标签

LLM

把 Claude 跑进企业生产环境：Google Cloud 上的端点、安全与成本设计

来源: cloud.google.com 20
把大模型接入原型只需要一次 API 调用，但把它稳定地服务给全球用户，还要处理算力调度、尾延迟、区域故障、数据驻留、访问控制和成本波动。Claude 在 Google Cloud Agent Platform 上以托管模型服务提供，把这些问题纳入企业已经使用的 IAM、VPC Service Controls、Cloud Logging 和 Cloud...
# AI # GCP # Go
阅读全文

ARD 规范：为 AI Agent 补上工具发现与可信验证层

来源: infoq.com 29
Google 与多家行业合作伙伴发布了 Agentic Resource Discovery（ARD）规范，试图解决 AI Agent 生态中的一个基础问题：当工具、API 和其他 Agent 持续变化时，Agent 如何动态找到可用能力，并判断这些能力是否可信、兼容且适合当前任务。 ARD 的定位不是替代 MCP、OpenAPI 等执行协议，而是在它...
# AI # Go # InfoQ
阅读全文

ARD 规范：为 AI 智能体补上工具发现与可信验证层

来源: infoq.com 27
Google 与多家行业合作伙伴公布了 Agentic Resource Discovery（ARD）规范。这项开放标准关注的不是智能体如何调用工具，而是调用之前更棘手的几个问题：有哪些工具可用、去哪里找到它们、能力描述是否可信，以及不同平台能否理解同一份资源信息。 ARD 试图在 MCP、OpenAPI 等现有执行协议之上增加一个发现层。执行协议继续...
# AI # Go # InfoQ
阅读全文

Agent 的信任不在提示词里，而在运行时里

来源: docker.com 27
AI Engineer World’s Fair 2026 的现场讨论指向一个很实际的判断：决定 Agent 能否进入生产环境的，不只是模型会不会规划和调用工具，更是运行时能否约束、观察并中止这些动作。提示词可以表达规则，但真正执行规则的地方必须是 Runtime。 来源摘要没有展开具体演讲内容，因此下面不推断某家公司发布了什么产品，而是沿着“信任在运...
# AI # Docker # LLM
阅读全文

Brain2Qwerty v2 开源：非侵入式脑机接口如何把脑信号解码成句子

来源: infoq.com 32
Meta 近期开放了 Brain2Qwerty v2。这套非侵入式脑机接口可以从 EEG（脑电图）或 MEG（脑磁图）信号中解码句子，评估中的平均词准确率达到 61%，而其他非侵入式方法约为 8%。这个差距让系统值得研究，但 61% 也意味着它离可靠输入法仍有明显距离。 脑信号到文本不是普通的语音识别问题。EEG 和 MEG 记录的是混合后的神经活动，...
# AI # InfoQ # LLM
阅读全文

AI Agent 应该独占一个 Kubernetes Pod 吗？

来源: cncf.io 39
在 kagent 的早期架构里，Agent 并没有各自占用一个 Pod、Service 和 ServiceAccount，而是直接运行在统一的 kagent runtime 中。这种设计实现快、资源开销小，但随着 Agent 的权限、资源需求和生命周期逐渐分化，一个关键问题就浮出水面：Pod 究竟是不是 Agent 合适的部署单元？ 答案通常不是简单的...
# AI # CNCF # Kubernetes
阅读全文

Genkit Agents API 预览：让 TypeScript 与 Go 智能体支持后台回合和人工审批

来源: infoq.com 31
Google 发布了面向 TypeScript 和 Go 的 Genkit Agents API 预览版。它试图把智能体应用里反复出现的基础设施问题收进统一的 接口：消息历史、工具调用循环、流式输出和状态持久化都由框架协调。更值得关注的是两个执行能力：客户端断开后仍可继续工作的 detached turns，以及能暂停工具、等待人工决定再恢复的 int...
# AI # Go # InfoQ
阅读全文

Genkit Agents API 预览：用脱离式回合与人工审批构建可持续运行的智能体

来源: infoq.com 30
Google 发布了面向 TypeScript 和 Go 的 Genkit Agents API 预览版。它把消息历史、工具调用循环、流式输出和状态持久化收拢到统一的 接口背后，同时加入两个面向生产场景的重要能力：客户端断开后仍能执行的 detached turns，以及支持人工介入和恢复校验的 interruptible tools。 这次变化的重点...
# AI # Go # InfoQ
阅读全文

智能体时代的 AI 投资管理：用“每美元有效工作量”衡量真实回报

来源: openai.com 27
企业进入智能体时代后，AI 成本不再只是一次模型调用的价格。一个智能体可能规划任务、查询系统、调用工具、反复重试，最后还需要人工审核。此时，只看 token 单价、调用次数或演示效果，很容易低估成本，也无法回答管理层真正关心的问题：每投入一美元，究竟完成了多少可用工作？ 更合适的管理单位是“每美元有效工作量”。它把业务结果、质量门槛和全链路成本放在同一...
# AI # LLM # OpenAI
阅读全文

让 AI 写得快，也让团队看得懂：用 Context Store 守住演进式架构

来源: infoq.com 44
AI 可以迅速生成接口、测试和基础实现，让开发工作的前 80% 显得异常顺畅。真正危险的是剩下的 20%：隐含依赖、跨模块约束、历史决策和运行时边界往往要到集成阶段才暴露。此时，代码虽然增长很快，团队对系统的理解却没有同步增长。 解决方向不是单纯限制 AI 生成代码，而是把规格驱动开发（SDD）、测试驱动开发（TDD）和自动化架构适应度函数统一放进仓库...
# AI # InfoQ # LLM
阅读全文