开源实用的双臂移动家用机器人XLeRobot，成本大概在4000块钱，使用90%的3D打印组件，配合经济实惠的电机和电子元件。
Repo地址：github.com/Vector-Wangel/XLeRobot
3. RAG Time 微软推出的5周进阶课程，系统掌握Retrieval-Augmented Generation（RAG）技术，打造更智能的AI应用。
Repo地址：github.com/microsoft/rag-time
4. perplexity的开源版 fireplexity 支持实时引用、流式响应和动态数据，基于 Firecrawl 技术构建，可搜索网页、新闻和图片，并支持本地/在线部署。MIT License，允许自由使用和二次开发。
Repo地址：github.com/firecrawl/fireplexity
5. Memori：适用于 LLM、AI 代理和多代理系统的开源记忆引擎
Repo地址：github.com/GibsonAI/memori
6. Orchestrator：多Agent AI编程系统
Repo地址：github.com/Danau5tin/multi-agent-coding-system
Repo地址：github.com/Vector-Wangel/XLeRobot
3. RAG Time 微软推出的5周进阶课程，系统掌握Retrieval-Augmented Generation（RAG）技术，打造更智能的AI应用。
Repo地址：github.com/microsoft/rag-time
4. perplexity的开源版 fireplexity 支持实时引用、流式响应和动态数据，基于 Firecrawl 技术构建，可搜索网页、新闻和图片，并支持本地/在线部署。MIT License，允许自由使用和二次开发。
Repo地址：github.com/firecrawl/fireplexity
5. Memori：适用于 LLM、AI 代理和多代理系统的开源记忆引擎
Repo地址：github.com/GibsonAI/memori
6. Orchestrator：多Agent AI编程系统
Repo地址：github.com/Danau5tin/multi-agent-coding-system
Googleblog
Google for Developers Blog - News about Web, Mobile, AI and Cloud
Learn how to build with Gemma 3n, a mobile-first architecture, MatFormer technology, Per-Layer Embeddings, and new audio and vision encoders.
# 2025W36 AI大模型领域精选热点 🔥
---
## 1. Ali 发布万亿参数模型
+ 阿里推出 Qwen3-Max-Preview (Instruct)，拥有超过 1 万亿个参数！可通过 Qwen Chat 和阿里云 API 使用。 基准测试表明，它超越了阿里之前的最佳产品 Qwen3-235B-A22B-2507。内部测试和早期用户反馈证实：性能更强劲，知识面更广，对话、代理任务和指令执行能力更佳。
体验地址：chat.qwen.ai
Alibaba Cloud API: modelstudio.console.alibabacloud.com/?tab=doc#/doc/?type=model&url=2840914_2&modelId=qwen3-max-preview
## 2. Kimi 模型升级
+ Kimi K2-0905 模型升级，Agentic Coding 能力提升，上下文长度从 128K 升级到 256K，优化前端代码生成与工具调用准确率，保证100%工具调用成功率。
技术报告：moonshotai/Kimi-K2-Instruct-0905 模型地址：huggingface.co/moonshotai/Kimi-K2-Instruct-0905
+ 重点：其Turbo API 可以“保证 100% 的工具调用准确率”，Kimi 在论文里面其实也提到他们使用的方法，参考了 lm-format-enforcer 的实现。
Repo地址：github.com/MoonshotAI/walle
## 3. Google 发布新的嵌入模型 Embedding Gemma!
+ 轻量级多语言嵌入模型的全新标杆，模型参数量 308M, 上下文是 2K
+ 基于 Gemma 3 架构，已针对 100 多种语言进行训练，并且体积小巧，经过量化后可在不到 200MB 的 RAM 上运行。
+ 旨在与 Gemma 3n 配合使用，共同为移动 RAG 管道、语义搜索等解锁新的用例。
详情介绍：developers.googleblog.com/en/introducing-embeddinggemma
模型地址：huggingface.co/google/embeddinggemma-300m
集成示例：baseten.co/library/embeddinggemma
## 4. 美团 & 快手 & 腾讯 新模型
+ LongCat-Flash-Chat：美团开源，支持128k上下文，5600亿参数MoE大模型
+ 动态激活机制：上下文驱动激活18.6B~31.3B参数（均值约27B）
+ 开源MIT许可，已适配SGLang和vLLM，支持快速部署和定制，适合研发与实际应用探索。
Repo地址：github.com/meituan-longcat/LongCat-Flash-Chat
模型地址：huggingface.co/meituan-longcat/LongCat-Flash-Chat-FP8
+ Klear-46B-A2.5B：快手发布大模型参数 46B 激活 2.5B, 压缩比达到了接近 18:1；256 个专家激活 8 个 + 1个共享专家 + sigmoid路由，上下文长度64K，像是在积累技术经验。
模型地址：huggingface.co/Kwai-Klear/Klear-46B-A2.5B-Instruct
+ Hunyuan-MT 推出的多语言翻译模型与集成方案，包含 Hunyuan-MT-7B 单模型与首个开源翻译集成模型 Hunyuan-MT-Chimera，支持33种语言互译，涵盖5种中国少数民族语言 。
+ 训练流程覆盖预训练 → 继续预训练 → 监督微调 → 翻译强化学习 → 集成强化学习，系统提升模型质量与泛化能力。
+ 自研 AngleSlim 工具实现FP8与INT4量化，显著提升推理效率，降低部署门槛，无需额外训练即可量化模型。
+ 支持TensorRT-LLM、vLLM、SGLang等多种推理框架，提供Docker镜像快速部署，兼容OpenAI接口标准。
+ 丰富的提示模板覆盖中英及多语言翻译任务，方便接入transformers库，支持多节点分布式训练与微调。
Repo地址：github.com/Tencent-Hunyuan/Hunyuan-MT
+ 腾讯混元世界模型-Voyager（HunyuanWorld-Voyager）发布并开源，基于 HunyuanWorld 1.0 构建，融合了视频生成与 3D 建模技术。能够基于单张输入图像生成具有世界一致性的 3D 点云，并支持用户按照自定义的相机路径进行沉浸式世界探索。能够同时生成精确对齐的深度信息与 RGB 视频，无需后处理即可直接用于高质量三维重建。
Repo地址：github.com/Tencent-Hunyuan/HunyuanWorld-Voyager
模型地址：huggingface.co/tencent/HunyuanWorld-Voyager
技术报告：3d-models.hunyuan.tencent.com/voyager/voyager_en/assets/HYWorld_Voyager.pdf
## 5. 其他动态
1. 英伟达计划对中国市场推出新显卡 B30A 基于Blackwell 架构，售价是当前H20的2倍，性能为其6倍，最早9月向客户交付样品。
2. OpenAI 斥资11亿美金，收购了一家全新的公司Statsig，还顺便「买」了人 Statsig的CEO Vijaye Raji直接空降，成了OpenAI应用部门的新CTO。
3. CUDA 13.0 正式发布
+ 弃旧迎新：放弃 Maxwell（如 GTX 980）、Pascal（如 GTX 1080 Ti）、Volta（如 Titan V、V100）架构的离线编译支持，老旧 GPU 只能用 CUDA 12.x 工具包编译代码。
+ Windows 安装流程调整：CUDA 工具包不再内置 NVIDIA 显卡驱动，需手动安装版本≥580.xx 的驱动，确保兼容性。
+ 性能大幅提升：新增 Blackwell GPU 支持，cublas 中 FP4 gemm 性能爆发，cusolver 推出“仿真 FP32”模式；数学库关键函数（sinhf、coshf、modff）提升近 50%；Ampere 及以后架构的 MPS 服务器客户端限制从 48 提升至 60。
+ 工具链更新：nvprof 和 NVIDIA Visual Profiler 正式退场，推荐迁移至 Nsight Systems 和 Nsight Compute，样例程序需从 GitHub 自行构建，cooperative groups 相关 API 及旧版 NPP 非上下文接口被移除。
+ 开发环境要求：Ubuntu 需升级至 22.04 LTS 及以上，Visual Studio 要求 2017 版本，Intel ICC 更新至 2021.7。
详细信息：docs.nvidia.com/cuda/pdf/CUDA_Toolkit_Release_Notes.pdf
4. Deep Research Agent 训练门槛骤降，30小时H200算力即可超越Sonnet-4，开源工具助力人人可达前沿水平。
技术细节与完整教程地址：art.openpipe.ai/tutorials/open-deep-research
5. 阿里最近发布两个和AI安全有关的项目。
> “AI安全，不该是AI与用户的对抗，也不该是安全与能力的零和博弈，而应是一场共同成长的对话，希望我们离一个更负责任的AI近了一步。”
+ Oyster 系列, Alibaba-AAIG 自研的安全模型，致力于构建负责任的 AI 生态。
Repo 地址：github.com/Alibaba-AAIG/Oyster
+ Strata-Sword 阿里 AAIG 团队提出的一种多级安全评测基准，旨在更全面地评估模型在面对不同思考复杂度下的安全能力，帮助模型开发者更好地理解不同模型的安全边界。
+ 推理复杂度作为安全评估维度：定义并量化“推理复杂度”作为可评估的安全维度。
+ 分级越狱评测集构建：将15种不同的越狱攻击方法按照推理复杂度划分成3个不同的等级，包括700条越狱指令集。
+ 考虑了语言特性，针对中文和英文分别定制攻击方法，引入了三种具有中文特色的越狱攻击方法，包括藏头诗攻击、猜灯谜攻击、和汉字拆解攻击。
Repo地址：github.com/Alibaba-AAIG/Strata-Sword
## Github Repos Recommend
1. 开源的智能眼镜操作系统MentraOS，MIT 许可证。内置数十款应用。用户可享受 AI 助手、通知、翻译、屏幕镜像、字幕等功能。
Repo地址：github.com/Mentra-Community/MentraOS
2.
---
## 1. Ali 发布万亿参数模型
+ 阿里推出 Qwen3-Max-Preview (Instruct)，拥有超过 1 万亿个参数！可通过 Qwen Chat 和阿里云 API 使用。 基准测试表明，它超越了阿里之前的最佳产品 Qwen3-235B-A22B-2507。内部测试和早期用户反馈证实：性能更强劲，知识面更广，对话、代理任务和指令执行能力更佳。
体验地址：chat.qwen.ai
Alibaba Cloud API: modelstudio.console.alibabacloud.com/?tab=doc#/doc/?type=model&url=2840914_2&modelId=qwen3-max-preview
## 2. Kimi 模型升级
+ Kimi K2-0905 模型升级，Agentic Coding 能力提升，上下文长度从 128K 升级到 256K，优化前端代码生成与工具调用准确率，保证100%工具调用成功率。
技术报告：moonshotai/Kimi-K2-Instruct-0905 模型地址：huggingface.co/moonshotai/Kimi-K2-Instruct-0905
+ 重点：其Turbo API 可以“保证 100% 的工具调用准确率”，Kimi 在论文里面其实也提到他们使用的方法，参考了 lm-format-enforcer 的实现。
Repo地址：github.com/MoonshotAI/walle
## 3. Google 发布新的嵌入模型 Embedding Gemma!
+ 轻量级多语言嵌入模型的全新标杆，模型参数量 308M, 上下文是 2K
+ 基于 Gemma 3 架构，已针对 100 多种语言进行训练，并且体积小巧，经过量化后可在不到 200MB 的 RAM 上运行。
+ 旨在与 Gemma 3n 配合使用，共同为移动 RAG 管道、语义搜索等解锁新的用例。
详情介绍：developers.googleblog.com/en/introducing-embeddinggemma
模型地址：huggingface.co/google/embeddinggemma-300m
集成示例：baseten.co/library/embeddinggemma
## 4. 美团 & 快手 & 腾讯 新模型
+ LongCat-Flash-Chat：美团开源，支持128k上下文，5600亿参数MoE大模型
+ 动态激活机制：上下文驱动激活18.6B~31.3B参数（均值约27B）
+ 开源MIT许可，已适配SGLang和vLLM，支持快速部署和定制，适合研发与实际应用探索。
Repo地址：github.com/meituan-longcat/LongCat-Flash-Chat
模型地址：huggingface.co/meituan-longcat/LongCat-Flash-Chat-FP8
+ Klear-46B-A2.5B：快手发布大模型参数 46B 激活 2.5B, 压缩比达到了接近 18:1；256 个专家激活 8 个 + 1个共享专家 + sigmoid路由，上下文长度64K，像是在积累技术经验。
模型地址：huggingface.co/Kwai-Klear/Klear-46B-A2.5B-Instruct
+ Hunyuan-MT 推出的多语言翻译模型与集成方案，包含 Hunyuan-MT-7B 单模型与首个开源翻译集成模型 Hunyuan-MT-Chimera，支持33种语言互译，涵盖5种中国少数民族语言 。
+ 训练流程覆盖预训练 → 继续预训练 → 监督微调 → 翻译强化学习 → 集成强化学习，系统提升模型质量与泛化能力。
+ 自研 AngleSlim 工具实现FP8与INT4量化，显著提升推理效率，降低部署门槛，无需额外训练即可量化模型。
+ 支持TensorRT-LLM、vLLM、SGLang等多种推理框架，提供Docker镜像快速部署，兼容OpenAI接口标准。
+ 丰富的提示模板覆盖中英及多语言翻译任务，方便接入transformers库，支持多节点分布式训练与微调。
Repo地址：github.com/Tencent-Hunyuan/Hunyuan-MT
+ 腾讯混元世界模型-Voyager（HunyuanWorld-Voyager）发布并开源，基于 HunyuanWorld 1.0 构建，融合了视频生成与 3D 建模技术。能够基于单张输入图像生成具有世界一致性的 3D 点云，并支持用户按照自定义的相机路径进行沉浸式世界探索。能够同时生成精确对齐的深度信息与 RGB 视频，无需后处理即可直接用于高质量三维重建。
Repo地址：github.com/Tencent-Hunyuan/HunyuanWorld-Voyager
模型地址：huggingface.co/tencent/HunyuanWorld-Voyager
技术报告：3d-models.hunyuan.tencent.com/voyager/voyager_en/assets/HYWorld_Voyager.pdf
## 5. 其他动态
1. 英伟达计划对中国市场推出新显卡 B30A 基于Blackwell 架构，售价是当前H20的2倍，性能为其6倍，最早9月向客户交付样品。
2. OpenAI 斥资11亿美金，收购了一家全新的公司Statsig，还顺便「买」了人 Statsig的CEO Vijaye Raji直接空降，成了OpenAI应用部门的新CTO。
3. CUDA 13.0 正式发布
+ 弃旧迎新：放弃 Maxwell（如 GTX 980）、Pascal（如 GTX 1080 Ti）、Volta（如 Titan V、V100）架构的离线编译支持，老旧 GPU 只能用 CUDA 12.x 工具包编译代码。
+ Windows 安装流程调整：CUDA 工具包不再内置 NVIDIA 显卡驱动，需手动安装版本≥580.xx 的驱动，确保兼容性。
+ 性能大幅提升：新增 Blackwell GPU 支持，cublas 中 FP4 gemm 性能爆发，cusolver 推出“仿真 FP32”模式；数学库关键函数（sinhf、coshf、modff）提升近 50%；Ampere 及以后架构的 MPS 服务器客户端限制从 48 提升至 60。
+ 工具链更新：nvprof 和 NVIDIA Visual Profiler 正式退场，推荐迁移至 Nsight Systems 和 Nsight Compute，样例程序需从 GitHub 自行构建，cooperative groups 相关 API 及旧版 NPP 非上下文接口被移除。
+ 开发环境要求：Ubuntu 需升级至 22.04 LTS 及以上，Visual Studio 要求 2017 版本，Intel ICC 更新至 2021.7。
详细信息：docs.nvidia.com/cuda/pdf/CUDA_Toolkit_Release_Notes.pdf
4. Deep Research Agent 训练门槛骤降，30小时H200算力即可超越Sonnet-4，开源工具助力人人可达前沿水平。
技术细节与完整教程地址：art.openpipe.ai/tutorials/open-deep-research
5. 阿里最近发布两个和AI安全有关的项目。
> “AI安全，不该是AI与用户的对抗，也不该是安全与能力的零和博弈，而应是一场共同成长的对话，希望我们离一个更负责任的AI近了一步。”
+ Oyster 系列, Alibaba-AAIG 自研的安全模型，致力于构建负责任的 AI 生态。
Repo 地址：github.com/Alibaba-AAIG/Oyster
+ Strata-Sword 阿里 AAIG 团队提出的一种多级安全评测基准，旨在更全面地评估模型在面对不同思考复杂度下的安全能力，帮助模型开发者更好地理解不同模型的安全边界。
+ 推理复杂度作为安全评估维度：定义并量化“推理复杂度”作为可评估的安全维度。
+ 分级越狱评测集构建：将15种不同的越狱攻击方法按照推理复杂度划分成3个不同的等级，包括700条越狱指令集。
+ 考虑了语言特性，针对中文和英文分别定制攻击方法，引入了三种具有中文特色的越狱攻击方法，包括藏头诗攻击、猜灯谜攻击、和汉字拆解攻击。
Repo地址：github.com/Alibaba-AAIG/Strata-Sword
## Github Repos Recommend
1. 开源的智能眼镜操作系统MentraOS，MIT 许可证。内置数十款应用。用户可享受 AI 助手、通知、翻译、屏幕镜像、字幕等功能。
Repo地址：github.com/Mentra-Community/MentraOS
2.
Googleblog
Google for Developers Blog - News about Web, Mobile, AI and Cloud
Learn how to build with Gemma 3n, a mobile-first architecture, MatFormer technology, Per-Layer Embeddings, and new audio and vision encoders.
# 2025W35 AI大模型领域精选热点 🔥
---
## 1. Google 又发布新模型 Nano banana
> 图像模型容易出爆款，前有openai和qwen-image，现在google也来了
+ 新的图像编辑模型，又名gemini-2.5-flash-image-preview，轻松实现对图片进行各种精准编辑修改（中文文字编辑不太好，但是结合qwen image 补齐）。 现在可以访问 Gemini 和 AI Studio 随时体验。模型玩法：改变图像风格、通过草图指定人物动作，同时保持极佳的人物一致性、替换图中的物品、改变图中场景的视点、抠图等等。
+ 强大的功能也可能被滥用，比如，有人可能会通过篡改图片来欺骗买家或卖家。好在 Google 已经为 Nano Banana 生成的所有图片中嵌入了隐形水印，采用的是 SynthID 技术。具体来说，水印会直接嵌在图片的像素、视频的每一帧或音频的声谱图里，文本则通过调整词语出现的概率，形成独特、可识别的模式。即使内容被裁剪、压缩、加噪或加滤镜，这些水印依然能够被检测出来。如果怀疑某些内容是 AI 生成的，可以通过 SynthID Detector 网站进行检测（目前需要加入 waitlist）。
详细介绍：blog.google/technology/ai/google-synthid-ai-content-detector
## 2. OpenAI 发布语音对话模型 gpt-realtime
+ OpenAI 正式开放其实时 API (Realtime API)，同步推出公司迄今最先进的语音对话模型 gpt-realtime，以及一系列新功能，助力开发者打造可用于生产环境的 AI 语音智能体。gpt-realtime 模型（版本号 gpt-realtime-2025-08-28）在多个方面都有显著提升：它能更好地理解并执行复杂的指令，更精准地调用外部工具，而且生成的语音听起来也更自然、更富于情感。
+ 实时 API (Realtime API) 现在支持远程 MCP 服务器，还能通过会话发起协议 (Session Initiation Protocol, SIP) 拨打电话。这意味着 AI 语音智能体能够调用更多样的工具、获取更丰富的上下文信息。
+ OpenAI 还发布了两款全新的声音：Cedar 和 Marin。这两款声音是实时 API (Realtime API) 的专属福利。与此同时，现有的八种声音也得到了更新和优化。
+ 在衡量模型推理能力的 Big Bench Audio 评测基准上，gpt-realtime 的准确率达到了 82.8%，远超其 2024 年 12 月发布的上一代模型的 65.6%。
参考地址：openai.com/index/introducing-gpt-realtime
+ OpenAI 发布了整合版 API 文档纯文本文件，助力模型的高效调用与集成。
+ 文件包含所有 LLM 指南与 API 参考，约 530k tokens（2.5MB），适合直接作为上下文输入模型或导入开发工具。
+ 统一文本格式，一次性获取完整资料库，极大提升检索与自动化处理效率。
参考地址：cdn.openai.com/API/docs/txt/llms-full.txt
## 3. Grok Code Fast 1：xAI 推出全新轻量级推理模型
> 专为 agentic 编码场景设计，将速度与经济性结合，适合追求高效迭代和多步重构的开发者。
+ 擅长 TypeScript、Python、Java、Rust、C++、Go 等主流语言，跨全栈应用表现出色
+ 每百万个输入token 0.20 美元，每百万输出token 1.50 美元，每百万个缓存的输入token 0.02 美元
+ 附带实用提示指南，帮助用户最大化利用模型能力 docs.x.ai/docs/guides/grok-code-prompt-engineering
参考地址：x.ai/news/grok-code-fast-1
## 4. vLLM：**semantic-router**
> Intelligent Mixture-of-Models Router for Efficient LLM Inference：Auto-Reasoning and Auto-Selection of Models
用于高效 LLM 推理的智能混合模型路由器，智能地将 OpenAI API 请求从定义的池中定向到最合适的后端模型。使用基于 BERT 的语义理解和分类，它优化了性能和成本效率。支持自主选择合适的模型（创意写作/代码生成/数学计算），个人隐私保护（PII检测、提示词防越狱、安全路由）等。
Repo 地址：github.com/vllm-project/semantic-router
官网地址：vllm-semantic-router.com/
## 5. 其他动态
1. Marvis-TTS 打破实时语音合成瓶颈，10秒音频样本即可克隆自然流畅的声音，支持边生成边播放，轻量级模型：量化后仅500MB，支持iOS、Android、Windows、macOS等终端本地推理，适配多平台边缘设备。目前优化英语，德语、法语、葡萄牙语、普通话支持即将上线。适用场景广泛：语音助手、内容创作、无障碍辅助、播客配音及交互式AI等。
Repo地址：github.com/Marvis-Labs/marvis-tts
2. 微软开源长时长、高表达力的TTS 模型： VibeVoice-1.5B，采用 MIT 协议，支持最长 90 分钟连续语音合成，内置 AI 生成音频免责声明和不可感知水印，强化可信度和防滥用。
模型地址：huggingface.co/microsoft/VibeVoice-1.5B Repo地址：github.com/microsoft/VibeVoice
3. 七夕跃阶星辰发布了语音对话模型Step-Audio 2 mini (7B)(输入是音频，输出也是音频，可以实现对话)，类似是GPT-realtime 的开源替代。模型地址：huggingface.co/stepfun-ai/Step-Audio-2-mini
4. 美团开源大模型LongCat-Flash，MoE 架构，总参数量达 560B，采用了创新的动态计算机制，能根据上下文需求激活 18.6 B 至 31.3 B 的参数（平均约 27B)。模型地址：huggingface.co/meituan-longcat/LongCat-Flash-Chat
5. 字节发布 OmniHuman-1.5 ，是通过音频和图像生成视频，支持双人音频驱动生成视频、支持多人场景表演、支持生成超过一分钟的视频。官方案例：omnihuman-lab.github.io/v1_5 论文地址：arxiv.org/abs/2508.19209
6. 通义发布Mobile-Agent-v3，一个基于 GUI-Owl 的跨平台多智能体框架，将复杂的任务流拆解为四个不同的智能体角色：
- 管理者（Manager Agent）： 负责进行战略规划，将用户的高级指令拆解成有序的子目标列表。
- 执行者（Worker Agent）： 负责操作执行，根据当前界面状态选择并执行最合适的子目标。
- 反思者（Reflector Agent）： 负责自我修正，对比操作意图和实际结果，判断操作是否成功并提供反馈。
- 记录员（Notetaker Agent）： 负责上下文记忆，在成功操作后提取并存储关键信息（如验证码、地址等）。
Repo地址：github.com/X-PLUG/MobileAgent
7. Qwen预告：9月qwen系列还会有一波更新。通义万相预计还要发布一个新模型 Wan2.2-S2V。
8. 据传，Apple尝试使用Google的AI模型加强自己的Siri。
9. 英伟达发布目前最强的机器人大脑平台 Jetson Thor ，采用 Blackwell GPU 并配备 128GB 内存，AI 算力 2,070TFLOPS（FP4），功耗 130W。Jetson AGX Thor 开发者套件现已上市，起售价为 3,499 美元。
## Github Repos Recommend
1. 腾讯开源 Youtu-agent 一个灵活、高性能的框架，用于构建、运行和评估自主代理。除了在基准测试中名列前茅之外，该框架还提供强大的代理功能，例如数据分析、文件处理和深入研究，所有这些都使用开源模型。
Repo地址：github.com/Tencent/Youtu-agent
2. 微软官方MCP（Model Context Protocol）服务器合集，MIT许可，社区驱动，接受贡献，配套完整的代码规范与安全政策。
Repo 地址：github.com/microsoft/mcp
3. NPU运行的大模型推理框架Lemonade
支持在 AMD 显卡和 其它AMD全家桶上运行，包括CPU以及NPU，支持 GGUF 和 ONNX 模型。
Repo地址：github.com/lemonade-sdk/lemonade
---
## 1. Google 又发布新模型 Nano banana
> 图像模型容易出爆款，前有openai和qwen-image，现在google也来了
+ 新的图像编辑模型，又名gemini-2.5-flash-image-preview，轻松实现对图片进行各种精准编辑修改（中文文字编辑不太好，但是结合qwen image 补齐）。 现在可以访问 Gemini 和 AI Studio 随时体验。模型玩法：改变图像风格、通过草图指定人物动作，同时保持极佳的人物一致性、替换图中的物品、改变图中场景的视点、抠图等等。
+ 强大的功能也可能被滥用，比如，有人可能会通过篡改图片来欺骗买家或卖家。好在 Google 已经为 Nano Banana 生成的所有图片中嵌入了隐形水印，采用的是 SynthID 技术。具体来说，水印会直接嵌在图片的像素、视频的每一帧或音频的声谱图里，文本则通过调整词语出现的概率，形成独特、可识别的模式。即使内容被裁剪、压缩、加噪或加滤镜，这些水印依然能够被检测出来。如果怀疑某些内容是 AI 生成的，可以通过 SynthID Detector 网站进行检测（目前需要加入 waitlist）。
详细介绍：blog.google/technology/ai/google-synthid-ai-content-detector
## 2. OpenAI 发布语音对话模型 gpt-realtime
+ OpenAI 正式开放其实时 API (Realtime API)，同步推出公司迄今最先进的语音对话模型 gpt-realtime，以及一系列新功能，助力开发者打造可用于生产环境的 AI 语音智能体。gpt-realtime 模型（版本号 gpt-realtime-2025-08-28）在多个方面都有显著提升：它能更好地理解并执行复杂的指令，更精准地调用外部工具，而且生成的语音听起来也更自然、更富于情感。
+ 实时 API (Realtime API) 现在支持远程 MCP 服务器，还能通过会话发起协议 (Session Initiation Protocol, SIP) 拨打电话。这意味着 AI 语音智能体能够调用更多样的工具、获取更丰富的上下文信息。
+ OpenAI 还发布了两款全新的声音：Cedar 和 Marin。这两款声音是实时 API (Realtime API) 的专属福利。与此同时，现有的八种声音也得到了更新和优化。
+ 在衡量模型推理能力的 Big Bench Audio 评测基准上，gpt-realtime 的准确率达到了 82.8%，远超其 2024 年 12 月发布的上一代模型的 65.6%。
参考地址：openai.com/index/introducing-gpt-realtime
+ OpenAI 发布了整合版 API 文档纯文本文件，助力模型的高效调用与集成。
+ 文件包含所有 LLM 指南与 API 参考，约 530k tokens（2.5MB），适合直接作为上下文输入模型或导入开发工具。
+ 统一文本格式，一次性获取完整资料库，极大提升检索与自动化处理效率。
参考地址：cdn.openai.com/API/docs/txt/llms-full.txt
## 3. Grok Code Fast 1：xAI 推出全新轻量级推理模型
> 专为 agentic 编码场景设计，将速度与经济性结合，适合追求高效迭代和多步重构的开发者。
+ 擅长 TypeScript、Python、Java、Rust、C++、Go 等主流语言，跨全栈应用表现出色
+ 每百万个输入token 0.20 美元，每百万输出token 1.50 美元，每百万个缓存的输入token 0.02 美元
+ 附带实用提示指南，帮助用户最大化利用模型能力 docs.x.ai/docs/guides/grok-code-prompt-engineering
参考地址：x.ai/news/grok-code-fast-1
## 4. vLLM：**semantic-router**
> Intelligent Mixture-of-Models Router for Efficient LLM Inference：Auto-Reasoning and Auto-Selection of Models
用于高效 LLM 推理的智能混合模型路由器，智能地将 OpenAI API 请求从定义的池中定向到最合适的后端模型。使用基于 BERT 的语义理解和分类，它优化了性能和成本效率。支持自主选择合适的模型（创意写作/代码生成/数学计算），个人隐私保护（PII检测、提示词防越狱、安全路由）等。
Repo 地址：github.com/vllm-project/semantic-router
官网地址：vllm-semantic-router.com/
## 5. 其他动态
1. Marvis-TTS 打破实时语音合成瓶颈，10秒音频样本即可克隆自然流畅的声音，支持边生成边播放，轻量级模型：量化后仅500MB，支持iOS、Android、Windows、macOS等终端本地推理，适配多平台边缘设备。目前优化英语，德语、法语、葡萄牙语、普通话支持即将上线。适用场景广泛：语音助手、内容创作、无障碍辅助、播客配音及交互式AI等。
Repo地址：github.com/Marvis-Labs/marvis-tts
2. 微软开源长时长、高表达力的TTS 模型： VibeVoice-1.5B，采用 MIT 协议，支持最长 90 分钟连续语音合成，内置 AI 生成音频免责声明和不可感知水印，强化可信度和防滥用。
模型地址：huggingface.co/microsoft/VibeVoice-1.5B Repo地址：github.com/microsoft/VibeVoice
3. 七夕跃阶星辰发布了语音对话模型Step-Audio 2 mini (7B)(输入是音频，输出也是音频，可以实现对话)，类似是GPT-realtime 的开源替代。模型地址：huggingface.co/stepfun-ai/Step-Audio-2-mini
4. 美团开源大模型LongCat-Flash，MoE 架构，总参数量达 560B，采用了创新的动态计算机制，能根据上下文需求激活 18.6 B 至 31.3 B 的参数（平均约 27B)。模型地址：huggingface.co/meituan-longcat/LongCat-Flash-Chat
5. 字节发布 OmniHuman-1.5 ，是通过音频和图像生成视频，支持双人音频驱动生成视频、支持多人场景表演、支持生成超过一分钟的视频。官方案例：omnihuman-lab.github.io/v1_5 论文地址：arxiv.org/abs/2508.19209
6. 通义发布Mobile-Agent-v3，一个基于 GUI-Owl 的跨平台多智能体框架，将复杂的任务流拆解为四个不同的智能体角色：
- 管理者（Manager Agent）： 负责进行战略规划，将用户的高级指令拆解成有序的子目标列表。
- 执行者（Worker Agent）： 负责操作执行，根据当前界面状态选择并执行最合适的子目标。
- 反思者（Reflector Agent）： 负责自我修正，对比操作意图和实际结果，判断操作是否成功并提供反馈。
- 记录员（Notetaker Agent）： 负责上下文记忆，在成功操作后提取并存储关键信息（如验证码、地址等）。
Repo地址：github.com/X-PLUG/MobileAgent
7. Qwen预告：9月qwen系列还会有一波更新。通义万相预计还要发布一个新模型 Wan2.2-S2V。
8. 据传，Apple尝试使用Google的AI模型加强自己的Siri。
9. 英伟达发布目前最强的机器人大脑平台 Jetson Thor ，采用 Blackwell GPU 并配备 128GB 内存，AI 算力 2,070TFLOPS（FP4），功耗 130W。Jetson AGX Thor 开发者套件现已上市，起售价为 3,499 美元。
## Github Repos Recommend
1. 腾讯开源 Youtu-agent 一个灵活、高性能的框架，用于构建、运行和评估自主代理。除了在基准测试中名列前茅之外，该框架还提供强大的代理功能，例如数据分析、文件处理和深入研究，所有这些都使用开源模型。
Repo地址：github.com/Tencent/Youtu-agent
2. 微软官方MCP（Model Context Protocol）服务器合集，MIT许可，社区驱动，接受贡献，配套完整的代码规范与安全政策。
Repo 地址：github.com/microsoft/mcp
3. NPU运行的大模型推理框架Lemonade
支持在 AMD 显卡和 其它AMD全家桶上运行，包括CPU以及NPU，支持 GGUF 和 ONNX 模型。
Repo地址：github.com/lemonade-sdk/lemonade
# 2025W34 AI大模型领域精选热点 🔥
---
## 1. Deepseek 更新 V3.1 模型
> 评价两极分化严重，只能期待 R2 或者 V4 了
- DeepSeek-V3.1-Base 是一个 Hybrid-Model, 可以开关思考模式（这不是Qwen 通过社区验证已经放弃了的嘛？混合模型在非推理任务上的性能损失非常严重），更新记录：api-docs.deepseek.com/zh-cn/news/news250821
- 支持了anthropic API模式，可以接入Claude code，参考文档：api-docs.deepseek.com/zh-cn/guides/anthropic_api
- 新增原生 search token 的支持
- 后续模型取消夜间优惠，涨价是始料未及的
模型地址：huggingface.co/deepseek-ai/DeepSeek-V3.1-Base
## 2. 阿里
> 感觉阿里现在得有1万个部门在搞AI
- 阿里面向全球市场发布了 Agentic 编程平台 Qoder。又一个新的叫Qoder的IDE，难道通义灵码不用了嘛？
- 内置代码检索引擎
- 支持 Repo Wiki
- 集成长短期记忆系统
- 除了提供 Ask Mode（问答模式） 和 Agent Mode（智能体模式） 之外，Qoder 新增了 Quest Mode（AI自主编程）
体验地址：qoder.com
+ qwen开源一个图片编辑模型Qwen-Image-Edit（Qwen-Image 的图像编辑版本），类似gpt-image-1和google gemini image的功能 。Qwen-Image-Edit 基于20B Qwen-Image 模型，将 Qwen-Image 独特的文本渲染功能扩展到图像编辑任务中，实现精确的文本编辑。并且支持多图 reference。实际效果很强大。
Blog地址：qwenlm.github.io/zh/blog/qwen-image-edit
体验地址：chat.qwen.ai
Repo地址: github.com/QwenLM/Qwen-Image
模型地址: huggingface.co/Qwen/Qwen-Image-Edit
## 3. 字节 Seed-OSS 系列模型开源
模型大小都是36B。这个模型的特性是可以调整思考长度（类似 GPT-OSS 调整思考长度的 low-high）. 以及针对 Agent 性能进行了优化。原生上下文长度为512K。目前从官方放出的测试数据来看，基本是30B这个规模大模型的 SOTA。
模型包括：
- Seed-OSS-36B-Base (基础模型，包含了合成指令数据的预训练版本)
- Seed-OSS-36B-Base-woSyn (基础模型的"纯净版"，没有经过合成指令数据的预训练)
- Seed-OSS-36B-Instruct (指令微调模型，适用于各种下游任务，在智能体任务和推理能力上表现比较好)
模型地址：
- huggingface.co/ByteDance-Seed/Seed-OSS-36B-Base
- huggingface.co/ByteDance-Seed/Seed-OSS-36B-Base-Instruct
- huggingface.co/ByteDance-Seed/Seed-OSS-36B-Base-woSyn
字节AI硬件OCEAN团队研发豆包手机中，中兴 ODM 代工，可能年底或明年年初内部推出
## 4. 智谱发布 AutoGLM 智能体
> 感觉像是给用户预制了1台云端虚拟手机（云手机），实际体验怎么样呢？各大应用商店下载试试吧，注意保护个人隐私
- 可能是世界上首个手机通用 Agent
- 操作全在云手机&云电脑上运行
- 全平台覆盖的客户端，IOS&安卓均支持
- 可以实现多个应用联动自动操作（点外卖、订机票）
## 5. 其他动态
1. OpenAI 7 月份营收达到了 10 亿美元。
ChatGPT Go —— 一款全新的低成本订阅计划，首先支持印度，价格为每月 399 卢比（约合 4.55 美元），会将根据用户的反馈进行学习和调整，然后再决定是否推广到其他国家。与免费版相比，Go 套餐提供了：消息上限提升 10 倍、图像生成数量提升 10 倍、文件上传数量提升 10 倍，以及记忆时长延长 2 倍
2. 马斯克宣布 grok2开源（开源弱鸡模型没人用的），模型地址：huggingface.co/xai-org/grok-2
3. 为何精神控制类Prompt远胜普通事务性Prompt：机制解析与实战指南 jieyibu.net/a/87962 github.com/linkerlin/PUAX
4. NASA 和 IBM 联合搞了个大模型——Surya-1.0 是用来预测太阳耀斑的。模型大小1.8GB左右。
模型地址：huggingface.co/nasa-ibm-ai4science/Surya-1.0
5. Google DeepMind 的研究员展示了他们在AI生成的世界里（Genie 3）训练AI 的场景。世界模型 Genie 3，能够即时想象并生成全新的世界。具身智能体 Sima 被投放到这些世界中，并能自主学习如何在其中导航。
6. 一个在线可玩的实时通用领域生成世界引擎，Mirage 2，上传图片可以变成可玩的环境，通过对话也可以改变环境。目前 Mirage 2 能够创造10分钟以上的交互视频，延迟为 200 毫秒。
体验地址：dynamicslab.ai
7. Runway 推出了通用世界模型（General World Models），能够实时生成拥有独一无二角色和故事的游戏。每一次游玩都会有不同的事件发生，甚至可以自己打造专属的故事和玩法。目前只支持图文模式。
体验地址：play.runwayml.com
8. 据称，英伟达正基于最新Blackwell架构为中国开发两款新型AI芯片：一款暂名B30A，原始算力约为其旗舰B300的一半，具备高宽带内存与NVLink技术，性能优于当前获准销售的H20，该芯片规格尚未完全确定，但英伟达计划最快下月向中国客户交付样品进行测试；另一款中国专供芯片则于今年5月被报道，暂名RTX6000D，主要用途为AI推理任务，售价低于H20，内存带宽略低于美国政府限制阈值，预计9月小批量交付。
9. Google Pixel 10 手机发布，可以本地运行 Gemini Nano 模型。手机系统的所有自带软件全部 AI 化（AI 软件场景有 AI 健康教练和 AI 修图&拍摄指导），多个系统 APP 之间的 AI 能力可以联动，输出的信息可以相互流转。除了手机之外的其他硬件产品也全部加上了 Gemini 的对话和沟通能力。新的 Pixel Watch 4 有 Gemini 驱动的健身教练能力，提供主动健身与睡眠指导及按需建议，通过“抬腕交谈”唤出 Gemini 交流。
## Github Repos Recommend
1. agent-lightning 一个智能体训练框架，由微软开源，配置使用较为简单且不受限于各种框架。
Repo 地址：github.com/microsoft/agent-lightning
2. 开源AI生成图片检测对抗工具 Image-Detection-Bypass-Utility
可以通过噪声注入、FFT 平滑、FFT 匹配、像素扰动、相机模拟等来绕过 AI 图像检测。支持 ComfyUI 工作流的接入。
Repo地址：github.com/PurinNyova/Image-Detection-Bypass-Utility
3. 类似 AI操作手机的框架 DroidRun的开源项目 mobile-use
Repo地址：github.com/minitap-ai/mobile-use
4. AgenticSeek：一个私有、本地的 Manus 替代方案
一个本地运行的 Manus AI 替代品，支持语音 AI 助手，可自主浏览网页、编写代码、规划任务，所有数据仅保存在本地设备上。
Repo地址：github.com/Fosowl/agenticSeek/
---
## 1. Deepseek 更新 V3.1 模型
> 评价两极分化严重，只能期待 R2 或者 V4 了
- DeepSeek-V3.1-Base 是一个 Hybrid-Model, 可以开关思考模式（这不是Qwen 通过社区验证已经放弃了的嘛？混合模型在非推理任务上的性能损失非常严重），更新记录：api-docs.deepseek.com/zh-cn/news/news250821
- 支持了anthropic API模式，可以接入Claude code，参考文档：api-docs.deepseek.com/zh-cn/guides/anthropic_api
- 新增原生 search token 的支持
- 后续模型取消夜间优惠，涨价是始料未及的
模型地址：huggingface.co/deepseek-ai/DeepSeek-V3.1-Base
## 2. 阿里
> 感觉阿里现在得有1万个部门在搞AI
- 阿里面向全球市场发布了 Agentic 编程平台 Qoder。又一个新的叫Qoder的IDE，难道通义灵码不用了嘛？
- 内置代码检索引擎
- 支持 Repo Wiki
- 集成长短期记忆系统
- 除了提供 Ask Mode（问答模式） 和 Agent Mode（智能体模式） 之外，Qoder 新增了 Quest Mode（AI自主编程）
体验地址：qoder.com
+ qwen开源一个图片编辑模型Qwen-Image-Edit（Qwen-Image 的图像编辑版本），类似gpt-image-1和google gemini image的功能 。Qwen-Image-Edit 基于20B Qwen-Image 模型，将 Qwen-Image 独特的文本渲染功能扩展到图像编辑任务中，实现精确的文本编辑。并且支持多图 reference。实际效果很强大。
Blog地址：qwenlm.github.io/zh/blog/qwen-image-edit
体验地址：chat.qwen.ai
Repo地址: github.com/QwenLM/Qwen-Image
模型地址: huggingface.co/Qwen/Qwen-Image-Edit
## 3. 字节 Seed-OSS 系列模型开源
模型大小都是36B。这个模型的特性是可以调整思考长度（类似 GPT-OSS 调整思考长度的 low-high）. 以及针对 Agent 性能进行了优化。原生上下文长度为512K。目前从官方放出的测试数据来看，基本是30B这个规模大模型的 SOTA。
模型包括：
- Seed-OSS-36B-Base (基础模型，包含了合成指令数据的预训练版本)
- Seed-OSS-36B-Base-woSyn (基础模型的"纯净版"，没有经过合成指令数据的预训练)
- Seed-OSS-36B-Instruct (指令微调模型，适用于各种下游任务，在智能体任务和推理能力上表现比较好)
模型地址：
- huggingface.co/ByteDance-Seed/Seed-OSS-36B-Base
- huggingface.co/ByteDance-Seed/Seed-OSS-36B-Base-Instruct
- huggingface.co/ByteDance-Seed/Seed-OSS-36B-Base-woSyn
字节AI硬件OCEAN团队研发豆包手机中，中兴 ODM 代工，可能年底或明年年初内部推出
## 4. 智谱发布 AutoGLM 智能体
> 感觉像是给用户预制了1台云端虚拟手机（云手机），实际体验怎么样呢？各大应用商店下载试试吧，注意保护个人隐私
- 可能是世界上首个手机通用 Agent
- 操作全在云手机&云电脑上运行
- 全平台覆盖的客户端，IOS&安卓均支持
- 可以实现多个应用联动自动操作（点外卖、订机票）
## 5. 其他动态
1. OpenAI 7 月份营收达到了 10 亿美元。
ChatGPT Go —— 一款全新的低成本订阅计划，首先支持印度，价格为每月 399 卢比（约合 4.55 美元），会将根据用户的反馈进行学习和调整，然后再决定是否推广到其他国家。与免费版相比，Go 套餐提供了：消息上限提升 10 倍、图像生成数量提升 10 倍、文件上传数量提升 10 倍，以及记忆时长延长 2 倍
2. 马斯克宣布 grok2开源（开源弱鸡模型没人用的），模型地址：huggingface.co/xai-org/grok-2
3. 为何精神控制类Prompt远胜普通事务性Prompt：机制解析与实战指南 jieyibu.net/a/87962 github.com/linkerlin/PUAX
4. NASA 和 IBM 联合搞了个大模型——Surya-1.0 是用来预测太阳耀斑的。模型大小1.8GB左右。
模型地址：huggingface.co/nasa-ibm-ai4science/Surya-1.0
5. Google DeepMind 的研究员展示了他们在AI生成的世界里（Genie 3）训练AI 的场景。世界模型 Genie 3，能够即时想象并生成全新的世界。具身智能体 Sima 被投放到这些世界中，并能自主学习如何在其中导航。
6. 一个在线可玩的实时通用领域生成世界引擎，Mirage 2，上传图片可以变成可玩的环境，通过对话也可以改变环境。目前 Mirage 2 能够创造10分钟以上的交互视频，延迟为 200 毫秒。
体验地址：dynamicslab.ai
7. Runway 推出了通用世界模型（General World Models），能够实时生成拥有独一无二角色和故事的游戏。每一次游玩都会有不同的事件发生，甚至可以自己打造专属的故事和玩法。目前只支持图文模式。
体验地址：play.runwayml.com
8. 据称，英伟达正基于最新Blackwell架构为中国开发两款新型AI芯片：一款暂名B30A，原始算力约为其旗舰B300的一半，具备高宽带内存与NVLink技术，性能优于当前获准销售的H20，该芯片规格尚未完全确定，但英伟达计划最快下月向中国客户交付样品进行测试；另一款中国专供芯片则于今年5月被报道，暂名RTX6000D，主要用途为AI推理任务，售价低于H20，内存带宽略低于美国政府限制阈值，预计9月小批量交付。
9. Google Pixel 10 手机发布，可以本地运行 Gemini Nano 模型。手机系统的所有自带软件全部 AI 化（AI 软件场景有 AI 健康教练和 AI 修图&拍摄指导），多个系统 APP 之间的 AI 能力可以联动，输出的信息可以相互流转。除了手机之外的其他硬件产品也全部加上了 Gemini 的对话和沟通能力。新的 Pixel Watch 4 有 Gemini 驱动的健身教练能力，提供主动健身与睡眠指导及按需建议，通过“抬腕交谈”唤出 Gemini 交流。
## Github Repos Recommend
1. agent-lightning 一个智能体训练框架，由微软开源，配置使用较为简单且不受限于各种框架。
Repo 地址：github.com/microsoft/agent-lightning
2. 开源AI生成图片检测对抗工具 Image-Detection-Bypass-Utility
可以通过噪声注入、FFT 平滑、FFT 匹配、像素扰动、相机模拟等来绕过 AI 图像检测。支持 ComfyUI 工作流的接入。
Repo地址：github.com/PurinNyova/Image-Detection-Bypass-Utility
3. 类似 AI操作手机的框架 DroidRun的开源项目 mobile-use
Repo地址：github.com/minitap-ai/mobile-use
4. AgenticSeek：一个私有、本地的 Manus 替代方案
一个本地运行的 Manus AI 替代品，支持语音 AI 助手，可自主浏览网页、编写代码、规划任务，所有数据仅保存在本地设备上。
Repo地址：github.com/Fosowl/agenticSeek/
送你一张免单卡，请通过任一方式领取
①去淘宝App搜索提取码：50H390
②点击链接领取https://m.tb.cn/h.hFziSCp?tk=4y364lSHP9q
③完整复制这条信息，打开淘宝App自动识别
①去淘宝App搜索提取码：50H390
②点击链接领取https://m.tb.cn/h.hFziSCp?tk=4y364lSHP9q
③完整复制这条信息，打开淘宝App自动识别
Flintlock - Create and manage the lifecycle of MicroVMs, backed by containerd.
https://github.com/liquidmetal-dev/flintlock
https://github.com/liquidmetal-dev/flintlock
GitHub
GitHub - liquidmetal-dev/flintlock: Lock, Stock, and Two Smoking MicroVMs. Create and manage the lifecycle of MicroVMs backed by…
Lock, Stock, and Two Smoking MicroVMs. Create and manage the lifecycle of MicroVMs backed by containerd. - liquidmetal-dev/flintlock
我就说嘛，既然 Lovable 那么火，不会没有开源版的 🤣 这就来了，不过 e2b 和 firecrawl 也还是必须项
https://github.com/mendableai/open-lovable
https://github.com/mendableai/open-lovable
GitHub
GitHub - firecrawl/open-lovable: 🔥 Clone and recreate any website as a modern React app in seconds
🔥 Clone and recreate any website as a modern React app in seconds - firecrawl/open-lovable
一个非常轻量的 coding agent 实现，无论 OpenAI 还是 Anthropic 格式的模型都可以使用，也支持在对话过程中切换模型。
这工具其实也就一般，让我注意到它的是因为它背后的公司，这家明确写了所有请求数据将在 14 天后删除（自称隐私优先）
https://github.com/synthetic-lab/octofriend
这工具其实也就一般，让我注意到它的是因为它背后的公司，这家明确写了所有请求数据将在 14 天后删除（自称隐私优先）
https://github.com/synthetic-lab/octofriend
GitHub
GitHub - synthetic-lab/octofriend: An open-source coding helper. Very friendly!
An open-source coding helper. Very friendly! Contribute to synthetic-lab/octofriend development by creating an account on GitHub.
// eip
在 cn1 region 和 cw1 region 分别有 12 个 和 9个 eip；
cn1 region 12 个
- public bastion 1个
- 3个vpc 共计 4个 nat 对应 4个
- service nlb 涉及 2个，以及备份 2个，共 4个
- testkube nlb 涉及 2个
- 空闲1个 eip
cw1 region 9 个
- service nlb 涉及 3个，以及备份 3个，共 6个
- 1个vpc 共计3个nat 对应 3个
// endpoint
cn1 region 有 33 个，其中vpc a 有16个，vpc b 有10个，vpc c 有 7个 endpoint
cw1 region 有 15 个 endpoint
// security group
cn1 region 有 29 个，其中vpc a 有17个（2个用于redis，1个用于private bastion，2个用于eks cluster，1个用于 eks node，1个用于nlb，2个用于public bastion，1个public alb，1个private alb，endpoint 1个，rds 1个，lambda 1个，default 1个，2个闲置），
vpc b 有6个 （2个用于 eks cluster，1个用于eks node，1个用于endpoint，1个用于nlb，还有1个default），
vpc c 有 6个 （2个用于 eks cluster，1个用于eks node，1个用于endpoint，1个用于nlb，还有1个default）
cw1 region 有 16个，全部属于 vpc d。
有16个（2个用于redis，2个用于eks cluster，1个用于 eks node，1个用于nlb，1个public alb，1个private alb，1个用于endpoint ，用于 rds 1个，用于 lambda 1个，default 1个，4个闲置）
// tgw 每个region 各有 1tgw，流量关系：dx-》vif-》dx gateway-》每个region 的 tgw
// service 流量关系 sdk request -> nlb ->alb -> eks
// testkube 用于执行测试 service eks 的服务
// argocd 用于执行 部署 service eks 的服务
// EC2
cn1 region 有 11 台 ec2，1台 public bastion，1台private bastion，5 台 service eks cluster，2台 testkube eks cluster，2台 argocd eks cluster
cw1 region 有5台 ec2，均属于 service eks cluster
// EBS
cn1 region 有13个 全部 in-use
cw1 region 有 5个
// snapshot 若干
// key pair 3个
// interface 122 cn1, 85 cw1
// LB cn1 6个（3个用于service（1个nlb，2个alb），1个nlb用于 testkube，1个alb用于argocd，1个闲置） cw1 有3个用于service（1个nlb，2个alb）
// targetgroup cn1 region 有14个（12个service，2个argocd）， cn1 region 有9个 （全部为service）
// 22 个 s3 bucket，其中 cn1 18个，cw1 4个
// rds
1个regional cluster，2个实例，在cw1 创建 cross region replica 同样2个节点
// redis
2个 redis cluster，每个cluster 2个实例
// lambda 8个cn1， 5个 cw1
// R53 托管一个域名用于 service 和 argocd 和 testkube
// acm 1个域名证书，用于service alb cn1 和 cw1
// waf 每个 region 各1个，关联对应的service alb
// kms 中 cn1 248个 cmk，cw1 240 个 cmk
// sm 每个 region 各4个
// cloudwatch 每个region 有 对于 ec2 ，eks ，elasticache，rds， elb 等基础监控（cpu、内存、硬盘），还有扩展监控像是
在 cn1 region 和 cw1 region 分别有 12 个 和 9个 eip；
cn1 region 12 个
- public bastion 1个
- 3个vpc 共计 4个 nat 对应 4个
- service nlb 涉及 2个，以及备份 2个，共 4个
- testkube nlb 涉及 2个
- 空闲1个 eip
cw1 region 9 个
- service nlb 涉及 3个，以及备份 3个，共 6个
- 1个vpc 共计3个nat 对应 3个
// endpoint
cn1 region 有 33 个，其中vpc a 有16个，vpc b 有10个，vpc c 有 7个 endpoint
cw1 region 有 15 个 endpoint
// security group
cn1 region 有 29 个，其中vpc a 有17个（2个用于redis，1个用于private bastion，2个用于eks cluster，1个用于 eks node，1个用于nlb，2个用于public bastion，1个public alb，1个private alb，endpoint 1个，rds 1个，lambda 1个，default 1个，2个闲置），
vpc b 有6个 （2个用于 eks cluster，1个用于eks node，1个用于endpoint，1个用于nlb，还有1个default），
vpc c 有 6个 （2个用于 eks cluster，1个用于eks node，1个用于endpoint，1个用于nlb，还有1个default）
cw1 region 有 16个，全部属于 vpc d。
有16个（2个用于redis，2个用于eks cluster，1个用于 eks node，1个用于nlb，1个public alb，1个private alb，1个用于endpoint ，用于 rds 1个，用于 lambda 1个，default 1个，4个闲置）
// tgw 每个region 各有 1tgw，流量关系：dx-》vif-》dx gateway-》每个region 的 tgw
// service 流量关系 sdk request -> nlb ->alb -> eks
// testkube 用于执行测试 service eks 的服务
// argocd 用于执行 部署 service eks 的服务
// EC2
cn1 region 有 11 台 ec2，1台 public bastion，1台private bastion，5 台 service eks cluster，2台 testkube eks cluster，2台 argocd eks cluster
cw1 region 有5台 ec2，均属于 service eks cluster
// EBS
cn1 region 有13个 全部 in-use
cw1 region 有 5个
// snapshot 若干
// key pair 3个
// interface 122 cn1, 85 cw1
// LB cn1 6个（3个用于service（1个nlb，2个alb），1个nlb用于 testkube，1个alb用于argocd，1个闲置） cw1 有3个用于service（1个nlb，2个alb）
// targetgroup cn1 region 有14个（12个service，2个argocd）， cn1 region 有9个 （全部为service）
// 22 个 s3 bucket，其中 cn1 18个，cw1 4个
// rds
1个regional cluster，2个实例，在cw1 创建 cross region replica 同样2个节点
// redis
2个 redis cluster，每个cluster 2个实例
// lambda 8个cn1， 5个 cw1
// R53 托管一个域名用于 service 和 argocd 和 testkube
// acm 1个域名证书，用于service alb cn1 和 cw1
// waf 每个 region 各1个，关联对应的service alb
// kms 中 cn1 248个 cmk，cw1 240 个 cmk
// sm 每个 region 各4个
// cloudwatch 每个region 有 对于 ec2 ，eks ，elasticache，rds， elb 等基础监控（cpu、内存、硬盘），还有扩展监控像是
// vpc a subnet
vpc-a 在 1a 和 1b 两个az，其中 1a 有8个subnet，
分别为
pub-1(10.120.12.0/24)，
pri-1(10.120.1.0/24)，
pri-2(10.120.4.0/24)，
pri-3(10.120.15.0/24)，
pri-4(10.120.31.0/24)，
pri-5(10.120.163.0/24)，
pri-6(10.120.193.0/24)。
pri-5 和 pri-6 属于 DB subnet 没有NAT，pri-5为 elastcache 使用，pri-6为rds使用；
pri-1 为 bastion 使用，pri-2 为 service eks 使用，pri-3 为 lambda 使用，private-4 为 proxy 使用，这些subnet 都有 NAT；
其中 1b 有8个subnet，
分别为
pub-1(10.120.12.0/24)，
pri-1(10.120.1.0/24)，
pri-2(10.120.4.0/24)，
pri-3(10.120.15.0/24)，
pri-4(10.120.31.0/24)，
pri-5(10.120.163.0/24)，
pri-6(10.120.193.0/24)。
pri-5 和 pri-6 属于 DB subnet 没有NAT，pri-5为 elastcache 使用，pri-6为rds使用；
pri-1 为 bastion 使用，pri-2 为 service eks 使用，pri-3 为 lambda 使用，private-4 为 proxy 使用，这些subnet 都有 NAT；
这个 vpc 有7张 route table，2个nat gateway 每个az 一个，每个 nat 关联除 public subnet 和 db private subnet外的所有子网；
有1个 IGW，关联public subnet，还有2个gateway类型 endpoint（s3 + ddb）关联除 public subnet 和 db private subnet外的所有子网；
关于 route table，其中 private 子网除 DB 子网外都有 0.0.0.0 和 gateway endpoint 2个 pl，与 vpc d 存在 peering 路由
flow logs 配置在s3 bucket， bucket 名称为 accountid-vpc-flow-logs，路径为 vpc name
// vpc b subnet
vpc-b 在 1a 和 1b 两个az，其中 1a 有2个subnet，
分别为
pub-1(10.200.12.0/24)，
pri-1(10.200.1.0/24)，
其中 pri-1 子网用于 部署 argocd 所在 eks 集群的 ec2 节点。pri-1 有 NAT， pub-1 有IGW，pri-1还有1个 s3 gateway endpoint。
其中 1b 有2个subnet，
分别为
pub-2(10.200.13.0/24)，
pri-2(10.200.2.0/24)，
其中 pri-3 子网用于 部署 argocd 所在 eks 集群的 ec2 节点。pri-3 有 NAT， pub-2 有IGW，pri-1还有1个 s3 gateway endpoint。
共计3张 route table ,其中 private 子网 有 0.0.0.0 和 gateway endpoint 1个 pl。
flow logs 配置在s3 bucket， bucket 名称为 accountid-vpc-flow-logs，路径为 vpc name
// vpc c subnet
vpc-c 在 1a 和 1b 两个az，其中 1a 有2个subnet，
分别为
pub-1(10.201.12.0/24)，
pri-1(10.201.1.0/24)，
其中 pri-1 子网用于 部署 testkube 所在 eks 集群的 ec2 节点。pri-1 有 NAT， pub-1 有IGW，pri-1还有1个 s3 gateway endpoint。
其中 1b 有2个subnet，
分别为
pub-2(10.201.13.0/24)，
pri-2(10.201.2.0/24)，
其中 pri-3 子网用于 部署 testkube 所在 eks 集群的 ec2 节点。pri-3 有 NAT， pub-2 有IGW，pri-1还有1个 s3 gateway endpoint。
共计3张 route table ,其中 private 子网 有 0.0.0.0 和 gateway endpoint 1个 pl。
flow logs 配置在s3 bucket， bucket 名称为 accountid-vpc-flow-logs，路径为 vpc name
// vpc d subnet 在 cw1 region
vpc-d 在 1a 和 1b 和 1c 三个az，其中 1a 有2个subnet，
分别为
pub-1(10.121.12.0/24)，
pri-1(10.121.1.0/24)，
pri-2(10.121.4.0/24)，
pri-3(10.121.15.0/24)，
pri-4(10.121.31.0/24)，
pri-5(10.121.163.0/24)，
pri-6(10.121.193.0/24)。
pri-5 和 pri-6 属于 DB subnet 没有NAT，pri-5为 elastcache 使用，pri-6为rds使用；
pri-1 为 bastion 使用，pri-2 为 service eks 使用，pri-3 为 lambda 使用，private-4 为 proxy 使用，这些subnet 都有 NAT；
其中 1b 有8个subnet，
分别为
pub-1(10.121.13.0/24)，
pri-1(10.121.2.0/24)，
pri-2(10.121.5.0/24)，
pri-3(10.121.16.0/24)，
pri-4(10.121.32.0/24)，
pri-5(10.121.164.0/24)，
pri-6(10.121.194.0/24)。
pri-5 和 pri-6 属于 DB subnet 没有NAT，pri-5为 elastcache 使用，pri-6为rds使用；
pri-1 为 bastion 使用，pri-2 为 service eks 使用，pri-3 为 lambda 使用，private-4 为 proxy 使用，这些subnet 都有 NAT；
其中 1b 有8个subnet，
分别为
pub-1(10.121.14.0/24)，
pri-1(10.121.3.0/24)，
pri-2(10.121.6.0/24)，
pri-3(10.121.17.0/24)，
pri-4(10.121.33.0/24)，
pri-5(10.121.165.0/24)，
pri-6(10.121.195.0/24)。
pri-5 和 pri-6 属于 DB subnet 没有NAT，pri-5为 elastcache 使用，pri-6为rds使用；
pri-1 为 bastion 使用，pri-2 为 service eks 使用，pri-3 为 lambda 使用，private-4 为 proxy 使用，这些subnet 都有 NAT；
这个 vpc 有9张 route table，2个nat gateway 每个az 一个，每个 nat 关联除 public subnet 和 db private subnet外的所有子网；
有1个 IGW，关联public subnet，还有2个gateway类型 endpoint（s3 + ddb）关联除 public subnet 和 db private subnet外的所有子网；
关于 route table，其中 private 子网除 DB 子网外都有 0.0.0.0 和 gateway endpoint 2个 pl，与 vpc a 存在 peering 路由
flow logs 配置在s3 bucket， bucket 名称为 accountid-vpc-flow-logs，路径为 vpc name
vpc-a 在 1a 和 1b 两个az，其中 1a 有8个subnet，
分别为
pub-1(10.120.12.0/24)，
pri-1(10.120.1.0/24)，
pri-2(10.120.4.0/24)，
pri-3(10.120.15.0/24)，
pri-4(10.120.31.0/24)，
pri-5(10.120.163.0/24)，
pri-6(10.120.193.0/24)。
pri-5 和 pri-6 属于 DB subnet 没有NAT，pri-5为 elastcache 使用，pri-6为rds使用；
pri-1 为 bastion 使用，pri-2 为 service eks 使用，pri-3 为 lambda 使用，private-4 为 proxy 使用，这些subnet 都有 NAT；
其中 1b 有8个subnet，
分别为
pub-1(10.120.12.0/24)，
pri-1(10.120.1.0/24)，
pri-2(10.120.4.0/24)，
pri-3(10.120.15.0/24)，
pri-4(10.120.31.0/24)，
pri-5(10.120.163.0/24)，
pri-6(10.120.193.0/24)。
pri-5 和 pri-6 属于 DB subnet 没有NAT，pri-5为 elastcache 使用，pri-6为rds使用；
pri-1 为 bastion 使用，pri-2 为 service eks 使用，pri-3 为 lambda 使用，private-4 为 proxy 使用，这些subnet 都有 NAT；
这个 vpc 有7张 route table，2个nat gateway 每个az 一个，每个 nat 关联除 public subnet 和 db private subnet外的所有子网；
有1个 IGW，关联public subnet，还有2个gateway类型 endpoint（s3 + ddb）关联除 public subnet 和 db private subnet外的所有子网；
关于 route table，其中 private 子网除 DB 子网外都有 0.0.0.0 和 gateway endpoint 2个 pl，与 vpc d 存在 peering 路由
flow logs 配置在s3 bucket， bucket 名称为 accountid-vpc-flow-logs，路径为 vpc name
// vpc b subnet
vpc-b 在 1a 和 1b 两个az，其中 1a 有2个subnet，
分别为
pub-1(10.200.12.0/24)，
pri-1(10.200.1.0/24)，
其中 pri-1 子网用于 部署 argocd 所在 eks 集群的 ec2 节点。pri-1 有 NAT， pub-1 有IGW，pri-1还有1个 s3 gateway endpoint。
其中 1b 有2个subnet，
分别为
pub-2(10.200.13.0/24)，
pri-2(10.200.2.0/24)，
其中 pri-3 子网用于 部署 argocd 所在 eks 集群的 ec2 节点。pri-3 有 NAT， pub-2 有IGW，pri-1还有1个 s3 gateway endpoint。
共计3张 route table ,其中 private 子网 有 0.0.0.0 和 gateway endpoint 1个 pl。
flow logs 配置在s3 bucket， bucket 名称为 accountid-vpc-flow-logs，路径为 vpc name
// vpc c subnet
vpc-c 在 1a 和 1b 两个az，其中 1a 有2个subnet，
分别为
pub-1(10.201.12.0/24)，
pri-1(10.201.1.0/24)，
其中 pri-1 子网用于 部署 testkube 所在 eks 集群的 ec2 节点。pri-1 有 NAT， pub-1 有IGW，pri-1还有1个 s3 gateway endpoint。
其中 1b 有2个subnet，
分别为
pub-2(10.201.13.0/24)，
pri-2(10.201.2.0/24)，
其中 pri-3 子网用于 部署 testkube 所在 eks 集群的 ec2 节点。pri-3 有 NAT， pub-2 有IGW，pri-1还有1个 s3 gateway endpoint。
共计3张 route table ,其中 private 子网 有 0.0.0.0 和 gateway endpoint 1个 pl。
flow logs 配置在s3 bucket， bucket 名称为 accountid-vpc-flow-logs，路径为 vpc name
// vpc d subnet 在 cw1 region
vpc-d 在 1a 和 1b 和 1c 三个az，其中 1a 有2个subnet，
分别为
pub-1(10.121.12.0/24)，
pri-1(10.121.1.0/24)，
pri-2(10.121.4.0/24)，
pri-3(10.121.15.0/24)，
pri-4(10.121.31.0/24)，
pri-5(10.121.163.0/24)，
pri-6(10.121.193.0/24)。
pri-5 和 pri-6 属于 DB subnet 没有NAT，pri-5为 elastcache 使用，pri-6为rds使用；
pri-1 为 bastion 使用，pri-2 为 service eks 使用，pri-3 为 lambda 使用，private-4 为 proxy 使用，这些subnet 都有 NAT；
其中 1b 有8个subnet，
分别为
pub-1(10.121.13.0/24)，
pri-1(10.121.2.0/24)，
pri-2(10.121.5.0/24)，
pri-3(10.121.16.0/24)，
pri-4(10.121.32.0/24)，
pri-5(10.121.164.0/24)，
pri-6(10.121.194.0/24)。
pri-5 和 pri-6 属于 DB subnet 没有NAT，pri-5为 elastcache 使用，pri-6为rds使用；
pri-1 为 bastion 使用，pri-2 为 service eks 使用，pri-3 为 lambda 使用，private-4 为 proxy 使用，这些subnet 都有 NAT；
其中 1b 有8个subnet，
分别为
pub-1(10.121.14.0/24)，
pri-1(10.121.3.0/24)，
pri-2(10.121.6.0/24)，
pri-3(10.121.17.0/24)，
pri-4(10.121.33.0/24)，
pri-5(10.121.165.0/24)，
pri-6(10.121.195.0/24)。
pri-5 和 pri-6 属于 DB subnet 没有NAT，pri-5为 elastcache 使用，pri-6为rds使用；
pri-1 为 bastion 使用，pri-2 为 service eks 使用，pri-3 为 lambda 使用，private-4 为 proxy 使用，这些subnet 都有 NAT；
这个 vpc 有9张 route table，2个nat gateway 每个az 一个，每个 nat 关联除 public subnet 和 db private subnet外的所有子网；
有1个 IGW，关联public subnet，还有2个gateway类型 endpoint（s3 + ddb）关联除 public subnet 和 db private subnet外的所有子网；
关于 route table，其中 private 子网除 DB 子网外都有 0.0.0.0 和 gateway endpoint 2个 pl，与 vpc a 存在 peering 路由
flow logs 配置在s3 bucket， bucket 名称为 accountid-vpc-flow-logs，路径为 vpc name
// 创建NAT网关（每个AZ一个）
MERGE (nat1a:NatGateway {id: 'nat-gw-1a', az: 'cn-north-1a'})
ON CREATE SET nat1a.accountId = '018778855179';
MERGE (nat1b:NatGateway {id: 'nat-gw-1b', az: 'cn-north-1b'})
ON CREATE SET nat1b.accountId = '018778855179';
// 创建IGW
MERGE (igw:InternetGateway {id: 'igw-1', name: 'VPC-A IGW'})
ON CREATE SET igw.accountId = '018778855179';
// 创建网关终端节点（S3和DDB）
MERGE (s3:GatewayEndpoint {id: 's3-endpoint', type: 'S3'})
ON CREATE SET s3.accountId = '018778855179';
MERGE (ddb:GatewayEndpoint {id: 'ddb-endpoint', type: 'DynamoDB'})
ON CREATE SET ddb.accountId = '018778855179';
// 将IGW关联到公共子网
MERGE (sub1a1)-[:HAS_ROUTE]->(igw);
MERGE (sub1b1)-[:HAS_ROUTE]->(igw);
// 将NAT网关关联到需要NAT的私有子网（排除DB子网）
MERGE (sub1a2)-[:HAS_ROUTE]->(nat1a); // Bastion (1a)
MERGE (sub1a3)-[:HAS_ROUTE]->(nat1a); // EKS (1a)
MERGE (sub1a4)-[:HAS_ROUTE]->(nat1a); // Lambda (1a)
MERGE (sub1a5)-[:HAS_ROUTE]->(nat1a); // Proxy (1a)
MERGE (sub1b2)-[:HAS_ROUTE]->(nat1b); // Bastion (1b)
MERGE (sub1b3)-[:HAS_ROUTE]->(nat1b); // EKS (1b)
MERGE (sub1b4)-[:HAS_ROUTE]->(nat1b); // Lambda (1b)
MERGE (sub1b5)-[:HAS_ROUTE]->(nat1b); // Proxy (1b)
// 将网关终端节点关联到除公共和DB子网外的私有子网
MERGE (sub1a2)-[:HAS_ROUTE]->(s3);
MERGE (sub1a3)-[:HAS_ROUTE]->(s3);
MERGE (sub1a4)-[:HAS_ROUTE]->(s3);
MERGE (sub1a5)-[:HAS_ROUTE]->(s3);
MERGE (sub1b2)-[:HAS_ROUTE]->(s3);
MERGE (sub1b3)-[:HAS_ROUTE]->(s3);
MERGE (sub1b4)-[:HAS_ROUTE]->(s3);
MERGE (sub1b5)-[:HAS_ROUTE]->(s3);
MERGE (sub1a2)-[:HAS_ROUTE]->(ddb);
MERGE (sub1a3)-[:HAS_ROUTE]->(ddb);
MERGE (sub1a4)-[:HAS_ROUTE]->(ddb);
MERGE (sub1a5)-[:HAS_ROUTE]->(ddb);
MERGE (sub1b2)-[:HAS_ROUTE]->(ddb);
MERGE (sub1b3)-[:HAS_ROUTE]->(ddb);
MERGE (sub1b4)-[:HAS_ROUTE]->(ddb);
MERGE (sub1b5)-[:HAS_ROUTE]->(ddb);
// 创建7个路由表（示例，可根据实际调整）
MERGE (rtb1:RouteTable {id: 'vpca-rtb-1', name: 'Public Route Table'})
ON CREATE SET rtb1.accountId = '018778855179';
MERGE (rtb2:RouteTable {id: 'vpca-rtb-2', name: 'Private Bastion Route Table'})
ON CREATE SET rtb2.accountId = '018778855179';
MERGE (rtb3:RouteTable {id: 'vpca-rtb-3', name: 'Private EKS Route Table'})
ON CREATE SET rtb3.accountId = '018778855179';
MERGE (rtb4:RouteTable {id: 'vpca-rtb-4', name: 'Private Lambda Route Table'})
ON CREATE SET rtb4.accountId = '018778855179';
MERGE (rtb5:RouteTable {id: 'vpca-rtb-5', name: 'Private Proxy Route Table'})
ON CREATE SET rtb5.accountId = '018778855179';
MERGE (rtb6:RouteTable {id: 'vpca-rtb-6', name: 'DB ElastiCache Route Table'})
ON CREATE SET rtb6.accountId = '018778855179';
MERGE (rtb7:RouteTable {id: 'vpca-rtb-7', name: 'DB RDS Route Table'})
ON CREATE SET rtb7.accountId = '018778855179';
// 将路由表关联到子网
MERGE (sub1a1)-[:ASSOCIATED_WITH]->(rtb1);
MERGE (sub1b1)-[:ASSOCIATED_WITH]->(rtb1);
MERGE (sub1a2)-[:ASSOCIATED_WITH]->(rtb2);
MERGE (sub1b2)-[:ASSOCIATED_WITH]->(rtb2);
MERGE (sub1a3)-[:ASSOCIATED_WITH]->(rtb3);
MERGE (sub1b3)-[:ASSOCIATED_WITH]->(rtb3);
MERGE (sub1a4)-[:ASSOCIATED_WITH]->(rtb4);
MERGE (sub1b4)-[:ASSOCIATED_WITH]->(rtb4);
MERGE (sub1a5)-[:ASSOCIATED_WITH]->(rtb5);
MERGE (sub1b5)-[:ASSOCIATED_WITH]->(rtb5);
MERGE (sub1a6)-[:ASSOCIATED_WITH]->(rtb6);
MERGE (sub1b6)-[:ASSOCIATED_WITH]->(rtb6);
MERGE (sub1a7)-[:ASSOCIATED_WITH]->(rtb7);
MERGE (sub1b7)-[:ASSOCIATED_WITH]->(rtb7);
MERGE (nat1a:NatGateway {id: 'nat-gw-1a', az: 'cn-north-1a'})
ON CREATE SET nat1a.accountId = '018778855179';
MERGE (nat1b:NatGateway {id: 'nat-gw-1b', az: 'cn-north-1b'})
ON CREATE SET nat1b.accountId = '018778855179';
// 创建IGW
MERGE (igw:InternetGateway {id: 'igw-1', name: 'VPC-A IGW'})
ON CREATE SET igw.accountId = '018778855179';
// 创建网关终端节点（S3和DDB）
MERGE (s3:GatewayEndpoint {id: 's3-endpoint', type: 'S3'})
ON CREATE SET s3.accountId = '018778855179';
MERGE (ddb:GatewayEndpoint {id: 'ddb-endpoint', type: 'DynamoDB'})
ON CREATE SET ddb.accountId = '018778855179';
// 将IGW关联到公共子网
MERGE (sub1a1)-[:HAS_ROUTE]->(igw);
MERGE (sub1b1)-[:HAS_ROUTE]->(igw);
// 将NAT网关关联到需要NAT的私有子网（排除DB子网）
MERGE (sub1a2)-[:HAS_ROUTE]->(nat1a); // Bastion (1a)
MERGE (sub1a3)-[:HAS_ROUTE]->(nat1a); // EKS (1a)
MERGE (sub1a4)-[:HAS_ROUTE]->(nat1a); // Lambda (1a)
MERGE (sub1a5)-[:HAS_ROUTE]->(nat1a); // Proxy (1a)
MERGE (sub1b2)-[:HAS_ROUTE]->(nat1b); // Bastion (1b)
MERGE (sub1b3)-[:HAS_ROUTE]->(nat1b); // EKS (1b)
MERGE (sub1b4)-[:HAS_ROUTE]->(nat1b); // Lambda (1b)
MERGE (sub1b5)-[:HAS_ROUTE]->(nat1b); // Proxy (1b)
// 将网关终端节点关联到除公共和DB子网外的私有子网
MERGE (sub1a2)-[:HAS_ROUTE]->(s3);
MERGE (sub1a3)-[:HAS_ROUTE]->(s3);
MERGE (sub1a4)-[:HAS_ROUTE]->(s3);
MERGE (sub1a5)-[:HAS_ROUTE]->(s3);
MERGE (sub1b2)-[:HAS_ROUTE]->(s3);
MERGE (sub1b3)-[:HAS_ROUTE]->(s3);
MERGE (sub1b4)-[:HAS_ROUTE]->(s3);
MERGE (sub1b5)-[:HAS_ROUTE]->(s3);
MERGE (sub1a2)-[:HAS_ROUTE]->(ddb);
MERGE (sub1a3)-[:HAS_ROUTE]->(ddb);
MERGE (sub1a4)-[:HAS_ROUTE]->(ddb);
MERGE (sub1a5)-[:HAS_ROUTE]->(ddb);
MERGE (sub1b2)-[:HAS_ROUTE]->(ddb);
MERGE (sub1b3)-[:HAS_ROUTE]->(ddb);
MERGE (sub1b4)-[:HAS_ROUTE]->(ddb);
MERGE (sub1b5)-[:HAS_ROUTE]->(ddb);
// 创建7个路由表（示例，可根据实际调整）
MERGE (rtb1:RouteTable {id: 'vpca-rtb-1', name: 'Public Route Table'})
ON CREATE SET rtb1.accountId = '018778855179';
MERGE (rtb2:RouteTable {id: 'vpca-rtb-2', name: 'Private Bastion Route Table'})
ON CREATE SET rtb2.accountId = '018778855179';
MERGE (rtb3:RouteTable {id: 'vpca-rtb-3', name: 'Private EKS Route Table'})
ON CREATE SET rtb3.accountId = '018778855179';
MERGE (rtb4:RouteTable {id: 'vpca-rtb-4', name: 'Private Lambda Route Table'})
ON CREATE SET rtb4.accountId = '018778855179';
MERGE (rtb5:RouteTable {id: 'vpca-rtb-5', name: 'Private Proxy Route Table'})
ON CREATE SET rtb5.accountId = '018778855179';
MERGE (rtb6:RouteTable {id: 'vpca-rtb-6', name: 'DB ElastiCache Route Table'})
ON CREATE SET rtb6.accountId = '018778855179';
MERGE (rtb7:RouteTable {id: 'vpca-rtb-7', name: 'DB RDS Route Table'})
ON CREATE SET rtb7.accountId = '018778855179';
// 将路由表关联到子网
MERGE (sub1a1)-[:ASSOCIATED_WITH]->(rtb1);
MERGE (sub1b1)-[:ASSOCIATED_WITH]->(rtb1);
MERGE (sub1a2)-[:ASSOCIATED_WITH]->(rtb2);
MERGE (sub1b2)-[:ASSOCIATED_WITH]->(rtb2);
MERGE (sub1a3)-[:ASSOCIATED_WITH]->(rtb3);
MERGE (sub1b3)-[:ASSOCIATED_WITH]->(rtb3);
MERGE (sub1a4)-[:ASSOCIATED_WITH]->(rtb4);
MERGE (sub1b4)-[:ASSOCIATED_WITH]->(rtb4);
MERGE (sub1a5)-[:ASSOCIATED_WITH]->(rtb5);
MERGE (sub1b5)-[:ASSOCIATED_WITH]->(rtb5);
MERGE (sub1a6)-[:ASSOCIATED_WITH]->(rtb6);
MERGE (sub1b6)-[:ASSOCIATED_WITH]->(rtb6);
MERGE (sub1a7)-[:ASSOCIATED_WITH]->(rtb7);
MERGE (sub1b7)-[:ASSOCIATED_WITH]->(rtb7);
ON CREATE SET sub1a2.accountId = '018778855179';
MERGE (sub1a3:Subnet {subnetId: 'pri-3', cidr: '10.120.4.0/24', type: 'private', purpose: 'eks', az: 'cn-north-1a'})
ON CREATE SET sub1a3.accountId = '018778855179';
MERGE (sub1a4:Subnet {subnetId: 'pri-5', cidr: '10.120.15.0/24', type: 'private', purpose: 'lambda', az: 'cn-north-1a'})
ON CREATE SET sub1a4.accountId = '018778855179';
MERGE (sub1a5:Subnet {subnetId: 'pri-7', cidr: '10.120.31.0/24', type: 'private', purpose: 'proxy', az: 'cn-north-1a'})
ON CREATE SET sub1a5.accountId = '018778855179';
MERGE (sub1a6:Subnet {subnetId: 'pri-9', cidr: '10.120.163.0/24', type: 'private', purpose: 'elastcache', az: 'cn-north-1a'})
ON CREATE SET sub1a6.accountId = '018778855179';
MERGE (sub1a7:Subnet {subnetId: 'pri-11', cidr: '10.120.193.0/24', type: 'private', purpose: 'rds', az: 'cn-north-1a'})
ON CREATE SET sub1a7.accountId = '018778855179';
// 创建子网（1b AZ）
MERGE (sub1b1:Subnet {subnetId: 'pub-2', cidr: '10.120.13.0/24', type: 'public', az: 'cn-north-1b'})
ON CREATE SET sub1b1.accountId = '018778855179';
MERGE (sub1b2:Subnet {subnetId: 'pri-2', cidr: '10.120.2.0/24', type: 'private', purpose: 'bastion', az: 'cn-north-1b'})
ON CREATE SET sub1b2.accountId = '018778855179';
MERGE (sub1b3:Subnet {subnetId: 'pri-4', cidr: '10.120.3.0/24', type: 'private', purpose: 'eks', az: 'cn-north-1b'})
ON CREATE SET sub1b3.accountId = '018778855179';
MERGE (sub1b4:Subnet {subnetId: 'pri-6', cidr: '10.120.16.0/24', type: 'private', purpose: 'lambda', az: 'cn-north-1b'})
ON CREATE SET sub1b4.accountId = '018778855179';
MERGE (sub1b5:Subnet {subnetId: 'pri-8', cidr: '10.120.32.0/24', type: 'private', purpose: 'proxy', az: 'cn-north-1b'})
ON CREATE SET sub1b5.accountId = '018778855179';
MERGE (sub1b6:Subnet {subnetId: 'pri-10', cidr: '10.120.161.0/24', type: 'private', purpose: 'elastcache', az: 'cn-north-1b'})
ON CREATE SET sub1b6.accountId = '018778855179';
MERGE (sub1b7:Subnet {subnetId: 'pri-12', cidr: '10.120.194.0/24', type: 'private', purpose: 'rds', az: 'cn-north-1b'})
ON CREATE SET sub1b7.accountId = '018778855179';
// 子网与VPC和AZ的关系
MERGE (vpcA)-[:CONTAINS]->(sub1a1);
MERGE (vpcA)-[:CONTAINS]->(sub1a2);
MERGE (vpcA)-[:CONTAINS]->(sub1a3);
MERGE (vpcA)-[:CONTAINS]->(sub1a4);
MERGE (vpcA)-[:CONTAINS]->(sub1a5);
MERGE (vpcA)-[:CONTAINS]->(sub1a6);
MERGE (vpcA)-[:CONTAINS]->(sub1a7);
MERGE (vpcA)-[:CONTAINS]->(sub1b1);
MERGE (vpcA)-[:CONTAINS]->(sub1b2);
MERGE (vpcA)-[:CONTAINS]->(sub1b3);
MERGE (vpcA)-[:CONTAINS]->(sub1b4);
MERGE (vpcA)-[:CONTAINS]->(sub1b5);
MERGE (vpcA)-[:CONTAINS]->(sub1b6);
MERGE (vpcA)-[:CONTAINS]->(sub1b7);
MERGE (az1a)-[:HAS_SUBNET]->(sub1a1);
MERGE (az1a)-[:HAS_SUBNET]->(sub1a2);
MERGE (az1a)-[:HAS_SUBNET]->(sub1a3);
MERGE (az1a)-[:HAS_SUBNET]->(sub1a4);
MERGE (az1a)-[:HAS_SUBNET]->(sub1a5);
MERGE (az1a)-[:HAS_SUBNET]->(sub1a6);
MERGE (az1a)-[:HAS_SUBNET]->(sub1a7);
MERGE (az1b)-[:HAS_SUBNET]->(sub1b1);
MERGE (az1b)-[:HAS_SUBNET]->(sub1b2);
MERGE (az1b)-[:HAS_SUBNET]->(sub1b3);
MERGE (az1b)-[:HAS_SUBNET]->(sub1b4);
MERGE (az1b)-[:HAS_SUBNET]->(sub1b5);
MERGE (az1b)-[:HAS_SUBNET]->(sub1b6);
MERGE (az1b)-[:HAS_SUBNET]->(sub1b7);
MERGE (sub1a3:Subnet {subnetId: 'pri-3', cidr: '10.120.4.0/24', type: 'private', purpose: 'eks', az: 'cn-north-1a'})
ON CREATE SET sub1a3.accountId = '018778855179';
MERGE (sub1a4:Subnet {subnetId: 'pri-5', cidr: '10.120.15.0/24', type: 'private', purpose: 'lambda', az: 'cn-north-1a'})
ON CREATE SET sub1a4.accountId = '018778855179';
MERGE (sub1a5:Subnet {subnetId: 'pri-7', cidr: '10.120.31.0/24', type: 'private', purpose: 'proxy', az: 'cn-north-1a'})
ON CREATE SET sub1a5.accountId = '018778855179';
MERGE (sub1a6:Subnet {subnetId: 'pri-9', cidr: '10.120.163.0/24', type: 'private', purpose: 'elastcache', az: 'cn-north-1a'})
ON CREATE SET sub1a6.accountId = '018778855179';
MERGE (sub1a7:Subnet {subnetId: 'pri-11', cidr: '10.120.193.0/24', type: 'private', purpose: 'rds', az: 'cn-north-1a'})
ON CREATE SET sub1a7.accountId = '018778855179';
// 创建子网（1b AZ）
MERGE (sub1b1:Subnet {subnetId: 'pub-2', cidr: '10.120.13.0/24', type: 'public', az: 'cn-north-1b'})
ON CREATE SET sub1b1.accountId = '018778855179';
MERGE (sub1b2:Subnet {subnetId: 'pri-2', cidr: '10.120.2.0/24', type: 'private', purpose: 'bastion', az: 'cn-north-1b'})
ON CREATE SET sub1b2.accountId = '018778855179';
MERGE (sub1b3:Subnet {subnetId: 'pri-4', cidr: '10.120.3.0/24', type: 'private', purpose: 'eks', az: 'cn-north-1b'})
ON CREATE SET sub1b3.accountId = '018778855179';
MERGE (sub1b4:Subnet {subnetId: 'pri-6', cidr: '10.120.16.0/24', type: 'private', purpose: 'lambda', az: 'cn-north-1b'})
ON CREATE SET sub1b4.accountId = '018778855179';
MERGE (sub1b5:Subnet {subnetId: 'pri-8', cidr: '10.120.32.0/24', type: 'private', purpose: 'proxy', az: 'cn-north-1b'})
ON CREATE SET sub1b5.accountId = '018778855179';
MERGE (sub1b6:Subnet {subnetId: 'pri-10', cidr: '10.120.161.0/24', type: 'private', purpose: 'elastcache', az: 'cn-north-1b'})
ON CREATE SET sub1b6.accountId = '018778855179';
MERGE (sub1b7:Subnet {subnetId: 'pri-12', cidr: '10.120.194.0/24', type: 'private', purpose: 'rds', az: 'cn-north-1b'})
ON CREATE SET sub1b7.accountId = '018778855179';
// 子网与VPC和AZ的关系
MERGE (vpcA)-[:CONTAINS]->(sub1a1);
MERGE (vpcA)-[:CONTAINS]->(sub1a2);
MERGE (vpcA)-[:CONTAINS]->(sub1a3);
MERGE (vpcA)-[:CONTAINS]->(sub1a4);
MERGE (vpcA)-[:CONTAINS]->(sub1a5);
MERGE (vpcA)-[:CONTAINS]->(sub1a6);
MERGE (vpcA)-[:CONTAINS]->(sub1a7);
MERGE (vpcA)-[:CONTAINS]->(sub1b1);
MERGE (vpcA)-[:CONTAINS]->(sub1b2);
MERGE (vpcA)-[:CONTAINS]->(sub1b3);
MERGE (vpcA)-[:CONTAINS]->(sub1b4);
MERGE (vpcA)-[:CONTAINS]->(sub1b5);
MERGE (vpcA)-[:CONTAINS]->(sub1b6);
MERGE (vpcA)-[:CONTAINS]->(sub1b7);
MERGE (az1a)-[:HAS_SUBNET]->(sub1a1);
MERGE (az1a)-[:HAS_SUBNET]->(sub1a2);
MERGE (az1a)-[:HAS_SUBNET]->(sub1a3);
MERGE (az1a)-[:HAS_SUBNET]->(sub1a4);
MERGE (az1a)-[:HAS_SUBNET]->(sub1a5);
MERGE (az1a)-[:HAS_SUBNET]->(sub1a6);
MERGE (az1a)-[:HAS_SUBNET]->(sub1a7);
MERGE (az1b)-[:HAS_SUBNET]->(sub1b1);
MERGE (az1b)-[:HAS_SUBNET]->(sub1b2);
MERGE (az1b)-[:HAS_SUBNET]->(sub1b3);
MERGE (az1b)-[:HAS_SUBNET]->(sub1b4);
MERGE (az1b)-[:HAS_SUBNET]->(sub1b5);
MERGE (az1b)-[:HAS_SUBNET]->(sub1b6);
MERGE (az1b)-[:HAS_SUBNET]->(sub1b7);
// Accounts
MERGE (accDev:AwsAccount {accountId: '018777506747'})
ON CREATE SET accDev.name = 'dev';
MERGE (accQa:AwsAccount {accountId: '018778761706'})
ON CREATE SET accQa.name = 'qa';
MERGE (accPrd:AwsAccount {accountId: '018778855179'})
ON CREATE SET accPrd.name = 'prd';
// Regions
MERGE (cn1:AwsRegion {name: 'cn-north-1'});
MERGE (cw1:AwsRegion {name: 'cn-northwest-1'});
// Region to Account relationships
MERGE (cn1)-[:IN_ACCOUNT]->(accDev); // cn-north-1 in dev account
MERGE (cw1)-[:IN_ACCOUNT]->(accDev); // cn-northwest-1 in dev account
MERGE (cn1)-[:IN_ACCOUNT]->(accQa); // cn-north-1 in qa account
MERGE (cw1)-[:IN_ACCOUNT]->(accQa); // cn-northwest-1 in qa account
MERGE (cn1)-[:IN_ACCOUNT]->(accPrd); // cn-north-1 in prd account
MERGE (cw1)-[:IN_ACCOUNT]->(accPrd); // cn-northwest-1 in prd account
// VPCs in Beijing (cn-north-1)
MERGE (vpcA:Vpc {vpcId: 'vpc-a', name: 'vpc-a', cidr: '10.120.0.0/16'})
ON CREATE SET vpcA.accountId = '018777506747';
MERGE (vpcA)-[:IN_REGION]->(cn1);
MERGE (vpcB:Vpc {vpcId: 'vpc-b', name: 'vpc-b', cidr: '10.200.0.0/16'})
ON CREATE SET vpcB.accountId = '018777506747';
MERGE (vpcB)-[:IN_REGION]->(cn1);
MERGE (vpcC:Vpc {vpcId: 'vpc-c', name: 'vpc-c', cidr: '10.201.0.0/16'})
ON CREATE SET vpcC.accountId = '018777506747';
MERGE (vpcC)-[:IN_REGION]->(cn1);
// VPC in Ningxia (cn-northwest-1)
MERGE (vpcD:Vpc {vpcId: 'vpc-d', name: 'vpc-d', cidr: '10.121.0.0/16'})
ON CREATE SET vpcD.accountId = '018777506747';
MERGE (vpcC)-[:IN_REGION]->(cw1);
// VPCs in Beijing (cn-north-1)
MERGE (vpcA:Vpc {vpcId: 'vpc-a', name: 'vpc-a', cidr: '10.120.0.0/16'})
ON CREATE SET vpcA.accountId = '018778761706';
MERGE (vpcA)-[:IN_REGION]->(cn1);
MERGE (vpcB:Vpc {vpcId: 'vpc-b', name: 'vpc-b', cidr: '10.200.0.0/16'})
ON CREATE SET vpcB.accountId = '018778761706';
MERGE (vpcB)-[:IN_REGION]->(cn1);
MERGE (vpcC:Vpc {vpcId: 'vpc-c', name: 'vpc-c', cidr: '10.201.0.0/16'})
ON CREATE SET vpcC.accountId = '018778761706';
MERGE (vpcC)-[:IN_REGION]->(cn1);
// VPC in Ningxia (cn-northwest-1)
MERGE (vpcD:Vpc {vpcId: 'vpc-d', name: 'vpc-d', cidr: '10.121.0.0/16'})
ON CREATE SET vpcD.accountId = '018778761706';
MERGE (vpcC)-[:IN_REGION]->(cw1);
// VPCs in Beijing (cn-north-1)
MERGE (vpcA:Vpc {vpcId: 'vpc-a', name: 'vpc-a', cidr: '10.120.0.0/16'})
ON CREATE SET vpcA.accountId = '018778855179';
MERGE (vpcA)-[:IN_REGION]->(cn1);
MERGE (vpcB:Vpc {vpcId: 'vpc-b', name: 'vpc-b', cidr: '10.200.0.0/16'})
ON CREATE SET vpcB.accountId = '018778855179';
MERGE (vpcB)-[:IN_REGION]->(cn1);
MERGE (vpcC:Vpc {vpcId: 'vpc-c', name: 'vpc-c', cidr: '10.201.0.0/16'})
ON CREATE SET vpcC.accountId = '018778855179';
MERGE (vpcC)-[:IN_REGION]->(cn1);
// VPC in Ningxia (cn-northwest-1)
MERGE (vpcD:Vpc {vpcId: 'vpc-d', name: 'vpc-d', cidr: '10.121.0.0/16'})
ON CREATE SET vpcD.accountId = '018778855179';
MERGE (vpcC)-[:IN_REGION]->(cw1);
// 创建AZ节点
MERGE (az1a:Az {name: 'cn-north-1a'});
MERGE (az1b:Az {name: 'cn-north-1b'});
MERGE (az2a:Az {name: 'cn-northwest-1a'});
MERGE (az2b:Az {name: 'cn-northwest-1b'});
MERGE (az2c:Az {name: 'cn-northwest-1c'});
// 创建AZ到VPC-A的关系
MERGE (vpcA)-[:HAS_AZ]->(az1a);
MERGE (vpcA)-[:HAS_AZ]->(az1b);
// 创建AZ到VPC-B的关系
MERGE (vpcB)-[:HAS_AZ]->(az1a);
MERGE (vpcB)-[:HAS_AZ]->(az1b);
// 创建AZ到VPC-C的关系
MERGE (vpcC)-[:HAS_AZ]->(az1a);
MERGE (vpcC)-[:HAS_AZ]->(az1b);
// 创建AZ到VPC-D的关系
MERGE (vpcD)-[:HAS_AZ]->(az2a);
MERGE (vpcD)-[:HAS_AZ]->(az2b);
MERGE (vpcD)-[:HAS_AZ]->(az2c);
// 创建子网（1a AZ）
MERGE (sub1a1:Subnet {subnetId: 'pub-1', cidr: '10.120.12.0/24', type: 'public', az: 'cn-north-1a'})
ON CREATE SET sub1a1.accountId = '018778855179';
MERGE (sub1a2:Subnet {subnetId: 'pri-1', cidr: '10.120.1.0/24', type: 'private', purpose: 'bastion', az: 'cn-north-1a'})
MERGE (accDev:AwsAccount {accountId: '018777506747'})
ON CREATE SET accDev.name = 'dev';
MERGE (accQa:AwsAccount {accountId: '018778761706'})
ON CREATE SET accQa.name = 'qa';
MERGE (accPrd:AwsAccount {accountId: '018778855179'})
ON CREATE SET accPrd.name = 'prd';
// Regions
MERGE (cn1:AwsRegion {name: 'cn-north-1'});
MERGE (cw1:AwsRegion {name: 'cn-northwest-1'});
// Region to Account relationships
MERGE (cn1)-[:IN_ACCOUNT]->(accDev); // cn-north-1 in dev account
MERGE (cw1)-[:IN_ACCOUNT]->(accDev); // cn-northwest-1 in dev account
MERGE (cn1)-[:IN_ACCOUNT]->(accQa); // cn-north-1 in qa account
MERGE (cw1)-[:IN_ACCOUNT]->(accQa); // cn-northwest-1 in qa account
MERGE (cn1)-[:IN_ACCOUNT]->(accPrd); // cn-north-1 in prd account
MERGE (cw1)-[:IN_ACCOUNT]->(accPrd); // cn-northwest-1 in prd account
// VPCs in Beijing (cn-north-1)
MERGE (vpcA:Vpc {vpcId: 'vpc-a', name: 'vpc-a', cidr: '10.120.0.0/16'})
ON CREATE SET vpcA.accountId = '018777506747';
MERGE (vpcA)-[:IN_REGION]->(cn1);
MERGE (vpcB:Vpc {vpcId: 'vpc-b', name: 'vpc-b', cidr: '10.200.0.0/16'})
ON CREATE SET vpcB.accountId = '018777506747';
MERGE (vpcB)-[:IN_REGION]->(cn1);
MERGE (vpcC:Vpc {vpcId: 'vpc-c', name: 'vpc-c', cidr: '10.201.0.0/16'})
ON CREATE SET vpcC.accountId = '018777506747';
MERGE (vpcC)-[:IN_REGION]->(cn1);
// VPC in Ningxia (cn-northwest-1)
MERGE (vpcD:Vpc {vpcId: 'vpc-d', name: 'vpc-d', cidr: '10.121.0.0/16'})
ON CREATE SET vpcD.accountId = '018777506747';
MERGE (vpcC)-[:IN_REGION]->(cw1);
// VPCs in Beijing (cn-north-1)
MERGE (vpcA:Vpc {vpcId: 'vpc-a', name: 'vpc-a', cidr: '10.120.0.0/16'})
ON CREATE SET vpcA.accountId = '018778761706';
MERGE (vpcA)-[:IN_REGION]->(cn1);
MERGE (vpcB:Vpc {vpcId: 'vpc-b', name: 'vpc-b', cidr: '10.200.0.0/16'})
ON CREATE SET vpcB.accountId = '018778761706';
MERGE (vpcB)-[:IN_REGION]->(cn1);
MERGE (vpcC:Vpc {vpcId: 'vpc-c', name: 'vpc-c', cidr: '10.201.0.0/16'})
ON CREATE SET vpcC.accountId = '018778761706';
MERGE (vpcC)-[:IN_REGION]->(cn1);
// VPC in Ningxia (cn-northwest-1)
MERGE (vpcD:Vpc {vpcId: 'vpc-d', name: 'vpc-d', cidr: '10.121.0.0/16'})
ON CREATE SET vpcD.accountId = '018778761706';
MERGE (vpcC)-[:IN_REGION]->(cw1);
// VPCs in Beijing (cn-north-1)
MERGE (vpcA:Vpc {vpcId: 'vpc-a', name: 'vpc-a', cidr: '10.120.0.0/16'})
ON CREATE SET vpcA.accountId = '018778855179';
MERGE (vpcA)-[:IN_REGION]->(cn1);
MERGE (vpcB:Vpc {vpcId: 'vpc-b', name: 'vpc-b', cidr: '10.200.0.0/16'})
ON CREATE SET vpcB.accountId = '018778855179';
MERGE (vpcB)-[:IN_REGION]->(cn1);
MERGE (vpcC:Vpc {vpcId: 'vpc-c', name: 'vpc-c', cidr: '10.201.0.0/16'})
ON CREATE SET vpcC.accountId = '018778855179';
MERGE (vpcC)-[:IN_REGION]->(cn1);
// VPC in Ningxia (cn-northwest-1)
MERGE (vpcD:Vpc {vpcId: 'vpc-d', name: 'vpc-d', cidr: '10.121.0.0/16'})
ON CREATE SET vpcD.accountId = '018778855179';
MERGE (vpcC)-[:IN_REGION]->(cw1);
// 创建AZ节点
MERGE (az1a:Az {name: 'cn-north-1a'});
MERGE (az1b:Az {name: 'cn-north-1b'});
MERGE (az2a:Az {name: 'cn-northwest-1a'});
MERGE (az2b:Az {name: 'cn-northwest-1b'});
MERGE (az2c:Az {name: 'cn-northwest-1c'});
// 创建AZ到VPC-A的关系
MERGE (vpcA)-[:HAS_AZ]->(az1a);
MERGE (vpcA)-[:HAS_AZ]->(az1b);
// 创建AZ到VPC-B的关系
MERGE (vpcB)-[:HAS_AZ]->(az1a);
MERGE (vpcB)-[:HAS_AZ]->(az1b);
// 创建AZ到VPC-C的关系
MERGE (vpcC)-[:HAS_AZ]->(az1a);
MERGE (vpcC)-[:HAS_AZ]->(az1b);
// 创建AZ到VPC-D的关系
MERGE (vpcD)-[:HAS_AZ]->(az2a);
MERGE (vpcD)-[:HAS_AZ]->(az2b);
MERGE (vpcD)-[:HAS_AZ]->(az2c);
// 创建子网（1a AZ）
MERGE (sub1a1:Subnet {subnetId: 'pub-1', cidr: '10.120.12.0/24', type: 'public', az: 'cn-north-1a'})
ON CREATE SET sub1a1.accountId = '018778855179';
MERGE (sub1a2:Subnet {subnetId: 'pri-1', cidr: '10.120.1.0/24', type: 'private', purpose: 'bastion', az: 'cn-north-1a'})
# 2025W33 AI大模型领域精选热点 🔥
---
## 1. Google
> 全能战士：生成视频的模型 veo3，生成图像的 imagen 4，生成音乐的 lyria，用来生成语音的 chirp，还有 gemini 系列模型以及开源的gemma系列。感觉是不是可以替代好莱坞了？
+ 发布 Gemma-3-270M 一个多模态模型，能接受文本和图片输入，并且输出文本。输入图片会标准化为 896 x 896 分辨率。这种大小的模型通常可以放在移动端设备运行。Gemma 3 270M 与 Qwen3 0.6B 架构对比，需要注意的是 Gemma3-270M 只有4个注意力头，Qwen3-0.6B 有16个。通常注意力头多泛化能力会强，相应的复杂任务能力、长距离依赖关系处理也会更好。当然计算成本也高。
模型地址：huggingface.co/google/gemma-3-270m
+ 正式发布上线 Imagen 4 模型，其在文字渲染方面，精准度再创新高，媲美专业排版。美中不足不支持中文！aistudio 可体验。
+ 据报道，在Google和IBM推动下，接近实用的量子计算离实用越来越近了
+ 谷歌开发者大会2025 在上海举行，主题全部与ai相关。带来的除去模型、IDE等更新外，还有需要有趣的demo（）
## 2. Meta
Meta推出 DINOv3，DINOv3 是采用自监督学习（SSL）训练的先进计算机视觉模型，能够生成强大且高分辨率的图像特征。相比上一版本，Meta 将无监督训练扩展到 **70 亿参数**的模型和 17 亿张图像数据集。
目前模型、代码以及技术报告均已经开源：
模型地址：huggingface.co/collections/facebook/dinov3-68924841bd6b561778e31009
Repo地址：github.com/facebookresearch/dinov3
技术报告：ai.meta.com/research/publications/dinov3
## 3. 阿里
1. Wan2.2-I2V-Flash 正式上线！图生视频可以更“轻快”，相比Wan2.1，Wan2.2-I2V-Flash推理速度提升12倍，创作效率跃升。阿里的开源 AI 视频模型 Wan 2.2 火出圈了，尤其是在某些灰产领域。
2. 阿里首个多模态 Agent「WebWatcher」开源发布，看图识别、读文理解、跨网页追踪。论文：arxiv.org/abs/2508.05748，repo 地址：github.com/Alibaba-NLP/WebAgent
3. 桌面端移动端的 Qwen Chat 已上线，支持 MCP，有兴趣可以体验 qwen.ai/download
## 4. 腾讯开源世界模型和框架
+ 一个交互式视频生成的基础框架 Yan，是目前分辨率最高的1080p 60帧，比 Google 的 Genie 3 (720p 24帧) 还要高。它包括三个核心模块：Yan-Sim、Yan-Gen 和 Yan-Edit。
+ Yan-Sim 可以对交互式视频环境进行高质量模拟;
+ Yan-Gen 以文本和图像为提示，生成具有很强泛化性的交互式视频;
+ Yan-Edit 支持多粒度、实时编辑交互式视频内容，通过基于文本的交互实现多粒度的视频内容编辑，涵盖结构编辑（例如，添加可交互对象）和风格编辑（例如，更改对象的颜色和纹理）。
地址：greatx3.github.io/Yan
+ Hunyuan-GameCraft 开源，一种用于游戏环境中高动态交互式视频生成的新颖框架（照片生成游戏），在大模型生成的“游戏视频”里面进行自由机位移动！该模型在包含 100 多款 AAA 游戏的 **100 多万**个游戏记录的大规模数据集上进行训练，确保广泛的覆盖范围和多样性，然后在经过仔细注释的合成数据集上进行微调，以提高精度和控制力。 精心策划的游戏场景数据显著提高了视觉保真度、真实感和动作可控性。 大量实验表明，Hunyuan-GameCraft 的性能明显优于现有模型，提高了交互式游戏视频生成的真实感和可玩性。
地址：hunyuan-gamecraft.github.io
## 5. 其他动态
1. OpenAI 发布一些的教程，包括提示词指南，新的参数和工具，如何使用 GPT-5 写前端，使用他们的新提示词优化器。感兴趣可以看看：cookbook.openai.com
2. Anthropic 宣布 Claude-Sonnet-4 支持一百万上下文了！（价格能降一降就更好了）
3. 昆仑万维（Skywork）发布并开源世界模型 Matrix-Game 2.0模型，可以看作是谷歌Genie 3的开源版，该模型能够以 25 FPS 的超快速度跨不同场景生成高质量的分钟级视频。
4. 又一个开源世界模型 Matrix-Game 2.0，模型只有 1.8B, 然后能生成25帧的游戏场景，实时的通过WASD按键来玩这个AI脑补出来的游戏。并且能生成1分钟左右（分辨率较低）。模型地址：huggingface.co/Skywork/Matrix-Game-2.0
5. 微软提出一种AI专用的标记语言 POML：提示词编排标记语言（感觉像是换皮的xml）。旨在为大型语言模型（LLMs）的高级提示工程带来结构化、可维护性和多功能性。它目标是解决提示开发中的常见挑战，如缺乏结构、复杂的数据集成、格式敏感性和工具不足。Repo地址：github.com/microsoft/poml
6. 智谱开源视觉语言大模型GLM-4.5V（模型参数106B总参数，12B激活），图像识别能力非常强，可以直接做灰产了。能够通过截屏、录屏等方式获取PC屏幕上的视觉信息。
模型地址：huggingface.co/zai-org/GLM-4.5V
论文地址: huggingface.co/papers/2507.01006
Repo地址: github.com/zai-org/GLM-V/
7. 2025世界人形机器人运动会贡献多个机器人名场面。地址：whrgoc.com/news
## Github Repos Recommend
1. SQLBot：基于大模型与 RAG 技术的智能问数系统，助力企业轻松实现高质量 text2sql 转换。
Repo 地址：github.com/dataease/SQLBot
2. vLLM-CLI 非官方项目，支持交互式配置菜单系统（无需记忆参数）、自动检测和配置多块 GPU、保存最后的工作配置以便快速重用、实时监控 GPU 使用情况和服务器日志、内置常见场景的配置文件或自定义您的配置文件。
Repo地址：github.com/Chen-zexi/vllm-cli
3. ZipVoice 在cpu就能运行的语音克隆模型
一个基于 Flow Matching 架构的 ZipVoice 零样本单说话人语音合成模型。ZipVoice 解决了现有零样本语音合成模型的参数量大、合成速度慢的痛点，在轻量化建模和推理加速上取得了重要突破，可能是行业内首个可以在 CPU 上实时运行的零样本语音合成模型。
Repo地址：github.com/k2-fsa/ZipVoice
4. Baichuan-M2-32B：基于 Qwen2.5-32B 基座医疗开源模型
- **全球最强医疗开源模型**：在 HealthBench 评测集上超越所有开源模型及众多前沿闭源模型，是最接近 GPT-5 医疗能力的开源大模型
- **医生思维对齐**：基于真实病例数据和患者模拟器训练，具备临床诊断思维和鲁棒的医患交互能力
- **高效部署与推理**：支持 4bit 量化在 RTX4090 单卡部署，MTP 版本单用户场景下 token 吞吐提升 58.5%
深度融合真实病例训练与动态评分机制
Repo 地址：github.com/baichuan-inc/Baichuan-M2-32B
5. Claude Code Unified Agents 集成了 54 个生产级子 agent，覆盖开发、基础设施、质量保证、AI/ML、业务流程、创意设计和专用领域，打造智能多 agent 协作生态。这是一套面向未来的多 agent开发框架。
Repo地址：github.com/stretchcloud/claude-code-unified-agents
---
## 1. Google
> 全能战士：生成视频的模型 veo3，生成图像的 imagen 4，生成音乐的 lyria，用来生成语音的 chirp，还有 gemini 系列模型以及开源的gemma系列。感觉是不是可以替代好莱坞了？
+ 发布 Gemma-3-270M 一个多模态模型，能接受文本和图片输入，并且输出文本。输入图片会标准化为 896 x 896 分辨率。这种大小的模型通常可以放在移动端设备运行。Gemma 3 270M 与 Qwen3 0.6B 架构对比，需要注意的是 Gemma3-270M 只有4个注意力头，Qwen3-0.6B 有16个。通常注意力头多泛化能力会强，相应的复杂任务能力、长距离依赖关系处理也会更好。当然计算成本也高。
模型地址：huggingface.co/google/gemma-3-270m
+ 正式发布上线 Imagen 4 模型，其在文字渲染方面，精准度再创新高，媲美专业排版。美中不足不支持中文！aistudio 可体验。
+ 据报道，在Google和IBM推动下，接近实用的量子计算离实用越来越近了
+ 谷歌开发者大会2025 在上海举行，主题全部与ai相关。带来的除去模型、IDE等更新外，还有需要有趣的demo（）
## 2. Meta
Meta推出 DINOv3，DINOv3 是采用自监督学习（SSL）训练的先进计算机视觉模型，能够生成强大且高分辨率的图像特征。相比上一版本，Meta 将无监督训练扩展到 **70 亿参数**的模型和 17 亿张图像数据集。
目前模型、代码以及技术报告均已经开源：
模型地址：huggingface.co/collections/facebook/dinov3-68924841bd6b561778e31009
Repo地址：github.com/facebookresearch/dinov3
技术报告：ai.meta.com/research/publications/dinov3
## 3. 阿里
1. Wan2.2-I2V-Flash 正式上线！图生视频可以更“轻快”，相比Wan2.1，Wan2.2-I2V-Flash推理速度提升12倍，创作效率跃升。阿里的开源 AI 视频模型 Wan 2.2 火出圈了，尤其是在某些灰产领域。
2. 阿里首个多模态 Agent「WebWatcher」开源发布，看图识别、读文理解、跨网页追踪。论文：arxiv.org/abs/2508.05748，repo 地址：github.com/Alibaba-NLP/WebAgent
3. 桌面端移动端的 Qwen Chat 已上线，支持 MCP，有兴趣可以体验 qwen.ai/download
## 4. 腾讯开源世界模型和框架
+ 一个交互式视频生成的基础框架 Yan，是目前分辨率最高的1080p 60帧，比 Google 的 Genie 3 (720p 24帧) 还要高。它包括三个核心模块：Yan-Sim、Yan-Gen 和 Yan-Edit。
+ Yan-Sim 可以对交互式视频环境进行高质量模拟;
+ Yan-Gen 以文本和图像为提示，生成具有很强泛化性的交互式视频;
+ Yan-Edit 支持多粒度、实时编辑交互式视频内容，通过基于文本的交互实现多粒度的视频内容编辑，涵盖结构编辑（例如，添加可交互对象）和风格编辑（例如，更改对象的颜色和纹理）。
地址：greatx3.github.io/Yan
+ Hunyuan-GameCraft 开源，一种用于游戏环境中高动态交互式视频生成的新颖框架（照片生成游戏），在大模型生成的“游戏视频”里面进行自由机位移动！该模型在包含 100 多款 AAA 游戏的 **100 多万**个游戏记录的大规模数据集上进行训练，确保广泛的覆盖范围和多样性，然后在经过仔细注释的合成数据集上进行微调，以提高精度和控制力。 精心策划的游戏场景数据显著提高了视觉保真度、真实感和动作可控性。 大量实验表明，Hunyuan-GameCraft 的性能明显优于现有模型，提高了交互式游戏视频生成的真实感和可玩性。
地址：hunyuan-gamecraft.github.io
## 5. 其他动态
1. OpenAI 发布一些的教程，包括提示词指南，新的参数和工具，如何使用 GPT-5 写前端，使用他们的新提示词优化器。感兴趣可以看看：cookbook.openai.com
2. Anthropic 宣布 Claude-Sonnet-4 支持一百万上下文了！（价格能降一降就更好了）
3. 昆仑万维（Skywork）发布并开源世界模型 Matrix-Game 2.0模型，可以看作是谷歌Genie 3的开源版，该模型能够以 25 FPS 的超快速度跨不同场景生成高质量的分钟级视频。
4. 又一个开源世界模型 Matrix-Game 2.0，模型只有 1.8B, 然后能生成25帧的游戏场景，实时的通过WASD按键来玩这个AI脑补出来的游戏。并且能生成1分钟左右（分辨率较低）。模型地址：huggingface.co/Skywork/Matrix-Game-2.0
5. 微软提出一种AI专用的标记语言 POML：提示词编排标记语言（感觉像是换皮的xml）。旨在为大型语言模型（LLMs）的高级提示工程带来结构化、可维护性和多功能性。它目标是解决提示开发中的常见挑战，如缺乏结构、复杂的数据集成、格式敏感性和工具不足。Repo地址：github.com/microsoft/poml
6. 智谱开源视觉语言大模型GLM-4.5V（模型参数106B总参数，12B激活），图像识别能力非常强，可以直接做灰产了。能够通过截屏、录屏等方式获取PC屏幕上的视觉信息。
模型地址：huggingface.co/zai-org/GLM-4.5V
论文地址: huggingface.co/papers/2507.01006
Repo地址: github.com/zai-org/GLM-V/
7. 2025世界人形机器人运动会贡献多个机器人名场面。地址：whrgoc.com/news
## Github Repos Recommend
1. SQLBot：基于大模型与 RAG 技术的智能问数系统，助力企业轻松实现高质量 text2sql 转换。
Repo 地址：github.com/dataease/SQLBot
2. vLLM-CLI 非官方项目，支持交互式配置菜单系统（无需记忆参数）、自动检测和配置多块 GPU、保存最后的工作配置以便快速重用、实时监控 GPU 使用情况和服务器日志、内置常见场景的配置文件或自定义您的配置文件。
Repo地址：github.com/Chen-zexi/vllm-cli
3. ZipVoice 在cpu就能运行的语音克隆模型
一个基于 Flow Matching 架构的 ZipVoice 零样本单说话人语音合成模型。ZipVoice 解决了现有零样本语音合成模型的参数量大、合成速度慢的痛点，在轻量化建模和推理加速上取得了重要突破，可能是行业内首个可以在 CPU 上实时运行的零样本语音合成模型。
Repo地址：github.com/k2-fsa/ZipVoice
4. Baichuan-M2-32B：基于 Qwen2.5-32B 基座医疗开源模型
- **全球最强医疗开源模型**：在 HealthBench 评测集上超越所有开源模型及众多前沿闭源模型，是最接近 GPT-5 医疗能力的开源大模型
- **医生思维对齐**：基于真实病例数据和患者模拟器训练，具备临床诊断思维和鲁棒的医患交互能力
- **高效部署与推理**：支持 4bit 量化在 RTX4090 单卡部署，MTP 版本单用户场景下 token 吞吐提升 58.5%
深度融合真实病例训练与动态评分机制
Repo 地址：github.com/baichuan-inc/Baichuan-M2-32B
5. Claude Code Unified Agents 集成了 54 个生产级子 agent，覆盖开发、基础设施、质量保证、AI/ML、业务流程、创意设计和专用领域，打造智能多 agent 协作生态。这是一套面向未来的多 agent开发框架。
Repo地址：github.com/stretchcloud/claude-code-unified-agents
# 2025W32 AI大模型领域精选热点 🔥
---
## 1. OpenAI GPT5 终于发布
> 训练时长2年半的GPT5 怎么样呢？评价两极分化，负面占比多，发布会图片莫不是模型训练使用了某国统计局数据？？？
+ GPT5 发布即回滚，山姆奥特曼被舆情干趴，现在又在组织力量让o3、4.5、4.1回归。
+ GPT5 亮点1：实时路由系统”（Real-time Router）动态判断问题复杂度，自动切换快速响应模式或深度思考模式（例如用户输入“think hard about this”可触发深度推理）。该设计消除了用户手动切换模型的负担，实现无缝体验（真的嘛？？？）。
+ GPT5 亮点2：减少幻觉：更诚实，降低迎合性回答。编程与专业能力：复杂代码库处理、网站/游戏生成能力增强。
+ OpenAI 发布两个开放权重模型! gpt-oss-120b 激活参数量 5.1B，甚至能在单张 Nvidia 显卡（H100 80G）上运行。gpt-oss-20b 激活参数量 3.6B，甚至可在拥有16GB内存的普通笔记本电脑上运行（已测试速度相当慢）。两个都是 MoE 架构的推理模型，原生 MXFP4。
## 2. Anthropic 发布 Claude Opus 4.1
> 代码能力遥遥领先 Claude Opus 4.1 > Gemini-2.5-Pro > GPT-5-Thinking
+ 在代理任务、真实世界编码和推理方面的升级，尤其是在多文件代码重构方面的性能提升显著。
## 3. Google
> 敏捷又强大，轻松干掉一堆startup
+ Gemini 上线 StoryBook，体验地址 https://gemini.google/overview/storybook/
+ 只要上传一段文字或者提示词或者文档，就可以生成一本图文并茂的故事书，效果相当相当的好！
+ 一个 Agent，大概有 20 多个 Tools，能自主的调用工具收集上下文完成任务。
+ Google 发布迄今为止最先进的世界模拟器（世界模型）Genie 3 能从文字或图片即时生成可玩的 3D 互动世界
+ 能生成用户和 AI Agent 实时交互的 3D 环境，可以用于教育、娱乐等场景，感觉还可以和具身智能结合，帮助机器人理解现实物理世界。
+ 3D 互动世界具备高保真视觉效果、20-24 帧每秒的流畅画面、即时提示交互、世界记忆等多项强大功能。
+ Google 推出 web guide，AI给总结不直接出内容，而是给个概览 （AI整合好的最相关的几个网页链接）。或许是最强的矛和最强的盾，终归有一方要妥协。Google的AI搜索革命道路曲折呀（本已是搜索推荐的No1），AI 搜索竭泽而渔导致源站获取不到流量，从共生变成竞争，再继续进一步或许Google 再也爬不到信息了。
## 4. Ali Qwen
+ 开源 Qwen3 4B 模型：Qwen3-4B-Instruct-2507 和 Qwen3-4B-Thinking-2507，新版本提升了思考能力，并且增加了思考长度，上下文支持 256K！
模型地址：huggingface.co/Qwen/Qwen3-4B-Instruct-2507 和 huggingface.co/Qwen/Qwen3-4B-Thinking-2507
+ 开源 Owen-image 模型：20B 参数，主打图片生成和编辑，尤其擅长处理复杂的文字内容。中文、英文、中英文混排，甚至大段中文手写体都能处理，布局合理。能做各种风格的图片，比如写实、二次元、水墨、极简、海报、PPT等，还能通过自然语言指令调整细节，比如改字体、改姿势、加物体、换风格等。编辑图片的时候，它能保留原有的细节和氛围，做出来的效果也很自然，没有违和感。
模型地址: huggingface.co/Qwen/Qwen-Image
Github：github.com/QwenLM/Qwen-Image
社区体验地址：modelscope.cn/aigc/imageGeneration
+ Qwen Code 提供每天两千次的免费请求
## 5. 其他动态
1. 面壁开源 MiniCPM-V-4 模型，一个图/视频推理模型，模型总参数量4.1B，本地设备可以运行。
模型地址：huggingface.co/openbmb/MiniCPM-V-4
2. ElevenLabs 推出音乐生成模型，支持包括英语、西班牙语、德语、日语在内的多种语言。可完全控制音乐的流派、风格和结构，能够编辑单个片段或整首歌曲的声音和歌词。但是最期待的功能，是能够指定演唱者的音色，用同一个音色生成不同的歌曲。
体验地址：elevenlabs.io/music
3. Chatterbox：Resemble AI 首个生产级开源MIT协议的TTS模型，0.5B参数，训练于50万小时高质量语音数据
体验地址：resemble-ai.github.io/chatterbox_demopage
Repo 地址：github.com/stlohrey/chatterbox-finetuning
4. Kitten TTS：一款 23.8MB 的开源文本转语音模型，仅有 1500 万参数，可CPU运行
Repo 地址：github.com/KittenML/KittenTTS
模型地址：huggingface.co/KittenML/kitten-tts-nano-0.1
5. 谷歌DeepMind科学家Kevin Murphy最新论文《Reinforcement Learning: An Overview》，全面系统梳理强化学习理论与实践。
论文地址： arxiv.org/abs/2412.05265
6. OPPO 开发了一个叫 “Efficient Agents” 的新 agents 框架，与开源代理框架 OWL 相比，“Efficient Agents” 能保留 96.7% 的性能，但运营成本从 0.398 美元降到了 0.228 美元。
论文地址：arxiv.org/abs/2508.02694
Repo 地址：github.com/OPPO-PersonalAI/OAgents
7. 马斯克扬言要开源 Grok-2（这性能开源了也没人用呀）。
8. Tesla Dojo团队解散，后续车机显卡应该只用nvidia了。
9. 传言马斯克正在挑选 Meta 公司的所有顶尖研究人才（小扎：刚挖来的就被惦记了）。
10. 2025北京亦庄举办的世界机器人大会 8月8日开幕。
## Github Repos Recommend
1. gpt-5-coding-examples
Repo 推荐对 AI 编程有兴趣的看看，包含大量的 GPT-5 编程示例，包括原始提示词、生成结果，结果展示。
Repo 地址：github.com/openai/gpt-5-coding-examples
Demo 地址：gpt-examples.com/
2. OpenBB
用于量化交易或金融分析，将所有主流金融数据源整合到一个开源平台中，通过统一的 API 接口，让获取股票、期权、外汇、宏观经济等各类金融数据，还提供了可视化界面和 AI Agent 功能。
Repo 地址：github.com/OpenBB-finance/OpenBB
3. Sparc3D: Sparse Representation and Construction for High-Resolution 3D Shapes Modeling《Sparc3D：高分辨率3D形状建模的稀疏表示与构建方法》，Sparc3D 通过稀疏可变形 Marching Cubes（Sparcubes）和稀疏卷积 VAE（Sparconv-VAE）相结合，首创可微、高保真、轻量的统一式高分辨率3D生成框架，解决了传统 VAE 表示效率低与重建损失大的痛点。
Blog 地址：lizhihao6.github.io/Sparc3D/
---
## 1. OpenAI GPT5 终于发布
> 训练时长2年半的GPT5 怎么样呢？评价两极分化，负面占比多，发布会图片莫不是模型训练使用了某国统计局数据？？？
+ GPT5 发布即回滚，山姆奥特曼被舆情干趴，现在又在组织力量让o3、4.5、4.1回归。
+ GPT5 亮点1：实时路由系统”（Real-time Router）动态判断问题复杂度，自动切换快速响应模式或深度思考模式（例如用户输入“think hard about this”可触发深度推理）。该设计消除了用户手动切换模型的负担，实现无缝体验（真的嘛？？？）。
+ GPT5 亮点2：减少幻觉：更诚实，降低迎合性回答。编程与专业能力：复杂代码库处理、网站/游戏生成能力增强。
+ OpenAI 发布两个开放权重模型! gpt-oss-120b 激活参数量 5.1B，甚至能在单张 Nvidia 显卡（H100 80G）上运行。gpt-oss-20b 激活参数量 3.6B，甚至可在拥有16GB内存的普通笔记本电脑上运行（已测试速度相当慢）。两个都是 MoE 架构的推理模型，原生 MXFP4。
## 2. Anthropic 发布 Claude Opus 4.1
> 代码能力遥遥领先 Claude Opus 4.1 > Gemini-2.5-Pro > GPT-5-Thinking
+ 在代理任务、真实世界编码和推理方面的升级，尤其是在多文件代码重构方面的性能提升显著。
## 3. Google
> 敏捷又强大，轻松干掉一堆startup
+ Gemini 上线 StoryBook，体验地址 https://gemini.google/overview/storybook/
+ 只要上传一段文字或者提示词或者文档，就可以生成一本图文并茂的故事书，效果相当相当的好！
+ 一个 Agent，大概有 20 多个 Tools，能自主的调用工具收集上下文完成任务。
+ Google 发布迄今为止最先进的世界模拟器（世界模型）Genie 3 能从文字或图片即时生成可玩的 3D 互动世界
+ 能生成用户和 AI Agent 实时交互的 3D 环境，可以用于教育、娱乐等场景，感觉还可以和具身智能结合，帮助机器人理解现实物理世界。
+ 3D 互动世界具备高保真视觉效果、20-24 帧每秒的流畅画面、即时提示交互、世界记忆等多项强大功能。
+ Google 推出 web guide，AI给总结不直接出内容，而是给个概览 （AI整合好的最相关的几个网页链接）。或许是最强的矛和最强的盾，终归有一方要妥协。Google的AI搜索革命道路曲折呀（本已是搜索推荐的No1），AI 搜索竭泽而渔导致源站获取不到流量，从共生变成竞争，再继续进一步或许Google 再也爬不到信息了。
## 4. Ali Qwen
+ 开源 Qwen3 4B 模型：Qwen3-4B-Instruct-2507 和 Qwen3-4B-Thinking-2507，新版本提升了思考能力，并且增加了思考长度，上下文支持 256K！
模型地址：huggingface.co/Qwen/Qwen3-4B-Instruct-2507 和 huggingface.co/Qwen/Qwen3-4B-Thinking-2507
+ 开源 Owen-image 模型：20B 参数，主打图片生成和编辑，尤其擅长处理复杂的文字内容。中文、英文、中英文混排，甚至大段中文手写体都能处理，布局合理。能做各种风格的图片，比如写实、二次元、水墨、极简、海报、PPT等，还能通过自然语言指令调整细节，比如改字体、改姿势、加物体、换风格等。编辑图片的时候，它能保留原有的细节和氛围，做出来的效果也很自然，没有违和感。
模型地址: huggingface.co/Qwen/Qwen-Image
Github：github.com/QwenLM/Qwen-Image
社区体验地址：modelscope.cn/aigc/imageGeneration
+ Qwen Code 提供每天两千次的免费请求
## 5. 其他动态
1. 面壁开源 MiniCPM-V-4 模型，一个图/视频推理模型，模型总参数量4.1B，本地设备可以运行。
模型地址：huggingface.co/openbmb/MiniCPM-V-4
2. ElevenLabs 推出音乐生成模型，支持包括英语、西班牙语、德语、日语在内的多种语言。可完全控制音乐的流派、风格和结构，能够编辑单个片段或整首歌曲的声音和歌词。但是最期待的功能，是能够指定演唱者的音色，用同一个音色生成不同的歌曲。
体验地址：elevenlabs.io/music
3. Chatterbox：Resemble AI 首个生产级开源MIT协议的TTS模型，0.5B参数，训练于50万小时高质量语音数据
体验地址：resemble-ai.github.io/chatterbox_demopage
Repo 地址：github.com/stlohrey/chatterbox-finetuning
4. Kitten TTS：一款 23.8MB 的开源文本转语音模型，仅有 1500 万参数，可CPU运行
Repo 地址：github.com/KittenML/KittenTTS
模型地址：huggingface.co/KittenML/kitten-tts-nano-0.1
5. 谷歌DeepMind科学家Kevin Murphy最新论文《Reinforcement Learning: An Overview》，全面系统梳理强化学习理论与实践。
论文地址： arxiv.org/abs/2412.05265
6. OPPO 开发了一个叫 “Efficient Agents” 的新 agents 框架，与开源代理框架 OWL 相比，“Efficient Agents” 能保留 96.7% 的性能，但运营成本从 0.398 美元降到了 0.228 美元。
论文地址：arxiv.org/abs/2508.02694
Repo 地址：github.com/OPPO-PersonalAI/OAgents
7. 马斯克扬言要开源 Grok-2（这性能开源了也没人用呀）。
8. Tesla Dojo团队解散，后续车机显卡应该只用nvidia了。
9. 传言马斯克正在挑选 Meta 公司的所有顶尖研究人才（小扎：刚挖来的就被惦记了）。
10. 2025北京亦庄举办的世界机器人大会 8月8日开幕。
## Github Repos Recommend
1. gpt-5-coding-examples
Repo 推荐对 AI 编程有兴趣的看看，包含大量的 GPT-5 编程示例，包括原始提示词、生成结果，结果展示。
Repo 地址：github.com/openai/gpt-5-coding-examples
Demo 地址：gpt-examples.com/
2. OpenBB
用于量化交易或金融分析，将所有主流金融数据源整合到一个开源平台中，通过统一的 API 接口，让获取股票、期权、外汇、宏观经济等各类金融数据，还提供了可视化界面和 AI Agent 功能。
Repo 地址：github.com/OpenBB-finance/OpenBB
3. Sparc3D: Sparse Representation and Construction for High-Resolution 3D Shapes Modeling《Sparc3D：高分辨率3D形状建模的稀疏表示与构建方法》，Sparc3D 通过稀疏可变形 Marching Cubes（Sparcubes）和稀疏卷积 VAE（Sparconv-VAE）相结合，首创可微、高保真、轻量的统一式高分辨率3D生成框架，解决了传统 VAE 表示效率低与重建损失大的痛点。
Blog 地址：lizhihao6.github.io/Sparc3D/
Gemini
Gemini Storybook — for the stories only you could imagine
Create personalized, illustrated stories with Gemini Storybook. Describe the story you want, and get a unique 10-page book with read-aloud narration.
_web)-[:HAS_RULE]->(rule2),
(rule2)-[:APPLIES_TO_SG]->(sg_web);
MATCH (sg_web:SecurityGroup {id: "sg-web12345"}), (rule3:SecurityRule {id: "rule-web-all-out"})
CREATE (sg_web)-[:HAS_RULE]->(rule3),
(rule3)-[:APPLIES_TO_SG]->(sg_web);
MATCH (sg_app:SecurityGroup {id: "sg-app67890"}), (rule4:SecurityRule {id: "rule-app-from-web"})
CREATE (sg_app)-[:HAS_RULE]->(rule4),
(rule4)-[:APPLIES_TO_SG]->(sg_app);
MATCH (sg_db:SecurityGroup {id: "sg-db11111"}), (rule5:SecurityRule {id: "rule-db-from-app"})
CREATE (sg_db)-[:HAS_RULE]->(rule5),
(rule5)-[:APPLIES_TO_SG]->(sg_db);
// Security Group间的引用关系
MATCH (rule4:SecurityRule {id: "rule-app-from-web"}), (sg_web:SecurityGroup {id: "sg-web12345"})
CREATE (rule4)-[:REFERENCES_SG]->(sg_web);
MATCH (rule5:SecurityRule {id: "rule-db-from-app"}), (sg_app:SecurityGroup {id: "sg-app67890"})
CREATE (rule5)-[:REFERENCES_SG]->(sg_app);
// VPC Endpoints关系
MATCH (endpoint_s3:VPCEndpoint {id: "vpce-s3-12345"}), (vpc1:VPC {id: "vpc-12345678"})
CREATE (endpoint_s3)-[:BELONGS_TO_VPC]->(vpc1),
(vpc1)-[:CONTAINS_VPC_ENDPOINT]->(endpoint_s3);
MATCH (endpoint_ec2:VPCEndpoint {id: "vpce-ec2-67890"}), (vpc1:VPC {id: "vpc-12345678"})
CREATE (endpoint_ec2)-[:BELONGS_TO_VPC]->(vpc1),
(vpc1)-[:CONTAINS_VPC_ENDPOINT]->(endpoint_ec2);
MATCH (endpoint_ec2:VPCEndpoint {id: "vpce-ec2-67890"}), (subnet2:Subnet {id: "subnet-def67890"})
CREATE (endpoint_ec2)-[:DEPLOYED_IN_SUBNET]->(subnet2),
(subnet2)-[:HOSTS_VPC_ENDPOINT]->(endpoint_ec2);
// 更新Route Table中NAT Gateway路由
MATCH (rt_private:RouteTable {id: "rtb-private-456"})
SET rt_private.routes = [
{
destination: "10.0.0.0/16",
target: "local",
status: "active"
},
{
destination: "0.0.0.0/0",
target: "nat-12345abc",
status: "active"
}
];
// ==========================================
// 10. VPC Flow Logs与S3关联关系预留
// ==========================================
// 注意：这里预留了与S3资源的关联关系，当S3建模完成后建立
// (vpc1)-[:LOGS_TO_S3]->(s3_bucket)
// ==========================================
// 11. 网络资源验证查询示例
// ==========================================
// 查询完整的网络安全架构
// MATCH (vpc:VPC {id: "vpc-12345678"})-[:CONTAINS_SECURITY_GROUP]->(sg:SecurityGroup)-[:HAS_RULE]->(rule:SecurityRule)
// RETURN vpc.name as vpc, sg.name as security_group,
// collect({direction: rule.direction, protocol: rule.protocol, port: rule.port_range, source: rule.source}) as rules;
// 查询NAT Gateway的完整配置
// MATCH (nat:NatGateway {id: "nat-12345abc"})
// OPTIONAL MATCH (nat)-[:USES_EIP]->(eip:EIP)
// OPTIONAL MATCH (nat)-[:USES_NETWORK_INTERFACE]->(eni:NetworkInterface)
// OPTIONAL MATCH (nat)-[:DEPLOYED_IN_SUBNET]->(subnet:Subnet)
// RETURN nat.name as nat_gateway, eip.address as public_ip, eni.private_ip as private_ip, subnet.name as subnet;
// 查询Security Group间的依赖关系
// MATCH (sg1:SecurityGroup)-[:HAS_RULE]->(rule:SecurityRule)-[:REFERENCES_SG]->(sg2:SecurityGroup)
// RETURN sg1.name as source_sg, rule.description as rule_desc, sg2.name as referenced_sg;
// 查询VPC的所有网络流量出口
// MATCH (vpc:VPC {id: "vpc-12345678"})
// OPTIONAL MATCH (vpc)-[:ATTACHED_IGW]->(igw:InternetGateway)
// OPTIONAL MATCH (vpc)-[:CONTAINS_NAT_GATEWAY]->(nat:NatGateway)
// OPTIONAL MATCH (vpc)-[:CONTAINS_VPC_ENDPOINT]->(endpoint:VPCEndpoint)
// RETURN vpc.name as vpc_name,
// collect(DISTINCT igw.name) as internet_gateways,
// collect(DISTINCT nat.name) as nat_gateways,
// collect(DISTINCT endpoint.name) as vpc_endpoints;
(rule2)-[:APPLIES_TO_SG]->(sg_web);
MATCH (sg_web:SecurityGroup {id: "sg-web12345"}), (rule3:SecurityRule {id: "rule-web-all-out"})
CREATE (sg_web)-[:HAS_RULE]->(rule3),
(rule3)-[:APPLIES_TO_SG]->(sg_web);
MATCH (sg_app:SecurityGroup {id: "sg-app67890"}), (rule4:SecurityRule {id: "rule-app-from-web"})
CREATE (sg_app)-[:HAS_RULE]->(rule4),
(rule4)-[:APPLIES_TO_SG]->(sg_app);
MATCH (sg_db:SecurityGroup {id: "sg-db11111"}), (rule5:SecurityRule {id: "rule-db-from-app"})
CREATE (sg_db)-[:HAS_RULE]->(rule5),
(rule5)-[:APPLIES_TO_SG]->(sg_db);
// Security Group间的引用关系
MATCH (rule4:SecurityRule {id: "rule-app-from-web"}), (sg_web:SecurityGroup {id: "sg-web12345"})
CREATE (rule4)-[:REFERENCES_SG]->(sg_web);
MATCH (rule5:SecurityRule {id: "rule-db-from-app"}), (sg_app:SecurityGroup {id: "sg-app67890"})
CREATE (rule5)-[:REFERENCES_SG]->(sg_app);
// VPC Endpoints关系
MATCH (endpoint_s3:VPCEndpoint {id: "vpce-s3-12345"}), (vpc1:VPC {id: "vpc-12345678"})
CREATE (endpoint_s3)-[:BELONGS_TO_VPC]->(vpc1),
(vpc1)-[:CONTAINS_VPC_ENDPOINT]->(endpoint_s3);
MATCH (endpoint_ec2:VPCEndpoint {id: "vpce-ec2-67890"}), (vpc1:VPC {id: "vpc-12345678"})
CREATE (endpoint_ec2)-[:BELONGS_TO_VPC]->(vpc1),
(vpc1)-[:CONTAINS_VPC_ENDPOINT]->(endpoint_ec2);
MATCH (endpoint_ec2:VPCEndpoint {id: "vpce-ec2-67890"}), (subnet2:Subnet {id: "subnet-def67890"})
CREATE (endpoint_ec2)-[:DEPLOYED_IN_SUBNET]->(subnet2),
(subnet2)-[:HOSTS_VPC_ENDPOINT]->(endpoint_ec2);
// 更新Route Table中NAT Gateway路由
MATCH (rt_private:RouteTable {id: "rtb-private-456"})
SET rt_private.routes = [
{
destination: "10.0.0.0/16",
target: "local",
status: "active"
},
{
destination: "0.0.0.0/0",
target: "nat-12345abc",
status: "active"
}
];
// ==========================================
// 10. VPC Flow Logs与S3关联关系预留
// ==========================================
// 注意：这里预留了与S3资源的关联关系，当S3建模完成后建立
// (vpc1)-[:LOGS_TO_S3]->(s3_bucket)
// ==========================================
// 11. 网络资源验证查询示例
// ==========================================
// 查询完整的网络安全架构
// MATCH (vpc:VPC {id: "vpc-12345678"})-[:CONTAINS_SECURITY_GROUP]->(sg:SecurityGroup)-[:HAS_RULE]->(rule:SecurityRule)
// RETURN vpc.name as vpc, sg.name as security_group,
// collect({direction: rule.direction, protocol: rule.protocol, port: rule.port_range, source: rule.source}) as rules;
// 查询NAT Gateway的完整配置
// MATCH (nat:NatGateway {id: "nat-12345abc"})
// OPTIONAL MATCH (nat)-[:USES_EIP]->(eip:EIP)
// OPTIONAL MATCH (nat)-[:USES_NETWORK_INTERFACE]->(eni:NetworkInterface)
// OPTIONAL MATCH (nat)-[:DEPLOYED_IN_SUBNET]->(subnet:Subnet)
// RETURN nat.name as nat_gateway, eip.address as public_ip, eni.private_ip as private_ip, subnet.name as subnet;
// 查询Security Group间的依赖关系
// MATCH (sg1:SecurityGroup)-[:HAS_RULE]->(rule:SecurityRule)-[:REFERENCES_SG]->(sg2:SecurityGroup)
// RETURN sg1.name as source_sg, rule.description as rule_desc, sg2.name as referenced_sg;
// 查询VPC的所有网络流量出口
// MATCH (vpc:VPC {id: "vpc-12345678"})
// OPTIONAL MATCH (vpc)-[:ATTACHED_IGW]->(igw:InternetGateway)
// OPTIONAL MATCH (vpc)-[:CONTAINS_NAT_GATEWAY]->(nat:NatGateway)
// OPTIONAL MATCH (vpc)-[:CONTAINS_VPC_ENDPOINT]->(endpoint:VPCEndpoint)
// RETURN vpc.name as vpc_name,
// collect(DISTINCT igw.name) as internet_gateways,
// collect(DISTINCT nat.name) as nat_gateways,
// collect(DISTINCT endpoint.name) as vpc_endpoints;
"App port from web tier",
rule_action: "allow",
status: "active",
created_at: datetime(),
updated_at: datetime()
});
// Database Security Group Rules
CREATE (rule5:SecurityRule {
id: "rule-db-from-app",
direction: "inbound",
protocol: "tcp",
port_range: "3306",
source_type: "security_group",
source: "sg-app67890",
description: "MySQL from app tier",
rule_action: "allow",
status: "active",
created_at: datetime(),
updated_at: datetime()
});
// 8.6 VPC Endpoints 建模
CREATE (endpoint_s3:VPCEndpoint {
id: "vpce-s3-12345",
name: "s3-gateway-endpoint",
associations_vpc: "vpc-12345678",
associations_subnet: null, // Gateway endpoint不关联subnet
type: "Gateway",
service: "com.amazonaws.cn-north-1.s3",
route_table_ids: ["rtb-private-456"],
tag: {
service_type: "storage",
environment: "production"
},
status: "available",
created_at: datetime(),
updated_at: datetime()
});
CREATE (endpoint_ec2:VPCEndpoint {
id: "vpce-ec2-67890",
name: "ec2-interface-endpoint",
associations_vpc: "vpc-12345678",
associations_subnet: ["subnet-def67890"], // Interface endpoint关联subnet
type: "Interface",
service: "com.amazonaws.cn-north-1.ec2",
network_interface_ids: ["eni-endpoint-123"],
security_group_ids: ["sg-endpoint-456"],
tag: {
service_type: "compute",
environment: "production"
},
status: "available",
created_at: datetime(),
updated_at: datetime()
});
// ==========================================
// 9. 建立高级网络组件关系
// ==========================================
// EIP与多资源的多态关联（使用泛型关系）
MATCH (eip1:EIP {allocation_id: "eipalloc-12345abc"}), (nat1:NatGateway {id: "nat-12345abc"})
CREATE (eip1)-[:ASSOCIATED_WITH {resource_type: "nat_gateway"}]->(nat1),
(nat1)-[:USES_EIP]->(eip1);
MATCH (eip1:EIP {allocation_id: "eipalloc-12345abc"}), (eni1:NetworkInterface {id: "eni-12345abc"})
CREATE (eip1)-[:ATTACHED_TO_ENI]->(eni1),
(eni1)-[:HAS_EIP]->(eip1);
// 预留EC2与EIP关联（EC2建模完成后）
// MATCH (eip2:EIP {allocation_id: "eipalloc-67890xyz"}), (ec2:EC2Instance {id: "i-1234567890abcdef0"})
// CREATE (eip2)-[:ASSOCIATED_WITH {resource_type: "ec2_instance"}]->(ec2);
// NAT Gateway关系
MATCH (nat1:NatGateway {id: "nat-12345abc"}), (vpc1:VPC {id: "vpc-12345678"})
CREATE (nat1)-[:BELONGS_TO_VPC]->(vpc1),
(vpc1)-[:CONTAINS_NAT_GATEWAY]->(nat1);
MATCH (nat1:NatGateway {id: "nat-12345abc"}), (subnet1:Subnet {id: "subnet-abc12345"})
CREATE (nat1)-[:DEPLOYED_IN_SUBNET]->(subnet1),
(subnet1)-[:HOSTS_NAT_GATEWAY]->(nat1);
MATCH (nat1:NatGateway {id: "nat-12345abc"}), (eni1:NetworkInterface {id: "eni-12345abc"})
CREATE (nat1)-[:USES_NETWORK_INTERFACE]->(eni1),
(eni1)-[:ATTACHED_TO_NAT_GATEWAY]->(nat1);
// Network Interface关系
MATCH (eni1:NetworkInterface {id: "eni-12345abc"}), (subnet1:Subnet {id: "subnet-abc12345"})
CREATE (eni1)-[:DEPLOYED_IN_SUBNET]->(subnet1),
(subnet1)-[:HOSTS_NETWORK_INTERFACE]->(eni1);
MATCH (eni2:NetworkInterface {id: "eni-67890def"}), (subnet1:Subnet {id: "subnet-abc12345"})
CREATE (eni2)-[:DEPLOYED_IN_SUBNET]->(subnet1),
(subnet1)-[:HOSTS_NETWORK_INTERFACE]->(eni2);
// Security Group关系
MATCH (sg_web:SecurityGroup {id: "sg-web12345"}), (vpc1:VPC {id: "vpc-12345678"})
CREATE (sg_web)-[:BELONGS_TO_VPC]->(vpc1),
(vpc1)-[:CONTAINS_SECURITY_GROUP]->(sg_web);
MATCH (sg_app:SecurityGroup {id: "sg-app67890"}), (vpc1:VPC {id: "vpc-12345678"})
CREATE (sg_app)-[:BELONGS_TO_VPC]->(vpc1),
(vpc1)-[:CONTAINS_SECURITY_GROUP]->(sg_app);
MATCH (sg_db:SecurityGroup {id: "sg-db11111"}), (vpc1:VPC {id: "vpc-12345678"})
CREATE (sg_db)-[:BELONGS_TO_VPC]->(vpc1),
(vpc1)-[:CONTAINS_SECURITY_GROUP]->(sg_db);
// Security Group Rules关系
MATCH (sg_web:SecurityGroup {id: "sg-web12345"}), (rule1:SecurityRule {id: "rule-web-http-in"})
CREATE (sg_web)-[:HAS_RULE]->(rule1),
(rule1)-[:APPLIES_TO_SG]->(sg_web);
MATCH (sg_web:SecurityGroup {id: "sg-web12345"}), (rule2:SecurityRule {id: "rule-web-https-in"})
CREATE (sg
rule_action: "allow",
status: "active",
created_at: datetime(),
updated_at: datetime()
});
// Database Security Group Rules
CREATE (rule5:SecurityRule {
id: "rule-db-from-app",
direction: "inbound",
protocol: "tcp",
port_range: "3306",
source_type: "security_group",
source: "sg-app67890",
description: "MySQL from app tier",
rule_action: "allow",
status: "active",
created_at: datetime(),
updated_at: datetime()
});
// 8.6 VPC Endpoints 建模
CREATE (endpoint_s3:VPCEndpoint {
id: "vpce-s3-12345",
name: "s3-gateway-endpoint",
associations_vpc: "vpc-12345678",
associations_subnet: null, // Gateway endpoint不关联subnet
type: "Gateway",
service: "com.amazonaws.cn-north-1.s3",
route_table_ids: ["rtb-private-456"],
tag: {
service_type: "storage",
environment: "production"
},
status: "available",
created_at: datetime(),
updated_at: datetime()
});
CREATE (endpoint_ec2:VPCEndpoint {
id: "vpce-ec2-67890",
name: "ec2-interface-endpoint",
associations_vpc: "vpc-12345678",
associations_subnet: ["subnet-def67890"], // Interface endpoint关联subnet
type: "Interface",
service: "com.amazonaws.cn-north-1.ec2",
network_interface_ids: ["eni-endpoint-123"],
security_group_ids: ["sg-endpoint-456"],
tag: {
service_type: "compute",
environment: "production"
},
status: "available",
created_at: datetime(),
updated_at: datetime()
});
// ==========================================
// 9. 建立高级网络组件关系
// ==========================================
// EIP与多资源的多态关联（使用泛型关系）
MATCH (eip1:EIP {allocation_id: "eipalloc-12345abc"}), (nat1:NatGateway {id: "nat-12345abc"})
CREATE (eip1)-[:ASSOCIATED_WITH {resource_type: "nat_gateway"}]->(nat1),
(nat1)-[:USES_EIP]->(eip1);
MATCH (eip1:EIP {allocation_id: "eipalloc-12345abc"}), (eni1:NetworkInterface {id: "eni-12345abc"})
CREATE (eip1)-[:ATTACHED_TO_ENI]->(eni1),
(eni1)-[:HAS_EIP]->(eip1);
// 预留EC2与EIP关联（EC2建模完成后）
// MATCH (eip2:EIP {allocation_id: "eipalloc-67890xyz"}), (ec2:EC2Instance {id: "i-1234567890abcdef0"})
// CREATE (eip2)-[:ASSOCIATED_WITH {resource_type: "ec2_instance"}]->(ec2);
// NAT Gateway关系
MATCH (nat1:NatGateway {id: "nat-12345abc"}), (vpc1:VPC {id: "vpc-12345678"})
CREATE (nat1)-[:BELONGS_TO_VPC]->(vpc1),
(vpc1)-[:CONTAINS_NAT_GATEWAY]->(nat1);
MATCH (nat1:NatGateway {id: "nat-12345abc"}), (subnet1:Subnet {id: "subnet-abc12345"})
CREATE (nat1)-[:DEPLOYED_IN_SUBNET]->(subnet1),
(subnet1)-[:HOSTS_NAT_GATEWAY]->(nat1);
MATCH (nat1:NatGateway {id: "nat-12345abc"}), (eni1:NetworkInterface {id: "eni-12345abc"})
CREATE (nat1)-[:USES_NETWORK_INTERFACE]->(eni1),
(eni1)-[:ATTACHED_TO_NAT_GATEWAY]->(nat1);
// Network Interface关系
MATCH (eni1:NetworkInterface {id: "eni-12345abc"}), (subnet1:Subnet {id: "subnet-abc12345"})
CREATE (eni1)-[:DEPLOYED_IN_SUBNET]->(subnet1),
(subnet1)-[:HOSTS_NETWORK_INTERFACE]->(eni1);
MATCH (eni2:NetworkInterface {id: "eni-67890def"}), (subnet1:Subnet {id: "subnet-abc12345"})
CREATE (eni2)-[:DEPLOYED_IN_SUBNET]->(subnet1),
(subnet1)-[:HOSTS_NETWORK_INTERFACE]->(eni2);
// Security Group关系
MATCH (sg_web:SecurityGroup {id: "sg-web12345"}), (vpc1:VPC {id: "vpc-12345678"})
CREATE (sg_web)-[:BELONGS_TO_VPC]->(vpc1),
(vpc1)-[:CONTAINS_SECURITY_GROUP]->(sg_web);
MATCH (sg_app:SecurityGroup {id: "sg-app67890"}), (vpc1:VPC {id: "vpc-12345678"})
CREATE (sg_app)-[:BELONGS_TO_VPC]->(vpc1),
(vpc1)-[:CONTAINS_SECURITY_GROUP]->(sg_app);
MATCH (sg_db:SecurityGroup {id: "sg-db11111"}), (vpc1:VPC {id: "vpc-12345678"})
CREATE (sg_db)-[:BELONGS_TO_VPC]->(vpc1),
(vpc1)-[:CONTAINS_SECURITY_GROUP]->(sg_db);
// Security Group Rules关系
MATCH (sg_web:SecurityGroup {id: "sg-web12345"}), (rule1:SecurityRule {id: "rule-web-http-in"})
CREATE (sg_web)-[:HAS_RULE]->(rule1),
(rule1)-[:APPLIES_TO_SG]->(sg_web);
MATCH (sg_web:SecurityGroup {id: "sg-web12345"}), (rule2:SecurityRule {id: "rule-web-https-in"})
CREATE (sg
.2 Network Interface (ENI) 建模
CREATE (eni1:NetworkInterface {
id: "eni-12345abc",
name: "nat-gateway-eni-1a",
type: "nat_gateway",
private_ip: "10.0.1.100",
private_dns: "ip-10-0-1-100.ec2.internal",
subnet_id: "subnet-abc12345",
vpc_id: "vpc-12345678",
az: "cn-north-1a",
security_groups: ["sg-nat12345"],
source_dest_check: false,
tag: {
attached_resource: "nat-gateway",
environment: "production"
},
status: "in-use",
created_at: datetime(),
updated_at: datetime()
});
CREATE (eni2:NetworkInterface {
id: "eni-67890def",
name: "web-server-eni",
type: "instance",
private_ip: "10.0.1.50",
private_dns: "ip-10-0-1-50.ec2.internal",
subnet_id: "subnet-abc12345",
vpc_id: "vpc-12345678",
az: "cn-north-1a",
security_groups: ["sg-web12345"],
source_dest_check: true,
tag: {
attached_resource: "ec2_instance",
environment: "production"
},
status: "in-use",
created_at: datetime(),
updated_at: datetime()
});
// 8.3 NAT Gateway 建模
CREATE (nat1:NatGateway {
id: "nat-12345abc",
name: "production-nat-1a",
arn: "arn:aws:ec2:cn-north-1:123456789012:natgateway/nat-12345abc",
public_ip: "54.123.45.67",
private_ip: "10.0.1.100",
associated_vpc: "vpc-12345678",
associated_subnet: "subnet-abc12345",
network_interface_id: "eni-12345abc",
eip_allocation_id: "eipalloc-12345abc",
tag: {
environment: "production",
purpose: "private_subnet_internet_access",
tier: "networking"
},
status: "available",
created_at: datetime(),
updated_at: datetime()
});
// 8.4 Security Group 建模
CREATE (sg_web:SecurityGroup {
id: "sg-web12345",
name: "production-web-sg",
description: "Security group for web servers",
associated_vpc_id: "vpc-12345678",
tag: {
environment: "production",
tier: "web",
application: "frontend"
},
status: "active",
created_at: datetime(),
updated_at: datetime()
});
CREATE (sg_app:SecurityGroup {
id: "sg-app67890",
name: "production-app-sg",
description: "Security group for application servers",
associated_vpc_id: "vpc-12345678",
tag: {
environment: "production",
tier: "application",
application: "backend"
},
status: "active",
created_at: datetime(),
updated_at: datetime()
});
CREATE (sg_db:SecurityGroup {
id: "sg-db11111",
name: "production-db-sg",
description: "Security group for database servers",
associated_vpc_id: "vpc-12345678",
tag: {
environment: "production",
tier: "database",
application: "mysql"
},
status: "active",
created_at: datetime(),
updated_at: datetime()
});
// 8.5 Security Rules 建模（独立节点）
// Web Security Group Rules
CREATE (rule1:SecurityRule {
id: "rule-web-http-in",
direction: "inbound",
protocol: "tcp",
port_range: "80",
source_type: "cidr",
source: "0.0.0.0/0",
description: "HTTP from anywhere",
rule_action: "allow",
status: "active",
created_at: datetime(),
updated_at: datetime()
});
CREATE (rule2:SecurityRule {
id: "rule-web-https-in",
direction: "inbound",
protocol: "tcp",
port_range: "443",
source_type: "cidr",
source: "0.0.0.0/0",
description: "HTTPS from anywhere",
rule_action: "allow",
status: "active",
created_at: datetime(),
updated_at: datetime()
});
CREATE (rule3:SecurityRule {
id: "rule-web-all-out",
direction: "outbound",
protocol: "all",
port_range: "all",
source_type: "cidr",
source: "0.0.0.0/0",
description: "All outbound traffic",
rule_action: "allow",
status: "active",
created_at: datetime(),
updated_at: datetime()
});
// App Security Group Rules
CREATE (rule4:SecurityRule {
id: "rule-app-from-web",
direction: "inbound",
protocol: "tcp",
port_range: "8080",
source_type: "security_group",
source: "sg-web12345",
description:
CREATE (eni1:NetworkInterface {
id: "eni-12345abc",
name: "nat-gateway-eni-1a",
type: "nat_gateway",
private_ip: "10.0.1.100",
private_dns: "ip-10-0-1-100.ec2.internal",
subnet_id: "subnet-abc12345",
vpc_id: "vpc-12345678",
az: "cn-north-1a",
security_groups: ["sg-nat12345"],
source_dest_check: false,
tag: {
attached_resource: "nat-gateway",
environment: "production"
},
status: "in-use",
created_at: datetime(),
updated_at: datetime()
});
CREATE (eni2:NetworkInterface {
id: "eni-67890def",
name: "web-server-eni",
type: "instance",
private_ip: "10.0.1.50",
private_dns: "ip-10-0-1-50.ec2.internal",
subnet_id: "subnet-abc12345",
vpc_id: "vpc-12345678",
az: "cn-north-1a",
security_groups: ["sg-web12345"],
source_dest_check: true,
tag: {
attached_resource: "ec2_instance",
environment: "production"
},
status: "in-use",
created_at: datetime(),
updated_at: datetime()
});
// 8.3 NAT Gateway 建模
CREATE (nat1:NatGateway {
id: "nat-12345abc",
name: "production-nat-1a",
arn: "arn:aws:ec2:cn-north-1:123456789012:natgateway/nat-12345abc",
public_ip: "54.123.45.67",
private_ip: "10.0.1.100",
associated_vpc: "vpc-12345678",
associated_subnet: "subnet-abc12345",
network_interface_id: "eni-12345abc",
eip_allocation_id: "eipalloc-12345abc",
tag: {
environment: "production",
purpose: "private_subnet_internet_access",
tier: "networking"
},
status: "available",
created_at: datetime(),
updated_at: datetime()
});
// 8.4 Security Group 建模
CREATE (sg_web:SecurityGroup {
id: "sg-web12345",
name: "production-web-sg",
description: "Security group for web servers",
associated_vpc_id: "vpc-12345678",
tag: {
environment: "production",
tier: "web",
application: "frontend"
},
status: "active",
created_at: datetime(),
updated_at: datetime()
});
CREATE (sg_app:SecurityGroup {
id: "sg-app67890",
name: "production-app-sg",
description: "Security group for application servers",
associated_vpc_id: "vpc-12345678",
tag: {
environment: "production",
tier: "application",
application: "backend"
},
status: "active",
created_at: datetime(),
updated_at: datetime()
});
CREATE (sg_db:SecurityGroup {
id: "sg-db11111",
name: "production-db-sg",
description: "Security group for database servers",
associated_vpc_id: "vpc-12345678",
tag: {
environment: "production",
tier: "database",
application: "mysql"
},
status: "active",
created_at: datetime(),
updated_at: datetime()
});
// 8.5 Security Rules 建模（独立节点）
// Web Security Group Rules
CREATE (rule1:SecurityRule {
id: "rule-web-http-in",
direction: "inbound",
protocol: "tcp",
port_range: "80",
source_type: "cidr",
source: "0.0.0.0/0",
description: "HTTP from anywhere",
rule_action: "allow",
status: "active",
created_at: datetime(),
updated_at: datetime()
});
CREATE (rule2:SecurityRule {
id: "rule-web-https-in",
direction: "inbound",
protocol: "tcp",
port_range: "443",
source_type: "cidr",
source: "0.0.0.0/0",
description: "HTTPS from anywhere",
rule_action: "allow",
status: "active",
created_at: datetime(),
updated_at: datetime()
});
CREATE (rule3:SecurityRule {
id: "rule-web-all-out",
direction: "outbound",
protocol: "all",
port_range: "all",
source_type: "cidr",
source: "0.0.0.0/0",
description: "All outbound traffic",
rule_action: "allow",
status: "active",
created_at: datetime(),
updated_at: datetime()
});
// App Security Group Rules
CREATE (rule4:SecurityRule {
id: "rule-app-from-web",
direction: "inbound",
protocol: "tcp",
port_range: "8080",
source_type: "security_group",
source: "sg-web12345",
description:
