Agent 与工作流01
传统上，Kubernetes 假设软件只会做开发者写好的事，但 AI 智能体能自己思考、选方案、调用工具、持续朝目标推进，这让它在生产环境中的运行方式与传统应用很不一样。问题是：AI 行为是概率性的，无法精确预测它会用到哪些资源，安全沙箱和监控就成了大难题；同时智能体可能只存活几秒，启动却要等好几秒，传统调度方式不够快。社区正在推动把沙箱作为约束智能体的架构元素，但开源 Kubernetes 功能尚未齐全，企业目前可借助已带沙箱能力的商业发行版；还有人提出“智能体底座”方案，让智能体在热池中休眠，实现毫秒级唤醒，而非秒级冷启动。对读者来说，这意味着想在 Kubernetes 上跑 AI 智能体还需额外注意安全隔离、监控和启动延迟，不能直接照搬普通应用的部署方式。
文中可用工具
- Kubernetes用于部署和运行分布式应用及 AI 推理工作负载的容器编排平台
- CNCF云原生计算基金会，正在推动 Kubernetes 安全与隔离能力建设
- agent substrate社区中受关注的方案，让 AI 智能体在热池中休眠以实现毫秒级唤醒
Agent 与工作流02
LangChain 公司为市场、销售和工程团队搭建了内部智能体，并说这些智能体已经明显改变了团队的工作方式。他们遇到的核心问题是：智能体该在哪儿跟人交互、代表谁的身份去操作、记住哪些信息、在哪里安全执行代码，以及如何定时自动运行。他们的做法是让智能体住在员工日常用的 Slack 里，区分“代表提问者本人”和“用固定身份”两种权限，把记忆分成全员共享和按用户两层，代码放到隔离沙箱里执行，并让很多任务由定时或事件触发而非人工唤起。这些智能体都基于 Managed Deep Agents 构建，官方称现在就可以按快速上手文档试用；但文章也承认记忆这块探索最少、还有很多工作要做。
文中可用工具
- Slack员工日常聊天的地方，智能体以独立应用形式入驻，可私聊或在频道里被@
- OpenSWE工程智能体，能起草代码合并请求（PR），也会审查所有 PR
- GTM Agent面向市场销售流程的常驻智能体，监控和回复邮件、跟进新线索、发每日简报、执行外呼动作
- Content Studio市场内容智能体，按公司风格和定位起草博客、图片、PPT、视频等素材
- LangSmith Sandboxes提供隔离沙箱环境，智能体在其中执行代码并通过密钥代理安全访问需要认证的服务
- Managed Deep Agents托管式智能体基础设施，在上述开源框架之上提供频道、定时任务、沙箱、记忆、身份等能力
- Deep Agents开源智能体框架，Managed Deep Agents 建立在它之上
- SalesforceGTM Agent 用固定身份访问的客户关系管理工具
- NotionContent Studio 使用的文档工具，操作时代表发起请求的用户本人
- TwitterContent Studio 使用公司固定账号凭据操作，且只有白名单用户能做发帖等操作
- GitHubOpenSWE 在后台运行时以 GitHub 应用自己的身份操作，用户发起时则用该用户的 GitHub 账号
工具与应用03
AWS 周四正式开放了名为 Continuum 的 AI 安全服务。它会自动在你的代码仓库里查找漏洞、复现问题，对照 AWS 环境验证，然后提交带修复方案的 PR。AWS 自己发布的测试显示，在 920 个 C/C++ 内存安全漏洞任务中，Continuum 有 89% 能找出并修好漏洞且不破坏原有测试，远超此前公开最高分 65.9%。不过这个分数是 AWS 自己跑的，还没第三方复现；而且只有 37.8% 的修复同时命中了测试指定的那个历史漏洞——因为智能体并不知道要找哪个洞。测试也只覆盖 C/C++ 一类问题。对开发团队来说，它可能帮忙快速发现并修掉真实漏洞，但具体修的是不是你要的那个，还需人工确认。
文中可用工具
- ContinuumAWS 的 AI 安全智能体，自动查找并修复代码仓库中的漏洞，提交修复 PR
- CyberGym-E2E用于评测 AI 修复漏洞能力的公开基准测试，含 139 个开源项目和 920 个任务
Agent 与自动化04
minhacademi/skills · Agent skills for the cademi CLI and the Cademí API v3. Works with Claude Code, Cursor, Codex, OpenCode and any Agent Skills client.
该项目是 Cademí 发布的 Agent Skills 集合，以可移植的 SKILL.md 指令集形式，教 Claude Code、Cursor、Codex、OpenCode 等编程智能体如何操作 cademi CLI 和 Cademí API v3，涵盖发现、认证、输入输出约定、退出码、安全写入、异步操作、事件、沙箱、配置即代码等内容，并提供按命令域划分的参考文档。技能可通过 skills CLI、Claude Code 插件市场或手动复制安装，也支持由已安装的 CLI 自身安装配套技能。
训练与微调05
openenv/OpenEnv · An interface library for RL post training with environments.
OpenEnv 是一个用于创建、部署和使用隔离执行环境的端到端框架，面向智能体强化学习后训练。它提供 Gymnasium 风格的 reset/step/state API（支持同步与异步，通过 WebSocket 连接），每个环境以 Docker 镜像形式在本地、云沙箱或 Hugging Face Space 上运行，并提供 40+ 个现成环境（游戏、代码沙箱、浏览器、金融、模拟器等）。项目支持与 TRL、Unsloth、SkyRL、ART、Oumi、torchforge、Miles 等训练框架配合，内置奖励组合与 Inspect AI 评测能力，同时可通过 CLI 脚手架创建、校验和推送自定义环境。
工具与应用06
Datadog 推出 Agent Observability 的新功能，帮企业搞清楚 AI 智能体的钱花在了哪里。原来云厂商账单只按 API 密钥和模型统计，看不出是哪个应用、哪一步工作流在烧钱，所以成本一涨就很难查原因——可能是流量变大、换了更贵的模型，也可能是缓存没用上、对话历史每轮都重发。现在这个工具把估算的 AI 成本直接挂到具体应用和请求链路上，打开 Cost 页面就能按应用对比花费和效率（比如每次请求成本、缓存命中率），还能钻取到单次最贵的调用，看它的执行链路。它还会自动指出可省钱的点，比如未被缓存的提示词前缀，估算能省多少并给出修改建议。对读者来说，这意味着 AI 成本问题能更快定位到技术原因，而不是对着账单猜。目前材料只说明这是 Datadog 的产品能力介绍，未说明具体定价和正式上线时间。
文中可用工具
- Datadog Agent Observability把 AI 智能体的估算成本关联到具体应用和调用链路，帮助定位花钱多的环节
- Cost page按应用、供应商或自定义标签查看 AI 花费和效率指标
- Cost Savings Opportunities找出可避免的花费并估算潜在节省、给出修复建议
- Most Expensive LLM Calls table按估算总成本给 LLM 调用排名，方便查看最贵的请求
- Execution Graph展示智能体、LLM 调用、工具和评估之间的连接关系
- Datadog Application Performance Monitoring (APM)与 Agent Observability 关联，把 AI 操作放回更完整的应用调用链中排查
Agent 与工作流07
Google 宣布将把内部支撑 Gemini 智能体的计算基础设施，以 Agent Compute Engine 的形式开放给 Google Cloud 用户预览，时间在今年晚些时候。过去 Google 自家智能体用的这套系统，需要兼顾启动快和隔离安全：传统虚拟机太慢，容器又不够隔离，写代码的智能体还需要 root 权限和独立内核。现在每个智能体都跑在独立的微型虚拟机里，可以挂起、恢复，且沙箱内不放任何密钥，访问外部服务要经过代理校验身份和授权。对开发者来说，以后跑长时间、高权限的智能体任务可以少操心隔离和安全问题。目前只宣布了预览计划，具体定价和上线时间原文未说明。
文中可用工具
- Agent Compute EngineGoogle 给每个 AI 智能体提供隔离微型虚拟机的云服务，尚未开放，仅宣布预览计划
- Agent SandboxGoogle 在 GKE 上提供的开源沙箱项目托管版本，用于运行智能体
- GKEGoogle Kubernetes Engine，Google 的托管 Kubernetes 服务，Agent Sandbox 和 Agent Substrate 运行于此
- Agent SubstrateGoogle 为 GKE 提供的开源智能体运行时，今年五月首次公布
- Gemini Enterprise Agent PlatformGoogle 售卖代码执行和计算机操作沙箱的平台
- FirecrackerAWS 开源的微型虚拟机技术，E2B 用它运行沙箱
- E2B向开发者提供智能体沙箱的创业公司，支持任意云
- Daytona提供智能体沙箱的创业公司，七月加入微型虚拟机沙箱
- Bedrock AgentCoreAWS 的智能体沙箱服务，每个会话独立微型虚拟机
- Cloud HypervisorAgent Compute Engine 微型虚拟机所基于的开源虚拟机监视器
- Agent Gateway在沙箱外校验用户授权与沙箱身份后再注入凭据的网关
- Antigravity原文仅提到 Agent Compute Engine 最初也服务于它，用途未说明
Agent 与自动化08
cekinmezyucel/ai-hub · From PRD to production with AI agents: reusable skills, human gates if necessary, verified output.
ai-hub 是一个以 Python 编写的开源示例项目，用于演示 AI 驱动的软件开发生命周期。它以固定工作流串联多个技能，依次完成 prd、spec、plan、implement、verify、review、deploy、check 等步骤；只有 implement 这一步由 Agent 在沙箱内执行，其余步骤均为固定的技能步骤，并在必要时设置人工审批环节。项目强调各步骤只通过文件和 Issue/PR 评论交接，每步输出可被流水线读取的报告标记；计划用 GitHub Actions 或自建 harness 逐步自动化，并包含评测、MCP 与沙箱等后续方向。当前处于早期阶段，尚未说明部署条件和硬件要求。
Agent 与自动化09
guessleej/xHarness · Governance-first AI agent harness: zero-dependency Python, any OpenAI-compatible endpoint, sandbox, approval policy, cost brakes, MCP client, eval suites, SSDLC. On-prem friendly.
xHarness 是云碩科技（xCloudinfo）开发的插件式 AI agent harness，以治理优先、零运行时依赖为设计目标，使用纯 Python 标准库实现。它可以对接任何 OpenAI 兼容端点（llama.cpp、vLLM、Ollama、LiteLLM 或企业网关），适合地端部署。项目提供内置文件与 Shell 工具、沙箱隔离、有副作用工具的审批策略、成本限制、MCP client、会话记录、持久记忆、eval 评测套件、子代理与多代理讨论、Web UI 与舰队视图、桌面版、Telegram 通道、多节点舰队、多用户与配额、hooks、LSP 与 ACP 编辑器集成等功能，并配套 SSDLC 安全设计文档。