内容归档
按栏目浏览往期内容，用关键词、分类和日期找到需要的信息。
Yelp、Platformable 和 Harness 的工程负责人最近在一场 LeadDev 讨论中提出，AI Agent 已经会自己提交代码改动、调整配置，速度常常超过人工审核。旧的做法是出了事再翻政策文档，但这样跟不上 Agent 的节奏。他们的建议是把治理直接做进内部开发平台：记录人和 Agent 的操作、控制 Agent 之间的访问和数据流动，并在流水线里用代码强制执行规则，还要能回滚模型版本。对平台团队来说，这意味着治理不再只是安全或合规部门的事，而是需要和安全、法务、财务一起商量的平台投入；越早做，越能在下次被问到“谁在盯着 Agent”时给出答案。
InfoQ 举办了一场线上讨论，请来 Harness、DKB、Shine 的工程负责人聊平台工程在 AI 时代怎么变。起因是一个调查数据：94% 的工程负责人说，他们最想看的 AI 指标根本拿不到。讨论主要围绕两件事：一是哪些 AI 编程工具该由平台统一提供、哪些让团队自己选；二是过去给人类用的开发者门户，现在 AI 智能体也要直接调用，接口和权限护栏都还没有现成答案。对读者的用处是：它提醒平台团队要开始追踪 AI 花的钱和实际产出的代码，并重新设计面向人和智能体两套用户的开发体验。
Harness 公司在一场网络研讨会上提出，AI 行为应该像软件发布一样被管理。以前，团队想换一个提示词或模型，往往要等下一次部署，可能需要好几周。他们的办法是把提示词和模型设置存成“AI 配置”，可以随时在运行时调整，不用重新部署。这样就能小范围试跑、对比效果、出问题一键关停，还能记录谁改了什么。对做 AI 功能的团队来说，改起来更快也更安全。
很多公司现在都写了 AI 花钱的规矩，比如预算上限是多少，但根本看不到钱实际花在哪儿。结果就是账单来了才发现超支，调查原因可能要好几天甚至一周。有调查显示，73% 的组织有 AI 成本政策，却只有 13% 能看清自己的 AI 开销，72% 在过去一年里被意外账单吓到过。光有政策不够，还得有能实时看到花费的手段，这样才可能提前发现哪个团队用了太贵的模型、或者重试循环把账单翻倍。
提供的材料未提及具体可用工具。
GitHub 把 Copilot 的“代理运行时”（驱动 Copilot CLI、App、SDK 等产品的核心引擎，原本用 TypeScript 和 Node.js 写成）整体重写成了 80 多万行生产级 Rust 代码。原本的问题是，这个运行时被嵌进命令行工具里，其他程序要用它，就得另外启动一个 Node 进程通过进程间通信来调用，启动慢、内存占用高（每个客户端至少多出约 100MB），还容易因 Node 崩溃把整个会话带崩。这次借 Copilot App 和 Copilot CLI，让 AI 代理写了大部分代码，分 128 个 PR 增量发布到主分支，边迁移边修问题，而不是最后一次性切换。结果是性能提升了好几个数量级，原本一个团队要花一两年的事情，主要由一名开发者在几个月内完成。
OpenAI 在它的“预备框架”里，把还没正式发布的 GPT-6 Astra 标成了网络安全“关键”级别，这是头一回。在专家监督的测试里，这个模型自己找到了浏览器和操作系统内核里以前不知道的漏洞，还写出了能用的攻击代码。同时，官方报告说模型“思维链”的可监控性下降了不少——也就是我们更难从外部看懂它在想什么。对普通读者来说，这说明大型 AI 的攻防能力正在变强，以后看模型安全不能只看它会不会聊天。
提供的材料未提及具体可用工具。
这期播客请来了 Spring Tools 的负责人 Martin Lippert。他回顾了开发者工具从 Eclipse 到 VS Code 的变化，并讲了 Spring Tools 的内部设计思路。他们聊到语言服务器和 MCP 这类技术，说明过去用来帮程序员保持专注的机制，现在也能帮 AI 编程助手更好地理解 Spring 项目。如果你关心 Java、IDE 和 AI 辅助开发的走向，这期有不少可参考的内容。
LangChain 推出了 Deep Life Sci，一个开源的生命科学智能助手，面向临床和实验室科研人员。此前通用的 AI 助手缺少生命科学领域的专业知识和数据接入，而生物医药专用产品又往往闭源且昂贵。Deep Life Sci 能直接检索 ClinicalTrials.gov 上 60 多万项临床研究、2900 万篇 PubMed 摘要和 1200 万篇 PubMed Central 全文，还能在安全沙箱里跑代码做数据分析、把任务分给数百个子智能体，并读取 PDF、图像、表格、序列等文件。对药企和科研团队来说，它开源可改，能接入自家数据、换用不同模型，并通过 LangSmith 的追踪与评测看到实际效果。
Included Health 是一个与雇主和健康计划合作的医疗平台，它的 AI 助手 Dot 帮会员解答医疗、费用和行政问题。过去，这类系统靠固定的决策树来导航，遇到复杂需求会显得很死板，比如有人说“我胸口疼”，系统要问很多问题才意识到可能是紧急情况。现在，他们用 LangGraph 搭建主流程，再用 Deep Agents 统一各个子 Agent 的语气和上下文。这样当会员在不同服务间转接时，不用重复自己的情况；还能通过“技能注册表”按需加载信息，让 AI 在合适的时候询问合适的问题，更自然地引导会员找到正确的医疗服务。
Datadog Observability Pipelines 发布 Microsoft Sentinel Packs，可将 Palo Alto、Fortinet、Cisco ASA、Cisco Meraki、ExtraHop 等来源的安全日志预先映射为 Sentinel 表结构（如 CommonSecurityLog、Syslog），并在管道中过滤噪声、控制按 GB 计费的摄取成本，同时保留完整原始日志。
Datadog 将 Bits Chat 引入 Slack，让响应者可在 Slack 频道内直接调用 Bits AI 调查告警、分析遥测数据、生成修复代码的 PR、执行补救操作并自动创建事后复盘笔记本，从而减少工具切换，加快事件响应。
OpenAI 总裁兼联合创始人 Greg Brockman 在 a16z 播客节目中说，现在开发者一直在"改造世界"，给每个软件单独搭建 MCP 服务器、CLI、API 等接口，专门让 AI 代理能用，这种做法很别扭、维护成本也高。他建议换个思路：让 AI 像人一样直接操作电脑，用屏幕、键盘、鼠标这套人人都在用的界面，这样就不必为每个应用单独造接口。这个想法在 OpenAI 2015 年成立之初就被讨论过。不过文章也提到，连接器短期内不会消失：AWS 最近为 AgentCore Gateway 上线了管理式授权门户，OpenAI 自家的 Codex 插件也仍是首选方案。对读者来说，这意味着未来用 AI 操作软件可能更简单，但目前结构化对接仍不可替代，Brockman 的说法更像方向展望而非近期落地。
提供的材料未提及具体可用工具。
Anthropic CEO Dario Amodei 发表文章，提议每一家前沿 AI 公司都应允许一个第三方评估团队以“类似正式员工”的权限进入公司，检查安全措施是否真正落实，并上报问题。背景是有人担心 AI 发展太快可能带来失控风险。目前 METR 等机构已在招聘这类评估师，年薪最高约 68.7 万美元，要求能独立做失控风险建模、审查训练过程和提示词；Mercor 也有类似岗位，年薪 18 万到 30 万美元，要求博士或硕士加两年以上相关经验。对读者来说，这代表 AI 安全和评估可能成为一类高薪新职业，但该做法能否真正独立监督大公司、以及小机构能否负担，都还没有明确答案。
Anthropic 之前把 Claude 分成两个入口：日常问答用 Chat，处理大项目用 Cowork，做视觉设计还要再进 Design，用户每次都得先想“这活儿该放哪儿”。现在它把 Chat 和 Cowork 合并成一个对话界面，从简单回答到多步骤任务都能在同一段对话里完成，Design 也搬进了对话，同时以测试版形式在付费方案中推出 Claude Docs 和 Claude Slides，可在对话里直接做文档和演示文稿并导出成 PowerPoint 或 PDF。对用户来说，好处是不用再纠结从哪个模式开始，背景信息、连接的工具和技能能跟着对话走，任务还能在关掉笔记本后继续跑。目前先向 Pro 和 Max 用户开放，未来几周覆盖网页、桌面和手机端，团队版和免费版随后跟进，企业版有至少 30 天提前通知；但官方没说能否强制只走简单聊天、对上下文和 token 消耗有何影响，也没有提 API 变化。
Zed是一家做代码编辑器的公司，它推出了一个叫Delta的新工具，让大家和AI助手在同一个“讨论串”里一起写代码、改代码、审代码，而不是像以前那样把改好的代码打包成“拉取请求”发给同事看。原来的问题是：GitHub当初是为人类开发者设计的，现在AI助手生成代码的速度太快，每月提交量从2025年全年的约10亿次涨到2026年4月的14亿次、8月的29亿次，导致GitHub频繁出故障，而且拉取请求只给审阅者看最终的代码差异，看不到AI为什么这么改的讨论过程。Delta用底层记录每一次编辑和对话的方式，把这些中间过程都保留下来，让审阅者能追问AI、试用修改。现在Delta已经公开测试，Zed内部已经不用拉取请求开发自己的Delta仓库，33名开发者提交了570次变更；不过它目前仍然搭配Git仓库使用，完全离开GitHub大概还需要几个月。
WordPress母公司Automattic的CEO Matt Mullenweg前几天突然被宣布休假，由CFO暂代，但仅33小时20分钟后就重新上任。公司没有说明原因，只强调董事会支持他。专家分析，这可能是一场未成功的控制权变动，但真相还不清楚。这件事提醒我们，公司高层变动时，员工和投资者最需要知道的是：决策过程是否清晰、以后类似问题怎么解决能让人放心。
提供的材料未提及具体可用工具。
Perplexity 公司觉得用亚马逊 DynamoDB 太贵、读性能不可控，于是让两名工程师带着数百个 AI 编程智能体，花两个月写了一个约四万行的 Rust 键值数据库 CobbleDB，现在已承担部分线上搜索流量。读取延迟从 DynamoDB 的中位 31.4 毫秒降到 5.6 毫秒，p99 从 123 毫秒降到 24.2 毫秒，预计成本至少省 20%，未来计划开源。不过 AI 智能体只帮忙写代码、查问题和跑测试，架构和生产系统仍由两名工程师掌控，没有让智能体直接碰生产数据。对读者来说，这说明 AI 辅助开发让小型团队自建基础设施变得更可行，但长期维护这套自定义数据库的成本和工程投入尚未计入，延迟对比也非同时同流量的严格基准测试。
本文介绍如何通过 Harness Pipelines 与 Harness Terraform Provider 构建一条全自动 CI/CD 流水线：在 CI 步骤中内联运行 Terraform 动态创建唯一命名的 Docker 镜像仓库，构建并推送容器镜像，再将其部署到 Kubernetes，并通过输出变量与 Harness 表达式在各阶段间传递数据，全程无需手动操作 UI。
文章对比了 2026 年主流 Kubernetes 成本管理工具（如 Kubecost、OpenCost、CloudZero），从成本分摊粒度、多集群多云的覆盖范围、showback/chargeback 支持及定价模式等维度展开分析，并指出云厂商原生账单工具无法反映 pod 与命名空间级别的花费，建议团队按自身成熟度选型。
Pinterest Engineering 对其 Manas 搜索平台进行升级，以管理海量数据并提升搜索与发现效率。通过应用标量量化和乘积量化，内存占用显著降低，同时保持高召回率。该平台利用 SSD 优化性能，并正转向多向量模型以实现更精细的相关性匹配。作者：Olimpiu Pop