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。
Harness 宣布收购了 Augment Code 的编程智能体产品，包括 Cosmos 软件工厂等，想解决的是：代码生成变快了，但测试和发布流程没跟上，反而成了瓶颈。他们计划让智能体在写代码时参考过去的部署失败记录，自动修复问题，但这项整合功能还没上线，具体怎么交换信息、权限怎么分配都没说清楚。目前 Cosmos 仍可在原网站使用，程序员依然要人工审核代码。对读者来说，如果团队用这套工具，现在只能用到基础功能，真正好用的部分还得等。
Spotify 的工程师 Pratik Rasam 在一场演讲中介绍了 Spotify Ads Manager 如何用 Google ADK Java 在生产环境大规模运行多智能体系统。多智能体系统就是让多个 AI 程序各管一块任务、协同工作；规模一大就容易变成难以维护的“单体巨兽”，也难控制成本。他分享了架构模式、领域归属、确定性护栏和基于追踪的评估策略，以及划定智能体边界、优化工具结构、控制成本等经验教训。目前这是演讲分享，材料未说明具体落地成效或可复用代码。
Stripe 做了一个叫 Restock 的示范智能体，它住在 Slack 里，能帮你在网上找商品、把商品放进购物车并完成付款。以前让 AI 自己花钱很麻烦：要么让它在网页上模拟点按结账，容易出错，要么得把银行卡信息交给模型，很不安全。这次的做法是让付款交给 Stripe 的消费者钱包 Link 处理，模型从头到尾看不到卡号，而且用户要在 Slack 里确认订单并设定花钱上限，比如买一盒 25 美元以内的蓝笔，智能体最多只能花这么多。对读者的意义是，可以从 Restock 的示例代码出发，自己搭一个能安全付款的智能体。
一群曾参与 OpenSearch 的工程师创立了 Infino，推出面向 AI 智能体的统一检索层。过去，智能体要查数据得分别对接数据仓库、搜索引擎、向量数据库，还要用 ETL 管道同步，查询繁琐、成本高。Infino 把数据以 Parquet 格式存到对象存储，用一条 SQL 就能同时完成关键词搜索、语义搜索、过滤、聚合和连接，省去多个系统和胶水代码，还能集中管理权限。对开发者来说，接入更简单、花费更低，核心引擎已在 GitHub 开源（Apache-2.0），Infino Cloud 托管服务也同时推出，但其中部分专有功能需付费使用。
Hannah Foxwell 分享了智能体编程兴起后，工程负责人需要重新思考团队协作方式。她提出三个关键抓手：只做值得做的软件、把自动化安全放在速度之前、用「破梳型」通才技能和可持续的值班制度保住人的位置。原文只是演讲摘要，没有给出具体实施步骤，也未说明这些观点基于哪些案例或数据。
提供的材料未提及具体可用工具。
LangChain 发布了 Managed Deep Agents v0.9。以前智能体只能按固定方式运行，现在它们能在聊天中自己创建提醒和重复任务，每次运行前还能重新选择用哪个模型、哪些技能和工具，不用为每个团队复制一份。智能体还能在回复前先在 Slack 消息上点个表情，告诉对方“收到了”。目前这个版本处于公开测试阶段，想用的人可以开始试用。
Deep Agents 是一个用来搭建 AI 智能体的工具，技能则是教智能体做特定事情（比如准备客户会议）的说明文件。过去技能和工具是分开管理的，技能一多就容易占用智能体宝贵的上下文空间，还可能先调用工具却没读过使用说明。这次改版让工具可以绑定在技能上，只有读了技能才会加载对应工具，还支持在对话开始时锁定某个技能、以及在不重开对话的情况下重新加载技能。对使用者来说，长期运行的智能体可以带着成千上万个技能而不挤爆上下文，响应更快、行为更可控。
GitHub 正在一边保持线上服务运行，一边重建它的 Git 底层存储系统。过去每个仓库都在多台文件服务器上保存完整副本，加副本能加快读取，但每次写入也要同步所有副本，于是读扩展越多、写就越慢，难以承受成千上万个 AI 智能体并发提交。新架构的目标是把“数据持久保存”和“读取扩容”拆开，让写入不再被最慢的副本拖累。对普通开发者的直接好处是更快的推送、克隆和 CI，尤其是每天产生海量提交的仓库；目前这还只是重建工作的介绍，没有说明具体上线时间、迁移步骤和性能数据。
提供的材料未提及具体可用工具。
Dynatrace 是一家做应用和基础设施监控软件的公司，它推出了一款叫 Bluebox 的 AI 智能体，想让工程师的工作更轻松。以前监控工具一出问题就拼命发告警，工程师得自己排查、写修复代码，很费时间。Bluebox 会把团队的代码和线上实际运行数据做对比，然后直接生成一个修复补丁（pull request），工程师可以审核后决定是否采用，也可以让它自动运行。它还能把告警和修复建议推送到 Claude、Codex 这些开发者已经在用的工具里，不用再开一个新面板。Dynatrace 仍然提醒客户：批准修复前要先检查，别完全信任 AI 的输出。目前 Bluebox 在七月发布，已可以使用，但公司希望未来 12 到 18 个月团队能逐渐给智能体更多自主权。
Elastic 的 Susan Chang 讲述了他们公司如何把 AI 智能体（agent）的测试评估从零散、各自为政的做法，改造成一套统一、可用于生产环境的评估框架。原来的问题是：不同团队各测各的，方法随意，出了问题难以及时发现。她的解决思路包括：把“让大模型当裁判”和“写死规则判断”两种评估方式结合起来；把数据科学家常用的 Python 评估代码和生产环境用的 TypeScript 代码打通；再配合深度追踪，在复杂的 RAG（检索增强生成）和安全场景中抓出性能退步，同时不丢失业务上下文。对读者的用处是：如果你的团队也在做 AI 智能体产品，这套经验能帮你建立更靠谱、更可复用的评估流程。
提供的材料未提及具体可用工具。
Anthropic、Linear 和 Depot 在九月先后指出：智能体写代码太快，把持续集成（CI，即每次提交代码后自动跑测试的流水线）压成了瓶颈。Anthropic 的 CI 任务量半年涨了 25 倍，工程师每季度交付的代码约为 2021 至 2025 年的 8 倍；Linear 的测试套件自一月以来翻了近两番。业界的反应是让流水线更快，但作者认为这解决错了层面：云原生系统里一个仓库只是几十个服务之一，CI 只验证仓库里的代码和模拟（mock）出来的依赖，跨服务边界才出问题。真正该做的是把验证提前到提交 PR 之前、并且针对整个系统而非单个仓库，再用共享的 Kubernetes 集群多路复用来控制成本。读者会得到判断：智能体时代不能只靠提速，还要改变验证的对象和时机。
这则快讯汇总了近期的 AI 动态：OpenAI 在 DevDay 上推出 Dots，Meta 推出了 Muse，xAI 出了 Grok Bot，它们都是“常驻型”的个人智能体——像一直待命的助手，能自己开电脑、开浏览器、替你干活。Anthropic 的回应是把已有的 Cowork（能定时跑任务、合上笔记本也继续工作）直接并入 Claude 主应用，先给付费订阅用户使用。对读者的意义是：这类产品还很年轻，没有赢家；竞争的关键不是发布噱头，而是有没有人真的把它当日常工具反复使用。
DoorDash 的两位工程师 Swaroop Chitlur 和 Sidd Kodwani 分享了公司内部搭建生成式 AI 平台的过程。最初他们主要依赖外部厂商的模型，后来逐步转向开源权重模型，并搭建了统一的 LLM 和 Agent 网关来管理调用。平台要同时兼顾准确度、响应速度和成本，目前服务超过 5000 名内部用户。对读者来说，这是一个大型公司如何把生成式 AI 落地到内部、并控制成本和性能的真实案例。
提供的材料未提及具体可用工具。
Dynatrace 推出了一款叫 MCP Server 的工具，能把 AI 编程助手直接连到 Dynatrace 的实时监控数据上。以前开发者用 AI 写代码时，AI 只能看到代码本身，看不到代码在生产环境里跑得怎么样，所以排查性能问题很费劲。现在开发者可以用大白话向 AI 提问，AI 会去查真实的运行数据并给出具体到代码行的修复建议。文章演示了一个案例：数据库 CPU 被一个低效查询占满，AI 找到了问题，只加两行索引就解决了，响应时间大幅下降。对开发者的好处是排查更快，但文中的演示和截图来自未来日期，实际可用状态原文未明确说明。
Stacklok 创始人 Craig McLuckie 在 CNCF 博客上提出，目前多数 AI agent harness（即围绕 AI agent 的上下文、文件系统、子 agent、权限等支撑层）太“本地”，只适合单个开发者在笔记本上跑，难以支撑数百个会话，会话容易中断，体验也无法在不同客户端或设备间迁移。他认为应当把 agent harness 当作云原生分布式应用：把 agent 循环与底层基础设施和服务分开，就像 Kubernetes 教会业界“容器里的单体仍是单体”一样。对读者来说，这预示未来 AI agent 的支撑层可能像云服务一样可扩展、可迁移，而不只是本地玩具。目前这只是观点和倡议，尚未说明具体落地产品。
提供的材料未提及具体可用工具。
DigitalOcean 最近上线了 DigitalOcean Managed Agents，目前处于公开预览阶段。过去要让 AI 智能体在云端跑起来，往往得自己搭服务器、管权限、配推理环境，比较麻烦；这次它把这些打包成托管服务，用隔离的微虚拟机运行智能体，对工具访问做统一管控，并提供免运维的 AI 推理。对开发者来说，可以少操心底层设施，把精力放在智能体本身的功能上。
InfoQ 的编辑 Artenisa Chatziou 发布消息：QCon 旧金山 2026 大会将邀请 Airbnb、OpenAI、Netflix、Honeycomb 等公司的工程实践者，分享他们如何在 AI 智能体承担越来越多工作的情况下，构建、运维和演进自己的生产系统。目前这只是一则预告，具体议题、日程和举办时间等细节原文未说明，因此还无法确认哪些内容会公开或开放观看。对读者来说，这提供了一个了解大公司真实工程经验的机会，但暂时没有可以直接上手使用的工具或方案。
提供的材料未提及具体可用工具。
Ian Cooper 做了一场演讲，讲的是当系统靠“消息”互相通知、而且规模很大时，怎么管好这些异步接口。他把消息机制拆成三个基础点：地址（消息往哪送）、绑定（用什么方式送）、契约（消息长什么样）。原来的问题是消息散落各处、难以发现和统一管理；他介绍用 AsyncAPI、CloudEvents、schema 注册表，加上自动化 CI/CD 流水线来解决发现、治理和开通的问题。这些做法来自 Just Eat Takeaway 的真实工程实践，对需要维护事件驱动系统的团队有参考价值。