智能体基础设施

Ramp 六周自建 AI Agent 运行框架，LangChain CEO 称这是更大变革的一部分

金融科技公司 Ramp 花了好几个月试用市面上的托管 Agent API、开源框架和第三方平台，最后决定自己造。他们用六周时间做出了第一版内部 Agent 运行框架 Laminar，现在支撑公司所有 Agent 产品。原因是不想被单一模型供应商绑死，希望按成本、速度和效果自由切换模型，也想要更好的调试和观察能力，内部自建还能直接和产品工程师协作、不用等外部厂商改代码。做法上，它把对话会话和运行代码的沙箱分开，凭据和调度放在沙箱外；Agent 默认异步工作，不必每步都等完成；还用一个连接器服务集中管理认证、权限和工具调用。LangChain CEO 公开点赞其中多项设计，认为这反映了 Agent 基础设施的走向，但原文并未说明 Laminar 是否对外发布或开源。

系列文章：智能体 AI 架构

InfoQ 正在推出一组由行业专家撰写的系列文章，提出把“智能体 AI 架构”当作一种新的软件架构来看待。过去大家谈 AI 应用，多是把模型当成一个功能嵌进系统里；这组文章想说明，当 AI 智能体能自己规划、调用工具、协作完成任务时，系统该怎么设计、有哪些要素和最新做法。文章认为这类架构可能在未来几年成为行业主流。读者可以借此了解一个新架构方向的全貌和趋势，但原文没有给出具体文章篇目、发布时间和落地案例，这些信息暂未说明。

rgctl：面向 LLM 智能体的代码知识图谱与调用关系查询工具

sshaaf/rgctl · A code knowledge graph built for LLM agents — accurate answers, minimal tokens, maximum speed

rgctl 是用 Rust 实现的代码知识图谱命令行工具，为 LLM 编程智能体提供确定性的结构化查询能力。索引一次后，可通过紧凑的 JSON 输出查询调用者、传递影响范围（blast-radius）、控制流与数据流切片、克隆检测、社区聚类以及 PR 调用路径变化，减少智能体反复用 grep 搜索整个代码库并读取整文件带来的 token 开销。项目使用 tree-sitter 解析器，覆盖 14 种一级语言以及 ERB、Markdown，并支持将技能包安装到 Cursor、Claude、Codex 等编码智能体。

Beam 从运行智能体的 Mac Mini 上单独拉取应用窗口

连续创业者 Hiten Shah 和 Sam Asante 做了一个叫 Beam 的新 Mac 应用。原来很多人把 Mac Mini 放在角落或机柜里跑 AI 智能体，想操作它只能开屏幕共享、进一个完整的远程桌面，很麻烦。Beam 的做法是把对面 Mac 上的单个窗口搬到你的 Mac 上，终端或浏览器窗口都行，它有自己的程序坞图标，能切换、能拖文件、声音也在本地播放，应用本身不离开原机器；两台 Mac 需为苹果芯片、macOS Sonoma 或更高版本，并都装 Beam，同一 Wi-Fi 或通过 Tailscale 互相发现。托管 Mac 和加入分享链接免费，使用自己的 Mac 每天免费 20 分钟，之后每月 12 美元或买断 199 美元；iOS 和 Android 原生应用官方称在开发中。

演讲：超越原型——用 Ray 扩展与框架无关的 AI Agent 基础设施

两位工程师做了一场演讲，讲的是怎么把 AI Agent 从本地开发时用的 FastAPI 小原型，搬到 Kubernetes 上、用 Ray 撑起来的正式生产环境。他们分享了实际操作中的经验：Ray 集群怎么搭、有状态记忆怎么存、流量忽高忽低时怎么自动扩缩容，以及控制平面怎么设计得稳。另外还提到几道关键防线：安全护栏、多区域部署，还有让大模型当裁判来给 Agent 打分的评测流程。对做 AI 应用落地的团队来说，这些是从“能跑”到“撑得住”的参考经验。这只是一场演讲分享，相关工具和做法没有说明是否已经开源或可以直接拿来用。

多数 AI 事故响应工具仍把关键决策留给人

大多数 AI 事故响应工具还不能自己判断什么时候该介入处理故障，仍要等人发现问题或提前设定触发条件。Traversal 的联合创始人 Raaz Dwivedi 把智能体的自主程度分成三档：等人来问、按预设规则触发、自己主动判断何时介入；目前多数生产环境中的工具只停在前两档。10 月 22 日 The New Stack 将举办直播网络研讨会，届时会讨论如何让团队信任智能体自己做出这类判断，以及从第二档升到第三档需要满足哪些条件。至于具体怎么实现、有哪些限制，原文没有细说。