2026-07-31
来源: cloud.google.com
44
AI Agent 的资源曲线通常不是平滑直线：它们会集中推理、调用工具或执行代码，随后等待用户输入和外部事件。如果每个 Agent 始终占用固定 CPU 和内存，大量预算最终会消耗在空闲时间上。 一次基于 GKE 节点和 OpenClaw 工作负载模型的测试展示了三层优化效果：从每个 Agent 独占 microVM，到使用 GKE Agent San...
2026-07-31
来源: cloud.google.com
33
数据库权限管理长期存在一个难解的规模问题：权限分得越细，账号开通、密码轮换、员工离职回收和审计的成本就越高；为了降低管理成本而共享高权限账号，又会扩大泄露影响范围，并让审计日志失去具体责任人。 AlloyDB 新增预览版 IAM 组认证后，企业可以把 Google Groups 映射到数据库访问策略。权限不再围绕数千个独立用户逐一配置，而是围绕财务分析...
2026-07-30
来源: cloud.google.com
49
软件供应链攻击的重心正在发生变化。相比入侵大型软件厂商并篡改更新渠道，攻击者越来越多地盯上 npm、PyPI、Docker Hub、GitHub Actions 和开发者工具：接管维护者账号、投放恶意版本、利用安装脚本窃取凭据，再借助被盗令牌继续污染其他项目。 来源材料指出，2025 年至 2026 年上半年出现了一批规模显著扩大的开源供应链攻击，部分...
2026-07-30
来源: oschina.net
44
大模型推理优化不只是在算子层面压缩几毫秒。对于自回归生成，模型通常需要逐个 token 完成前向计算，显存带宽、调度开销和并发压力会共同限制吞吐。投机解码的思路，是让一个成本更低的 drafter 先提出多个候选 token，再由目标模型批量验证，从而减少昂贵的串行解码步骤。 腾讯混元团队此次开源 AngelSpec，覆盖 drafter 训练、架构设...
2026-07-30
来源: djangoproject.com
46
2026 年 7 月，Django Software Foundation 将月度成员荣誉授予 Katherine “Kati” Michel。她从 2016 年开始参与 DjangoCon US 网站建设，随后长期担任大会网站主席、联合主席和 DEFNA 董事。如今，她在 JPMorganChase 的基础设施平台与数据库部门担任软件工程师，参与构建...
2026-07-30
来源: kubernetes.io
48
很多 Go 开发者第一次写 Kubernetes Controller 时，会自然地把 和 理解成一次次对 kube-apiserver 的查询。这个理解一旦带入生产环境，就很容易误判控制器的性能、数据一致性和内存开销。 在典型的 controller-runtime Controller 中，Reconcile 的读取通常来自进程内的本地缓存，而不是...
2026-07-30
来源: cloud.google.com
60
企业级 Agent 与聊天机器人最大的区别，不是多调用几个工具，而是能否持续执行数天、记住关键上下文，并在严格权限和审计约束下代表组织采取行动。Gemini Enterprise Agent Platform 此次将 Agent Runtime、Agent Memory Bank、Agent Identity、Agent Gateway、Agent R...
2026-07-30
来源: cloud.google.com
51
许多 Agent 项目并不是模型效果不够，而是卡在从本地脚本走向生产环境的路上：开发者需要在代码编辑器、IAM 控制台、部署平台、评测系统和企业应用之间来回切换。Agents CLI 的定位正是把这些生命周期能力作为技能交给编码助手，让开发、部署、安全治理、评测和发布能够在同一个 coding agent 对话里完成。 本文以一个“行业观察员”Agen...
2026-07-30
来源: cloud.google.com
68
数据湖仓正在从“存放数据的地方”变成“执行动作的系统”。AI Agent 不再只是定期生成报表，而是持续监控供应链、识别异常、解释业务指标，并在满足条件时触发后续流程。要让这种系统稳定运行，Agent 必须访问分散在 AWS、Databricks、Snowflake、企业本地系统和 SaaS 应用中的数据，同时还要理解字段含义、数据血缘和访问边界。 G...
2026-07-29
来源: oschina.net
42
月之暗面放出 Kimi K3 完整权重后，Deltafin 项目很快展示了在 Apple Silicon Mac 上运行这个 2.8 万亿参数模型的可能性。真正值得关注的不是约 0.3 token/s 的速度，而是一个更具体的工程问题：当模型规模远远超过机器内存时，推理系统怎样利用稀疏激活、量化、统一内存与外部存储，把一次原本“不可能装下”的推理变成可...