资讯

本文分析了企业部署 AI 智能体（Agent）时面临的风险，如失控、安全漏洞和不可逆操作。开源 API 公司 Naftiko 的联合创始人 Kin Lane 提出，应通过系统思维、契约测试和沙盒环境来管理和验证智能体行为。文中还介绍了开源工具 Microcks 如何帮助企业构建共享的模拟环境，加速开发并降低风险。

Perplexity 扩展其 API 平台，新增 Embeddings API、Agent API 和 Sandbox API，暴露 Perplexity Computer 的编排层。Agent API 作为智能体工作流的托管运行时，统一了检索、工具执行、推理和多模型回退。新 API 帮助开发者聚焦智能体能力，而非底层集成。

Replit Agent 4 的发布揭示了 AI 开发平台向集成化知识工作套件演进的趋势。同期，英伟达 Nemotron 3 Super 模型凭借高效架构引发关注，而智能体编排层（Orchestration）和持久化运行时（Persistent Runtimes）正成为新的技术焦点。

Together AI 发布了构建实时语音智能体的统一平台，通过同地部署 STT、LLM、TTS 基础设施，将端到端延迟降至 700 毫秒以下。平台原生支持 Deepgram 的 STT 和 Cartesia 的 TTS 模型，并提供单一 API、统一计费与部署界面，满足企业级安全合规要求。

Symphony 是 OpenAI 推出的智能体编排（Orchestration）框架，能自动监控任务队列并生成智能体完成开发工作，提供 CI 状态、PR 反馈等证明。它基于执行框架（Harness）工程理念，提供了两种部署方式。

Galileo 推出开源项目 Agent Control，旨在为企业提供集中式的 AI 智能体管控平台，支持跨部署统一实施安全护栏。IDC 预测企业 AI 智能体使用量将激增，此类治理工具需求迫切。

LangChain 为 Deep Agents 添加了自主上下文压缩功能，模型可自行判断何时压缩历史对话。该工具通过中间件实现，已在 CLI 中默认启用，SDK 中需手动配置。测试显示模型使用保守，但能有效提升长对话效率。

JetBrains 指出 AI 编码智能体在缺乏项目结构理解的情况下生成代码，会累积「影子技术债」。公司发布 Junie CLI 作为独立智能体，具备代码库智能；同时推出 Air 环境，支持多智能体协同工作，定位为智能体时代的基础设施层。

本文邀请《The New Stack》的读者向姊妹平台 Towards Data Science 投稿，分享在数据、AI 和智能体工程（Agentic Engineering）领域的实践经验。文章介绍了投稿要求、受欢迎的内容类型以及作者报酬计划。

Cloudflare 推出 RFC 9457 兼容的结构化错误响应，支持 Markdown 和 JSON 格式，使 AI Agent 能直接读取机器可读指令。此举将错误响应负载和 Token 使用量减少超过 98%，提升 Agent 工作流的效率和成本效益。

文章分析了 AI 智能体面临的提示注入攻击如何演变为社交工程，强调防御需限制操作影响而非仅检测恶意输入。OpenAI 在 ChatGPT 中采用源-汇分析和 Safe Url 等机制，在敏感信息外传前介入用户确认，借鉴了人类客服的风险管控思路。

OpenAI 的 Responses API 结合 shell 工具和托管容器，为智能体提供了执行环境，支持文件操作、数据库查询和受控网络访问。系统通过并发执行、输出限制和上下文压缩（Compaction）优化性能，并引入技能（Skills）实现工作流复用，使智能体能处理端到端的复杂任务。

Brewlog 是一个自托管的咖啡日志平台，能追踪烘焙商、烘焙批次、咖啡袋、冲煮记录、设备和咖啡馆访问。项目采用 Rust 后端和 Datastar 前端，并集成了基于 LLM 的咖啡袋扫描功能。作者分享了项目设计决策和智能体编程模式。

文章定义了智能体执行框架（Harness）的概念，即模型之外的所有代码、配置和执行逻辑。通过分析模型原生能力的局限性，推导出文件系统、代码执行、沙箱环境、内存搜索等关键组件如何帮助智能体完成实际工作。执行框架设计旨在将期望的智能体行为转化为可实现的系统特性。

编码智能体降低了代码实现成本，使软件构建流程从PRD驱动的瀑布模式转向原型驱动的评审模式。EPD角色随之演变：通才价值飙升，系统思维成为关键技能，所有人需具备产品感，专业门槛提高，角色分化为构建者与评审者。

英伟达即将发布开源 AI 智能体平台 NemoClaw，旨在为企业提供安全部署方案。平台开放给所有公司使用，无论是否采用英伟达芯片。这可能是英伟达应对 AI 智能体安全担忧和行业变化的新策略。

本文记录了使用 AI 智能体（Claude Opus 4.6 + Copilot CLI）对经典教材《算法导论》进行大规模形式化验证的实践。智能体在数周内自动生成了超过 10 万行 F*/Pulse 代码与证明，但核心挑战在于如何有效审计同样由 AI 生成的规范。文章分享了主要发现，包括程序验证工具的有效性、规范审查的难题，以及由此带来的编程语言设计研究机会。

文章分析了数据智能体部署失败的原因，指出缺乏业务上下文是关键障碍。现代数据堆栈虽集中了数据，但企业数据仍分散混乱，智能体无法理解业务定义和数据源。上下文层（Context Layer）被视为解决方案，需整合企业数据并提供业务逻辑上下文。