The Ethics of AI Agents in Global Governance
观看这场“道德赋能”活动，其中专家小组将应对人工智能代理在多边和外交领域面临的挑战。
A Practical Guide to Memory for Autonomous LLM Agents
有效的架构、陷阱和模式这篇文章《自主 LLM 代理记忆实用指南》首先出现在《走向数据科学》上。
Cloud PAM for AI Agents: Why Traditional PAM Can't Protect Agentic Workloads
AI 代理是云身份。他们在部署时接收 IAM 角色、持有凭证并访问云资源来执行任务。但与人类用户不同的是，他们这样做不需要基于会话的检查点，不需要手动批准步骤，有时甚至需要最少的人工参与。传统的 PAM 是基于一个人发起访问的假设而构建的。人工智能代理挑战 [...]
The future of managing agents at scale: AWS Agent Registry now in preview
今天，我们宣布在 AgentCore 中推出 AWS Agent Registry（预览版），这是一个在整个企业中发现、共享和重用 AI 代理、工具和代理技能的地方。
Без надлежащего контроля ИИ-агент может обойтись дороже, чем сотрудники
人工智能是一种工具，而不是外部大脑。它是用来更快地得到答案的，但如果你盲目地相信它，你将不会取得积极的结果。
Context Engineering for AI Agents: A Deep Dive
如何优化上下文，这是 AI 代理宝贵的有限资源《AI 代理的上下文工程：深入探究》一文首先出现在《走向数据科学》上。
What the Bits-over-Random Metric Changed in How I Think About RAG and Agents
为什么在纸面上看起来很出色的检索在真实的 RAG 和代理工作流程中仍然表现得像噪音《我如何看待 RAG 和代理》中的“比特随机指标发生了什么变化”一文首先出现在《走向数据科学》上。
Scaling Synthetic Task Generation for Agents via Exploration
用于构建交互式代理的训练后多模式大型语言模型 (MLLM) 在计算机使用、网络导航和机器人等领域具有广阔的前景。扩展此类后期训练的一个关键挑战是缺乏高质量的下游代理任务数据集，这些数据集的任务是多样化的、可行的和可验证的。现有的任务生成方法严重依赖人工注释或用有限的下游环境信息提示 MLLM，这种方法要么成本高昂，要么可扩展性差，因为它生成的任务覆盖范围有限。为了解决这个问题，我们推出了自动播放，一个可扩展的......
5 Tips to Turn OpenAI Codex Into a Powerful AI Coding Agent
了解五种实用方法，使 OpenAI Codex 对于真正的软件工程工作流程更加代理、可靠和有用。
The Math That’s Killing Your AI Agent
准确率 85% 的 AI 代理在执行 10 步任务时，五分之四会失败。了解生产故障背后的复合概率数学（以及用于修复它的 4 检查预部署框架）。《杀死你的 AI 代理的数学》一文首先出现在《走向数据科学》上。
Vibe Coding Best Practices: 5 Claude Code Habits for Better Agentic Coding
了解 Claude 代码和编码代理的 5 个实用氛围编码最佳实践：CLAUDE.md、规划、审查代理、更安全的提示和差异审查。
The Future of AI for Sales Is Diverse and Distributed
真正的创造力和创新将来自人类与代理的协作。一个人，数百万个代理。《销售人工智能的未来是多样化和分布式的》一文首先出现在《走向数据科学》上。
Persist session state with filesystem configuration and execute shell commands
在这篇文章中，我们将介绍如何使用托管会话存储来保存代理的文件系统状态以及如何直接在代理环境中执行 shell 命令。
Enabling agent-first process redesign
与静态的、基于规则的系统不同，人工智能代理可以动态地学习、适应和优化流程。当人工智能代理与数据、系统、人员和其他代理实时交互时，它们可以自主执行整个工作流程。但释放它们的潜力需要重新设计围绕代理的流程，而不是使用传统的优化方法将它们固定到支离破碎的遗留工作流程上。公司...
How to design and run an agent in rehearsal – before building it
大多数人工智能代理的失败是由于设计意图与生产现实之间的差距。开发人员经常花费数天的时间进行构建，却发现升级逻辑或工具调用在野外失败，迫使完全重新启动。 DataRobot Agent Assist 弥补了这一差距。它是一种自然语言 CLI 工具，可让您设计、模拟和...如何在构建之前预演中设计和运行代理一文首先出现在 DataRobot 上。
The DevOps guide to governing and managing agentic AI at scale
自动驾驶仪和企业代理人工智能有什么共同点？两者都可以自主运行。两者都需要人类在系统进行控制之前设置规则、边界和警报。在这两种情况下，跳过这一步并不大胆。这是鲁莽的。大多数企业部署 AI 代理的方式与早期团队部署云的方式相同...《大规模治理和管理代理 AI 的 DevOps 指南》一文首先出现在 DataRobot 上。
AI agent observability: what enterprises need to know
如果不监测患者的生命体征，就无法经营一家医院。然而，大多数部署人工智能代理的企业并没有真正了解这些代理实际上在做什么，或者为什么这样做。最初的聊天机器人和演示已经发展成为嵌入核心工作流程的自主系统：处理客户交互、执行决策以及跨复杂基础设施编排行动……后人工智能代理可观察性：企业需要了解的内容首先出现在 DataRobot 上。
