内容浏览
搜索中文标题、仓库名或关键词，再用分类、来源和日期缩小范围。
Datadog 的 Bits Investigation 是一个自动调查生产告警的 AI 助手。刚上线时，每次调查平均要花 25 美元、耗时 11 分钟，流程复杂。团队改用更简单的 ReAct 架构和新模型，并借助 Datadog MCP Server 执行代码、合并查询数据，让 AI 自己写代码查多源数据并汇总，减少来回折腾。到 2026 年 10 月，单次成本降到约 4 美元（降 84%），耗时约 2 分钟（降 82%），内部基准上的调查质量比 3 月版本高 44%。这能帮值班工程师更快找到故障根因。官方还在训练专门做站点可靠性调查的 Scout 模型，目前尚未开放，未来计划扩展到自动修复。
Datadog 正在开发一款叫 AI Guard 的安全产品，专门保护 AI 智能体。问题在于：智能体能访问内部系统和敏感数据，还会读取外部内容，攻击者可以把恶意指令藏在工具返回的内容里，诱导智能体做出危险操作；传统安全控制只看权限、不看意图，而智能体是边走边推理的，很难提前把它的所有动作都测一遍。AI Guard 的思路是直接嵌进智能体的运行循环里：先盘点云环境中有哪些智能体、各自连了哪些服务和数据，再在每一步决策点结合对话历史、自定义规则和应用上下文判断意图，发现异常就当场拦截或脱敏，并把整个事件过程整理成可调查的记录。目前该产品仍在开发中，文中未说明何时可用或价格。
Cognition 给它的 AI 编程 Agent「Devin」加上了分级预算功能。以前企业只能设置组织级上限或按用户分层，当一家银行把大额用量拆给几百个团队时就不够用了，有些客户只好自己开发内部工具来分配额度。现在管理员可以先设一个总预算，再按部门、项目、个人逐级拆分，最多三层，还能查看各部门花了多少；预算快用完时工程师会在首页收到提醒，并可在产品内申请更多额度，管理员可选择手动审批或按「效率分」自动放行。代价是：任务进行中预算耗尽，会话会直接停止；官方表示正在开发「软上限后切换到更便宜模型」来让工作跑完，但该功能尚未上线。
作者 Adi Polak 写了一篇文章，讨论怎么让 AI 智能体（能自己多步干活的 AI）更可靠。核心意思是：别把所有信息一股脑塞给模型，而是在信息进入模型前，由一层“上下文引擎”负责挑选、注入、压缩和过期清理。文章把上下文、记忆、知识三样东西分开讲，建议分层管理记忆、维护经过筛选的知识、给 token 设预算，还列出了“把上下文硬塞满”“反复使用过期数据”等常见错误做法及应对办法。读完后，做智能体的人能知道信息该怎么管才不出错，但文章只是方法论，没有提到具体工具或落地产品。
提供的材料未提及具体可用工具。
Uber 建了一个叫 MCP Gateway 的统一入口，让 AI 助手（Agent）在调用公司内部的各种工具时，都先经过这道“门”。原来内部工具分散在 800 多个服务器、共 5000 多个工具里，AI 助手要找到并安全调用它们很麻烦。这个网关把“登记有哪些工具”和“真正调用工具”拆开，还提供自动发现接口、访问权限控制、敏感信息打码、通过 Omni MCP 按需逐步发现工具，以及过滤返回内容。对读者的意义是：这套做法为企业管理大规模 AI 工具调用提供了一个可参考的治理样板。目前报道只提了架构和能力，没有说明是否开源或对外开放使用。
LangChain 的 CEO Harrison Chase 认为，大家已经在 Agent 架构上形成共识：让大模型在循环里调用工具、在沙箱里跑。所以有人认为“难的问题都解决了”。但他指出，随着“常驻后台、主动干活”的 Agent 出现，上下文工程又冒出一批新难题：怎么主动推送又不烦人；该记住什么、该忘什么；异步任务完成后怎么通知主 Agent；怎么把大目标拆成可反复试验的小步骤；怎么防止 Agent 为了达标而作弊，比如为消灭 bug 直接删掉代码；以及浏览器这个比终端复杂得多的工具该怎么驾驭。这些目前都没有通用解法，属于开放问题，文章未提到具体发布时间或可用产品。
LangChain 推出了托管深度智能体（Managed Deep Agents）：开发者把智能体的说明、工具和模型选择写成一个普通项目文件夹，用一条命令就能部署到 LangSmith 云上运行。以前要真正让智能体在生产环境跑起来，团队得自己搭服务器、做重启后不丢的会话记录、搭安全沙箱、管理定时任务和运行记录，复杂且费时。现在这些能力只要在项目里加对应文件，比如 memory.py 管记忆、schedules/ 管定时、sandbox/ 管代码运行环境，部署时就会自动配置好。目前该服务在 LangSmith Cloud 上处于公开测试阶段，还提供本地调试命令和 MCP 接口，方便接入其他应用。