标签

工程效能

AI 治理进入运行时：如何把政策变成可验证的生产控制

来源: infoq.com 40
AI 治理正在从“写一份政策文件”转向“让系统在运行时执行政策”。Microsoft 最近介绍了一套覆盖九个治理领域的架构，并将治理工作归纳为四项功能：政策（policy）、控制（control）、可见性（visibility）和证明（proof）。 这套思路的关键不在于增加更多审批表，而在于把治理要求接入 AI 应用和智能体的真实运行过程：请求是否允...
# AI # Go # InfoQ
阅读全文

微软将 AI 治理从纸面政策推进到运行时强制执行

来源: infoq.com 47
AI 治理正在从“发布一份负责任 AI 政策”转向“在系统运行时持续证明策略确实生效”。微软近期提出了一套覆盖九个治理领域的 AI 治理架构，并将治理能力归纳为四项职能：政策、控制、可见性和证明。 这套思路的关键，不是增加一层静态审批流程，而是把治理要求接入 AI 应用和智能体的实际执行路径：身份验证、权限控制、安全检测、运行时策略、持续评估、可观测性...
# AI # Go # InfoQ
阅读全文

用 Memmy 找回本地项目，让不同 AI 编程工具接着工作

来源: oschina.net 37
如果你同时使用 Cursor、Claude Code、Codex 等 AI 编程工具，项目上下文很容易被分散：一个项目在 Cursor 里做了几天，换到 Codex 后，却要重新解释目录位置、当前进度和下一步任务。Memmy 的价值，正是帮助你查找本地项目，并把工作上下文交给另一个 AI 工具继续处理。 本文根据实际测试过程整理。文中的项目数量、目录名...
# AI # 全栈 # 工程效能
阅读全文

禅道开源版 22.5：让 @ 通知、外部协作与用例同步更可靠

来源: oschina.net 34
禅道开源版 22.5 的变化集中在日常协作中最容易产生摩擦的几个环节：编辑器内 后发送消息通知、改进测试用例版本同步提示，以及允许外部人员成为协作对象成员。这些功能看似细小，却直接影响消息能否触达、测试资产是否被误操作，以及跨组织协作能否顺畅落地。 在缺少通知联动时，用户即使在需求、任务或缺陷描述中写下某个人的名字，对方也未必会及时看到。22.5 为编...
# 全栈 # 工程效能 # 开源
阅读全文

RISC-V is now officially supported by CPython!

来源: blog.python.org 23
{"title_zh":"RISC-V 正式获得 CPython 支持：Python 开始进入更多芯片平台","body_zh":"# RISC-V 正式获得 CPython 支持：Python 开始进入更多芯片平台\n\nCPython 现在正式支持 RISC-V 平台。这项变化的意义不只是多了一个编译目标：使用 RISC-V 芯片的开发者、操作系统...
# Python # 后端 # 工程效能
阅读全文

Cloudflare OS：用能力模型构建安全、可分享的企业 AI 工作软件

来源: infoq.com 44
企业 AI 正从“聊天问答”走向“直接产出工作成果”。Cloudflare 开源的 Cloudflare OS，试图把企业知识、专业经验、系统连接器和自动化流程组合成一套可编排的工作平台：AI 只在需要判断和生成的环节介入，确定性的步骤交给程序完成，最终产出可交付、可复用、可分享的工作软件。 Cloudflare OS 的关键思路不是给模型一个更长的提...
# AI # Cloudflare # InfoQ
阅读全文

Cloudflare OS：用能力模型搭建企业内部 AI 工作软件

来源: infoq.com 34
Cloudflare 最近开源了 Cloudflare OS。它关注的不是一个单独的聊天机器人，而是一种面向企业工作的 AI 平台：让团队基于企业知识、经验和已配置连接器生成可交付的工作产物，自动化重复流程，并在需要判断或生成内容的环节使用 AI。 更值得关注的是，它把“工作软件”交给使用者定制。企业可以围绕复杂、具体的业务场景构建个人工具和可共享工具...
# AI # Cloudflare # InfoQ
阅读全文

SafeChat：面向实时交易市场的规模化 AI 安全系统

来源: infoq.com 33
在实时交易市场中，聊天消息会随着订单、配送和客服协作持续产生。安全系统既要处理明显违规内容，也要识别依赖上下文的灰度风险；如果所有消息都交给大语言模型判断，成本、延迟和吞吐量很快会成为瓶颈。 DoorDash 分享的 SafeChat 架构提供了一条更务实的路径：用快速的内部模型过滤明显案例，用大语言模型完成多维度评分，再通过无代码工作流和回测机制持续...
# AI # InfoQ # LLM
阅读全文

LinkedIn 如何用多智能体把 AI Code Review 做成生产基础设施

来源: infoq.com 30
当代码仓库、团队和 Pull Request 数量增长到一定规模，代码评审就不再只是“找一个人看 diff”。完全依赖人工会受到吞吐量和上下文切换的限制，而把现成的 AI Reviewer 直接接到 GitHub，也容易产生误报、低信号评论和脱离组织规范的建议。 LinkedIn 的实践方向是构建一个面向组织内部的多智能体 AI Code Review...
# AI # InfoQ # LLM
阅读全文

LinkedIn 如何用多智能体把 AI 代码审查做成生产级基础设施

来源: infoq.com 36
在 LinkedIn 这样的工程规模下，代码审查的难题不是“能否让大模型读懂一段 diff”，而是如何让系统理解组织内部的编码约定、稳定处理大量 PR，并且避免幻觉与低价值评论。LinkedIn 的做法不是在 GitHub 前面简单挂一个通用 AI 审查器，而是构建多智能体平台，把代码审查当作生产基础设施来运营。 一个模型同时承担上下文检索、缺陷发现、...
# AI # InfoQ # LLM
阅读全文