来源: cloud.google.com
40
汽车软件架构正在从“每个 ECU 各管一摊”转向可发现、可组合、可持续演进的服务体系。AAOS SDV 负责把车内非安全关键能力抽象为服务，Nexus SDV 连接车辆与云端，Bigtable 承接高频遥测，Gemini 与 Agent Development Kit（ADK）则把数据分析推进到推理和行动阶段。真正的变化不只是车辆联网，而是让车辆成为能...
来源: cloud.google.com
36
AI 供应链管理有一个长期盲区：构建系统知道团队计划部署什么，安全平台却未必知道集群此刻真正运行着什么。开发者直接部署的 vLLM、Triton、LangChain 或向量数据库，可能没有登记到资产台账，也可能绕过只扫描制品仓库的传统工具。 开源的 k8s-aibom 试图补上运行时这一层。它以非特权 Kubernetes 控制器运行，通过观察集群 A...
来源: cloud.google.com
51
2026 年公共部门面临的安全问题，已经不再是如何守住一条清晰的网络边界，而是如何保护身份、终端、SaaS 集成、虚拟化管理面和运维人员之间不断变化的信任关系。基于 Mandiant 在 2025 年超过 50 万小时的一线事件调查，最新报告给出了一个尤其严峻的数字：初始访问经纪人建立立足点后，向勒索软件操作者交接的中位时间只有 22 秒。 这意味着，...
来源: infoq.com
39
对话式购物助手很容易做出一个演示：把商品列表塞进提示词，再让大模型生成推荐。但进入真实交易链路后，价格是否仍然有效、商品能否配送、用户是否过敏、购物车里已有何物，都不能靠模型猜测。 DoorDash 在介绍 Ask DoorDash 时，强调的正是这种工程边界：LLM 负责理解和表达，专用 AI Agent 负责拆解任务，MCP 工具连接实时后端，智能...
来源: infoq.com
43
一个购物助手能说出流畅的话，并不等于它能把商品选对、库存查准、购物车改对。DoorDash 介绍的 Ask DoorDash 把大模型放在系统的一部分，而不是让它独自承担整个购物流程：LLM 负责理解与表达，专用 AI Agent 负责拆解任务，MCP 工具连接业务能力，智能层则结合持久化消费者记忆和实时后端数据作出决策。 这种设计带来的价值最终落在业...
来源: realpython.com
40
普通的 LLM 调用通常是一条直线：输入提示词，等待模型返回结果，然后结束。但研究、审核、工具调用和多智能体协作往往不是线性流程。任务可能需要反复修改，也可能根据中间结果切换执行路径，还要在多次调用之间保存进度。LangGraph 的核心价值，就是把这类工作流表达成一张包含状态、节点、边和循环的图。 在 LangGraph 中，可以把一次智能体运行理解...
来源: blog.cloudflare.com
44
传统 Bot 管理经常围绕单次请求做判断：检查 IP、请求头、速率或某个挑战是否通过。Precursor 引入了另一种观察尺度，把客户端在完整用户旅程中的持续行为汇总为会话级检测信号，用来识别更高级的自动化，同时减少对正常用户的打扰。 单个 HTTP 请求提供的上下文很有限。一个自动化客户端可以模仿浏览器请求头、控制访问频率，甚至执行 JavaScri...
来源: postgr.es
39
PostgresEDI 2026 年 7 月聚会安排了两个看似相距很远的话题：内向的工程师如何走上讲台，以及如何用 PostgreSQL 和 pgvector 构建面向监管场景的 AI 检索系统。两场分享其实都在回答同一个问题：如何让技术工作经得起公开检验。前者要求工程师清楚表达自己的判断，后者要求系统留下足以复现判断过程的证据。 Redgate 的 ...
来源: realpython.com
48
普通的 LLM 调用通常是一条直线：提交提示词，等待模型返回结果。LangGraph 处理的是更复杂的工作流，例如规划器生成方案、审查器提出修改意见、规划器继续修订，直到满足退出条件。它在 LangChain 生态之上引入图、共享状态、条件分支和循环，使 Agent 的执行路径更明确，也更容易测试。 一个 LangGraph 工作流通常包含四类元素： ...
来源: cncf.io
50
当 OpenTelemetry 从少量试点进入生产环境，运维对象很快就不再是“一份 Collector 配置”，而是分布在 Kubernetes、虚拟机和边缘节点上的 Collector 集群。此时真正困难的问题变成：如何统一下发配置、观察执行状态、控制版本升级，并在变更失败时及时回滚。 OpAMP，也就是 Open Agent Management ...