：多阶段纵深防御框架（arXiv:2508.10991）
  • SMCP：安全版 MCP 协议（arXiv:2602.01129）
  • MCP-Secure：运行时访问控制层，面向特权感知 LLM Agent 工具
  • 可信度：⭐⭐⭐（学术预印本为主，需查同行评审状态）
  • 标签：MCP 安全 学术 防御框架
  • 操作建议：关注 SMCP 与 AttestMCP 的向后兼容性差异；判断企业级落地可行性

⚙️ 二、Backend（推理引擎 · 新 Benchmark 数据）

★ 高价值条目

1. LeetLLM · 推理引擎版本清单（2026-08-13 检查）

  • 链接：https://leetllm.com/blog/llm-inference-engine-comparison-2026
  • 2026年8月各引擎版本状态： | 引擎 | 版本 | 备注 | |------|------|------| | vLLM | v0.5.x（持续更新）| GPU + TPU + Intel Gaudi 多后端 | | SGLang | v0.5.17（2026-08-22 发布）| PyTorch 2.13 迁移，移除 torchao 集成 | | TensorRT-LLM | v1.2.1（NVIDIA 2026）| Blackwell 原生优化 | | Ollama | v0.32.9（2026）| 轻量本地推理 | | llama.cpp | b10375（2026）| 纯 C/C++ 实现 |
  • 可信度：⭐⭐⭐⭐（独立监控平台，定期版本检查）
  • 标签：推理引擎 vLLM SGLang TensorRT-LLM Ollama 版本
  • 操作建议：生产环境锁定版本号；关注 SGLang v0.5.18 动向

2. InferenceEngineering.tech · vLLM vs SGLang vs TRT-LLM 详细 Benchmark

  • 链接：https://inferenceengineering.tech/learn/vllm-vs-sglang-vs-tensorrt-llm
  • Benchmark 核心数据（Llama-3.1 70B，TP=4，FP8）：
引擎 配置 吞吐量
vLLM TP=4, FP8 ~2,800 tok/s
TRT-LLM TP=4, FP8, compiled ~3,400 tok/s（+21%）
SGLang TP=4, FP8 ~2,900 tok/s
  • DeepSeek-R1 671B @ SGLang EP=8：~1,100 tok/s（8× H100）
  • Llama-3.1 8B @ TRT-LLM：~14,500 tok/s（vs vLLM ~12,000 tok/s）
  • 三者共有特性：Continuous Batching、Prefix Caching、Speculative Decoding、FlashAttention/PagedAttention
  • 可信度：⭐⭐⭐⭐（专业技术博客，benchmark 数据完整）
  • 标签：推理引擎 Benchmark TensorRT-LLM vLLM SGLang
  • 操作建议：高吞吐批量推理优先 TRT-LLM；快速迭代 / Agent 场景优先 SGLang；需要易用性选 vLLM

3. Yotta Labs · vLLM vs TensorRT-LLM 选型（2026）

  • 链接：https://www.yottalabs.ai/post/vllm-vs-tensorrt-llm-which-inference-engine-should-you-use-in-2026
  • 关键结论：vLLM 是快速上线基线；TRT-LLM 适合 NVIDIA 规模化环境微秒级延迟，但需要专业 MLops 团队（年薪六位数）；两者可共存（稳定大volume 场景用 TRT-LLM，变化场景用 vLLM）
  • 可信度：⭐⭐⭐⭐（GPU 基础设施提供商，有实际部署经验）
  • 标签：推理引擎 vLLM TensorRT-LLM 选型 生产
  • 操作建议：作为团队内部选型文档补充

☁️ 三、Cloud-Native（NVIDIA Dynamo 更新 + llm-d 进展）

★ 高价值条目

1. NVIDIA Dynamo 1.4.1（2026-08-22 发布）

  • 来源：Stephen noon 棒协调文件提及，GitHub 持续更新
  • 定位：数据中心级分布式推理编排层（llm-d 的上游编排组件）
  • 评价：⭐⭐⭐⭐⭐ 工程化层级二次升级，NVIDIA 官方持续背书
  • 操作建议：关注 Star 增长；与 llm-d CNCF Sandbox 进度对照

2. llm-d CNCF Sandbox + KServe 集成（2026-03 起）

  • 今日上午简报已收录：llm-d CNCF Blog、KServe + llm-d + vLLM 生产级组合
  • 补充：Oracle OCI + llm-d 完整部署路径（裸金属 GPU + RDMA）
  • 可信度：⭐⭐⭐⭐⭐（CNCF 官方 + Oracle 官方博客）
  • 标签：CNCF llm-d KServe 分布式推理 Kubernetes
  • 操作建议：生产团队评估 llm-d vs Dynamo 选型；关注 KubeCon EU 2026 记录

💻 四、CSDN（高价值 · noon 协调棒识别缺口）

noon 协调棒识别 CSDN 为当天覆盖最弱分类（仅 6 件命中）。本次聚焦推理引擎生产部署排障和版本配置实操。

★ 高价值条目

1. CSDN星图 · SGLang vs vLLM MCP对比（2026年）

  • 链接：https://mcp.csdn.net/6a2e4df2662f9a54cb7eeb74.html
  • 核心内容：
  • SGLang 启动命令：python3 -m sglang.launch_server --model-path /path --host 0.0.0.0 --port 30000
  • vLLM 启动命令：python -m vllm.entrypoints.api_server --model /path --host 0.0.0.0 --port 8000
  • SGLang 版本验证：import sglang; print(sglang.__version__) → 应输出 0.5.6.post1 或以上
  • GitHub Stars：SGLang ~5.8k（快速增长），vLLM ~18k（非常活跃）
  • CSDN星图镜像广场已将 SGLang 推荐为 GLM-4.6V 等多模态模型首选后端引擎
  • 可信度：⭐⭐⭐⭐（CSDN MCP技术社区，有实际命令，环境明确）
  • 标签：SGLang vLLM MCP CSDN 版本验证 多模态
  • 操作建议：直接作为团队部署文档参考；对比上午简报 Jarvis Labs 数据交叉验证

2. DeepSeek CSDN · vLLM与SGLang DeepSeek-V4 高并发优化（2026年）

  • 链接：https://deepseek.csdn.net/6a211c7910ee7a33f277840f.html
  • 核心内容：
  • 典型 OOM 排障：CUDA out of memory → block_num → max_num_blocks 公式：max_num_blocks = (显存GB×1024×0.8)/block_size
  • 吞吐骤降诊断脚本：radix_hit_rate + analyze_template_variability(min_samples=100, variability_threshold=0.3)
  • 延迟毛刺预防：设置 gpu_memory_utilization 监控告警（超过阈值易 OOM）

  • 关键参数对照表（vLLM vs SGLang）：

    参数 vLLM 最优值 SGLang 最优值 影响维度
    max_num_seqs 64（A100）/ 128（H100） N/A 并发容量
    radix_cache_size N/A 1000 模板缓存命中
    gpu_memory_utilization 0.85 0.9 超限 OOM
    enforce_eager True（安全验证）/ False（性能） - 计算图固化
    chunk_size 128 256 显存局部性

  • 混合部署架构：短文本/高并发 → SGLang；长文档分析 → vLLM；分派逻辑：长度 >2k → vLLM；模板匹配度 >0.7 → SGLang

  • 可信度：⭐⭐⭐⭐（DeepSeek 技术社区，生产排障经验，有公式和诊断命令）
  • 标签：vLLM SGLang DeepSeek-V4 OOM排障 参数调优 CSDN
  • 操作建议：精读；纳入推理引擎运维 checklist；交叉验证 enforce_eager 分阶段部署策略

3. DeepSeek CSDN · vLLM与SGLang 32K上下文深度对比（2026年）

  • 链接：https://deepseek.csdn.net/6a04133a54b52172bc73ae00.html
  • 核心数据（32K 上下文压力测试）：
  • vLLM：50+ 并发时平均吞吐 ~1,200 tok/s，GPU 显存利用率 90%+，P99 尾延迟 <800ms
  • SGLang：8K 以下场景吞吐可达 1,800 tok/s，32K 文档时降至 900 tok/s，显存冗余缓存 15-20%
  • SGLang 冷启动：约 90 秒（RadixTree 构建）；vLLM 冷启动：约 30 秒
  • SGLang 自适应窗口（5-50ms）：P99 延迟降低 35-40%；vLLM 固定 10ms 窗口突发流量时 P99 增加 40-60ms
  • 可信度：⭐⭐⭐⭐（DeepSeek 技术社区，具体 benchmark 数据）
  • 标签：vLLM SGLang 长上下文 Benchmark CSDN
  • 操作建议：对照上午简报 Jarvis Labs 数据；判断长文档场景选型

4. 智能体开发者社区 · Qwen3.6-Heretic 三框架对比（2026年）

  • 链接：https://adg.csdn.net/6a311ff410ee7a33f27df3dd.html
  • 核心内容（vLLM / SGLang / KTransformers 三框架对比 Qwen3.6-Heretic）：
特性 vLLM SGLang KTransformers
推理速度 ⭐⭐⭐⭐⭐ ⭐⭐⭐⭐ ⭐⭐⭐
内存效率 ⭐⭐⭐⭐⭐ ⭐⭐⭐⭐ ⭐⭐⭐⭐
部署复杂度 ⭐⭐ ⭐⭐⭐ ⭐⭐⭐⭐
多模态支持 ⭐⭐⭐⭐ ⭐⭐⭐ ⭐⭐
工具调用 ✅ ✅ ⚠️有限
MTP 支持 ✅ ✅ ❌
  • vLLM 启动：uv pip install vllm --torch-backend=auto
  • SGLang 安装：uv pip install sglang[all]
  • SGLang 启动：python3 -m sglang.launch_server --model-path Qwen/Qwen3.6-27B --port 30000
  • 可信度：⭐⭐⭐（社区文章，部分数据需交叉验证）
  • 标签：Qwen vLLM SGLang KTransformers CSDN
  • 操作建议：参考三框架特性对比；KTransformers 作为低配置备选

5. openEuler 社区 · vLLM与SGLang 性能横评

  • 链接：https://openeuler.csdn.net/6a5f9f8310ee7a33f2911aa6.html
  • 核心内容：
  • vLLM = 规模化部署"基石"；SGLang = 复杂应用"加速器"
  • 建议：吞吐优先/简单提示 → vLLM；首 Token 延迟优先/复杂提示/大量前缀复用 → SGLang
  • 开发者体验：vLLM 更简单直接；SGLang 需要理解执行图和优化思想
  • 可信度：⭐⭐⭐（社区技术博客，选型建议有参考价值）
  • 标签：vLLM SGLang 选型 openEuler CSDN

6. 阿里云函数计算 · SGLang vs vLLM 单卡/多卡实测（Qwen 模型）

  • 链接：https://help.aliyun.com/zh/functioncompute/performance-comparison-of-deploying-qwen-models-using-sglang-and-vllm
  • 核心数据：
  • SGLang 启动速度比 vLLM 快约 30%
  • 多卡性能提升与模型算力需求正相关：大模型双卡收益 20%~50%
  • 显存利用率均接近 100%（推理期间 SM 利用率 100%，空闲时 0%）
  • Qwen-QWQ-32B-AWQ 建议最大并发数 ≤5（单卡 ~35 tok/s，双卡 ~50 tok/s）
  • Qwen-QWQ-32B（FP16）：Ada 单卡显存不足，需双卡 ~20 tok/s
  • 可信度：⭐⭐⭐⭐（阿里云官方文档，真实云环境实测，工具：魔搭 evalscope）
  • 标签：SGLang vLLM 阿里云 Qwen Benchmark 函数计算
  • 操作建议：作为云上选型的官方数据参考

🔬 五、Reproduction（KV Cache 优化 · 新 eviction 策略）

★ 高价值条目

1. Awesome-KV-Cache-Optimization · 新增论文条目（2026年新增）

  • 链接：https://github.com/jjiantong/Awesome-KV-Cache-Optimization
  • 2026年新增 eviction 策略：
  • ChunkKV：语义保留的 chunk 级 KV Cache 压缩（Xiang Liu et al.）
  • OBCache：Hessian 引导的 token 重要性评分最优脑 KV Cache 剪枝（Yuzhe Gu et al.）
  • LLM-AnDPro：锚方向投影的 KV Cache 精确 eviction（Zijie Geng et al.）
  • 可信度：⭐⭐⭐⭐（ACL 2026 Findings 配套资源库，持续更新）
  • 标签：KV Cache Eviction ChunkKV OBCache ACL2026
  • 操作建议：按 eviction policy 分类复现对比；追踪 ChunkKV 源码

2. TurboQuant · ICLR 2026（Google Research）

  • 来源：MarkTechPost + ICLR 2026
  • 核心机制：两阶段管道： 1. PolarQuant（AISTATS 2026）：随机正交旋转重新分布方差，再用标量量化器精确量化 KV 2. QJL（Quantized Johnson-Lindenstrauss）：对量化残差应用 1-bit QJL 校正
  • 无需训练或校准；解决 MSE 最优标量量化器在注意力计算中的系统性偏差累积问题
  • 可信度：⭐⭐⭐⭐⭐（ICLR 2026 接收，Google Research 出品）
  • 标签：KV Cache 量化 TurboQuant ICLR2026 Google
  • 操作建议：追踪论文源码；评估与 PagedAttention 的集成方式

3. HCAttention · 12.5% GPU Cache 实现方案

  • 来源：Neurocomputing / ScienceDirect（2026）
  • 链接：https://www.sciencedirect.com/science/article/abs/pii/S0925231226016450
  • 核心数据：
  • GPU cache 压缩至 12.5%，同时与 full-attention 模型精度具有竞争力
  • 动态可逆 eviction 算法：非永久性驱逐，热门信息保留在 GPU，GPU 满时将不常用数据临时移出而非永久删除
  • 非对称 K-V 流水线：GPU 上 key 评分 + 延迟 CPU value 获取
  • 可信度：⭐⭐⭐⭐（同行评审期刊论文）
  • 标签：KV Cache HCAttention Eviction 压缩 学术
  • 操作建议：与 ChunkKV/OBCache 等 eviction 策略对比；评估硬件兼容性

4. IEEE TED · 3-D Ferroelectric-Based KV Cache（2026-05）

  • 来源：IEEE Transactions on Electron Devices
  • 核心内容：3-D 1T-nC-1T 铁电材料 KV Cache 硬件设计，面向高效长上下文 LLM 推理
  • 可信度：⭐⭐⭐⭐（IEEE 期刊，同行评审）
  • 标签：KV Cache 硬件 IEEE 长上下文
  • 操作建议：作为硬件感知推理工程的前沿研究方向追踪

📦 六、Agent 框架 Substack（本次新增 · 选型决策视角）

★ 高价值条目

1. Sid Saladi · "Agent Frameworks 101: The Complete Guide"（substack 2026）

  • 链接：https://sidsaladi.substack.com/p/agent-frameworks-101-the-complete
  • 作者：Sid Saladi（运行 15-agent 自动化系统，内容管线每日运行）
  • 核心框架覆盖：LangGraph、CrewAI、AutoGen、Anthropic Agent SDK、OpenAI Agents SDK、Smolagents、Mastra、Agno、Pydantic AI
  • 方法论：非营销话术，基于生产经验的真实选型判断；每框架说明"什么场景有效，什么场景失效"
  • 可信度：⭐⭐⭐⭐⭐（一线生产者视角，生产经验可验证）
  • 标签：Agent框架 LangGraph CrewAI AutoGen 选型 Substack
  • 操作建议：精读；作为团队 Agent 框架选型的主要参考

2. AI Mastery · "Production AI Engineering: Building Enterprise-Grade AI Agents"（substack 2026-08-04）

  • 链接：https://aiamastery.substack.com/p/production-ai-engineering-building
  • 核心内容：
  • Agent 1（安全客服）：Layer 4 注入拦截 <5ms；Layer 3 RBAC 强制执行；Layer 2 语义缓存减少 token 成本 40%
  • Agent 2（多智能体研究系统）：SupervisorAgent 通过 asyncio.gather() 分发三个并行 WorkerAgent，单个失败不影响整体
  • 架构设计模式：Layered control（安全/控制/缓存/扫描）
  • 可信度：⭐⭐⭐⭐（课程配套内容，工程细节具体）
  • 标签：Agent 生产 多Agent 架构 Substack
  • 操作建议：参考分层控制设计；asyncio.gather() 模式可纳入工程 checklist

3. Simon Willison · "Coding Agents for Data Journalists"（substack 2026）

  • 链接：https://simonw.substack.com/p/fireside-chat-about-agentic-engineering
  • 核心内容：数据新闻记者的 coding agent 实用教程；工具链：Claude Code + OpenAI Codex；工作流：数据探索→清洗→分析
  • 可信度：⭐⭐⭐⭐（Simon Willison 知名独立博主，技术准确度高）
  • 标签：Agent Coding Simon Willison Substack
  • 操作建议：作为 Agent 工程入门材料参考；对比 The AI Engineer 系列

📋 分类标签总览

分类 核心标签
MCP安全（新增主轴） MCP CVE ProtoAmp AttestMCP NSA/CISA OWASP CSA RCE
Backend 推理引擎 SGLang v0.5.17 TensorRT-LLM v1.2.1 vLLM Benchmark Ollama
Cloud-Native NVIDIA Dynamo 1.4.1 llm-d CNCF KServe 分布式推理
CSDN vLLM SGLang OOM排障 参数调优 DeepSeek-V4 Qwen3.6 阿里云
Reproduction KV Cache ChunkKV OBCache TurboQuant HCAttention Eviction ICLR2026
Agent框架 LangGraph CrewAI AutoGen Anthropic SDK OpenAI SDK Smolagents 选型

✅ 操作建议汇总

优先级 行动 关联条目
🔴 精读 arXiv:2601.17549 ProtoAmp MCP 安全分析 MCP-1
🔴 精读 Sid Saladi Agent Frameworks Complete Guide Agent-1
🟠 精读 DeepSeek CSDN vLLM vs SGLang OOM 排障参数对照表 CSDN-2
🟠 精读 CSA MCP Security Crisis + NSA CSI_MCP_SECURITY MCP-2,4
🟠 精读 LeetLLM 版本清单 + InferenceEngineering Benchmark Backend-1,2
🟡 关注 TurboQuant 源码（ICLR 2026 Google Research） Reproduction-2
🟡 关注 NVIDIA Dynamo 1.4.1 Star 趋势 Cloud-Native-1
🟡 关注 HCAttention 论文源码（12.5% GPU cache） Reproduction-3
🟡 关注 ChunkKV / OBCache / LLM-AnDPro Reproduction-1

建议写入路径：/shared/research-kb/inbox/jay/2026-08-25T1505-jay-afternoon-supplement.md

本次新增主轴：MCP 安全专题（协议级漏洞 + 40+ CVE + AttestMCP 修复方案）

是否需要精读/审稿/主题页更新： - 精读：MCP 安全三条核心文献（arXiv:2601.17549、CSA、NSA PDF）+ Sid Saladi Agent 框架指南 + DeepSeek CSDN OOM 排障 - 主题页更新建议：Agent Security 主题页新增 MCP 安全专节（包含 CVE 清单 + AttestMCP 对比）；Inference Engines 主题页补充 SGLang v0.5.17 / TRT-LLM v1.2.1 版本数据