Article: Governed Autonomous Intelligence for Mission-Critical Utility

TL;DR · AI 摘要
治理自主智能在关键任务公用事业中实现安全与效率的平衡,通过明确的政策边界和工具网关确保AI操作合规。
核心要点
- 治理自主智能平台通过确定性策略边界确保AI操作不越权。
- 每个生产操作必须通过预定义的行动目录进行风险分类和审批。
- 平台从只读模式逐步扩展自主性,依据推荐质量、操作员接受度和回滚安全性。
结构提纲
按章节快速跳转。
- §引言
公用事业运营团队面临大量监控数据,需要快速连接信号以理解环境变化。
治理自主智能平台通过确定性策略边界确保AI操作不越权。
每个生产操作必须通过预定义的行动目录进行风险分类和审批。
治理工具网关确保所有操作通过唯一路径执行,满足监管和合规要求。
平台从只读模式逐步扩展自主性,依据推荐质量、操作员接受度和回滚安全性。
思维导图
用一张图看清主题之间的关系。
查看大纲文本(无障碍 / 无 JS 友好)
- 治理自主智能
- 核心机制
- 确定性策略边界
- 行动目录与审批流程
- 工具网关
- 自主性扩展
- 逐步扩展
- 基于推荐质量
- 回滚安全性
金句 / Highlights
值得收藏与分享的关键句。
治理自主智能平台通过确定性策略边界确保AI操作不越权。
每个生产操作必须通过预定义的行动目录进行风险分类和审批。
平台从只读模式逐步扩展自主性,依据推荐质量、操作员接受度和回滚安全性。
用于关键任务公用事业的受控自主智能 - InfoQ
InfoQ 首页 文章 用于关键任务公用事业的受控自主智能
架构与设计
护栏而非守门人:如何在不减缓开发人员的前提下治理 AI 工具支出(网络研讨会 12 月 10 日)
用于关键任务公用事业的受控自主智能
2026 年 11 月 16 日 18 分钟阅读
作者:
审阅者:
#### 关注我们
YouTube
232K 粉丝
26K 粉丝
新
RSS
19K 读者
X
57.1k 粉丝
21K 喜欢
Bluesky
收听本文 -
0:00
音频准备播放
您的浏览器不支持音频元素。
正常
1.25x
1.5x
喜欢
新下拉阅读列表
- 阅读列表
主要要点
- 在一个受监管的公用事业环境中,一个代理操作平台将推理与执行分开:代理会关联信号、评估业务影响并提出补救措施,但每个生产操作都会跨越一个确定性策略边界,该模型无法覆盖。
- 该边界是在模型之外定义的。每个提议的操作都会映射到预定义、版本化的操作目录中的一个风险类别和审批要求,这使得在部署之前,审批决策可以预测、可测试和可审查。
- 一个受控工具网关作为从代理提议到生产变更的唯一路径,强制执行该边界,具有最小权限、独立授权、审批验证,并且该单一通道附有完整的操作证据。
- 因为每个操作都经过一个受控路径,平台生成的证据足以满足每个系统监管和治理要求,而无需声称平台本身创建了合规性。
- 自主性是通过赢得而非假定获得的:平台从只读模式开始,一次扩展一个操作类别,由推荐质量、操作员接受度、执行结果和回滚安全性所引导,这种自主性可以像被授予一样轻松地被撤销。
引言
公用事业运营团队 - 负责支持企业应用程序、集成和基础设施的 IT 和平台团队,已经拥有了比他们能够舒适消费的更多的监控数据。
应用程序日志、基础设施指标、API 追踪、安全事件、作业失败、服务管理票据和业务警报都描述了同一操作环境的不同部分。困难的问题不是收集另一个信号。而是快速地将这些信号连接起来,以了解发生了什么,可能影响什么,以及接下来应该发生什么。
代理 AI 吸引人之处在于它能够跨这些碎片化证据进行推理,检索操作知识,调用工具,并协调多步骤的工作。但公用事业组织不能像对待对话助手一样对待代理。一个错误的摘要只是不方便。一个错误的生产操作可能会影响面向客户的服务、与安全相关的流程、监管报告,或参与可靠能源输送的系统。
#### 相关赞助商
- 听听 Satya Nadella 和 Judson Althoff 如何在企业中扩展 AI:@ Microsoft Ignite 上的 Volkswagen 和 NASA 的经验分享
#### 相关赞助商
微软 Ignite 2026;探索人工智能和软件工程的未来 —— 学习如何构建智能代理系统、现代化云基础设施以及应对新兴的工程挑战。从微软专家和行业领袖那里获得实用见解。微软 Ignite 仅剩不到两周时间!立即注册,亲临现场加入我们,或免费在线参与,时间是 11 月 17 日至 20 日。
本文描述了我们在受监管的公用事业环境中用于智能代理运营平台的架构模式。参考实现使用了 Amazon Bedrock AgentCore、Amazon Bedrock、企业操作手册和事件历史的检索,以及模型上下文协议(MCP)工具接口。
模型可以提出任何建议。它只能执行策略门授权的内容,通过受控工具路径执行,并在策略要求时获得人工批准。权威性永远不会存在于模型内部。
某些功能,尤其是预测和自主修复,是故意逐步启用而非一次性全部启用的。这不是一个需要隐藏的限制。在受监管的环境中,能够逐步扩展自主性并快速撤销它,是架构的一部分。
为什么公用事业运营需要不同的智能代理模式
一个大型公用事业生态系统包括定制应用程序、SaaS 产品、云平台、集成层、数据库、可观测性工具、现场和运营系统以及第三方服务。每个领域在隔离状态下可以很好地进行监控,但端到端服务却难以理解。
这些反复出现的运营差距是众所周知的。相关信号出现在不同的工具中,并且需要手动进行关联。技术严重性是可见的,但业务后果却不可见。操作手册和经验教训虽然存在,但它们分散在维基、工单历史、共享驱动器和经验丰富的工程师的记忆中。阈值告诉团队已知条件已经发生;依赖系统中较弱的前兆很容易被忽略。当最终采取行动时,将变更与理由、授权、批准人和结果联系起来的证据可能是在事后才被整理出来的。
这在公用事业中尤为重要,因为治理上下文并不统一。监管要求在公用事业领域、运营环境和司法管辖区之间各不相同。例如,北美电力可靠性公司(NERC)关键基础设施保护(CIP)要求适用于输电系统(BES)以及定义范围内的 BES 信息系统。同时,面向客户的服务、计费、现场运营和其他公用事业项目可能受到适用的行业特定、联邦、州或地方监管要求的约束。
因此,架构不仅仅需要生成一个更好的仪表板。它必须跨领域进行关联,利用受信任的运营知识进行推理,将技术事件映射到业务影响,支持预测而不假装预测是确定的,并保留一个安全、合规、操作人员和审计人员可以理解的执行模型。
图 1。碎片化的可观测性使运营团队不得不手动关联应用程序、基础设施、集成、安全和服务管理信号(图像来源:作者创建)
控制平面模式:将推理与执行分离
核心理念是人工智能控制平面。该术语特意从网络和云基础设施领域借用,因为在这些领域中,控制平面决定应该发生什么,而另一个独立的平面负责执行。在这里,这种分离同样有用,原因也是一样的:安全性、可审计性和影响范围的控制。
图2。人工智能控制平面将推理权限与执行权限分离。模型可以提出广泛的建议;只有经过策略授权的操作才能进入执行平面。(图片来源:作者创作)
在推理平面中,协调器和领域代理可以分析事件、检索上下文、将事件与历史模式进行比较、估计业务影响、预测可能的故障模式,并提出补救措施。这些组件中没有任何一个拥有直接更改生产系统的权限。
只有通过确定性策略网关和受控工具网关,提出的操作才能进入执行平面。网关决定该操作是否被允许以及需要什么批准。网关执行最终授权,获取范围狭窄的凭证,调用目标系统,记录结果,并执行或请求操作后的验证。
当模型出错时,这种区分就变得重要了。在传统的自主设计中,幻觉出的根本原因可能演变成一个错误的操作。在本设计中,它则变成一个错误的建议。策略可以拒绝该建议,人类可以对其进行审查,或者网关可以拒绝授权。模型的错误仍然重要,但其成本通过设计得到了限制。
在AWS上的参考实现
参考实现运行在Amazon Bedrock AgentCore上。AgentCore提供托管的代理运行时、内存、网关、身份和可观察性集成,与Amazon Bedrock连接以访问模型,以及使用Bedrock知识库在企业知识上进行检索。AgentCore Policy自2026年3月起一般可用,它涵盖了该模式所依赖的边界:以自然语言编写或以代码形式编写的规则被编译为Cedar,即AWS的开源授权策略语言,并附加到AgentCore网关上,网关在允许或拒绝每个代理工具请求之前对其进行评估。这种授权是确定性的,在网关处执行,而不是在代理逻辑内部执行,因此今天开始构建类似系统的团队应先评估它。在此设计中,AgentCore网关是工具网关的AWS实现。AgentCore Evaluations支持对代理行为进行持续和按需评估。
MCP在工具边界处被使用,以标准化工具的描述和调用方式。通过模式定义的工具边界,平台可以在一个地方限制操作、验证参数、执行策略并记录证据。
“一个地方”这一特性非常重要。只有当代理无法绕过工具网关时,工具网关才是一个治理边界。在我们的设计中,这意味着推理运行时中不包含目标系统凭证,采用默认拒绝的身份策略,网络路径受到严格限制,凭证仅暴露给需要它们的工具实现。原则很简单:通往生产环境只有一扇门,所有控制都与这扇门相关联。
图3。该模式映射到AWS服务。推理平面中的所有内容只能提出建议;请求仅通过策略网关和AgentCore网关(工具网关的AWS实现)穿越虚线边界。(图片来源:作者创作)
其他平台上的等效服务
这种模式并不局限于 AWS。它需要一个托管的代理运行时、一个检索层以及一个代理无法绕过的策略执行工具网关。在 Microsoft Azure 上,Microsoft Foundry Agent Service 提供了运行时,Microsoft Entra 提供了代理身份,Azure AI Search 负责检索,Azure API Management 作为工具网关和模型及 MCP 流量的人工智能网关(其中一些治理功能仍处于预览阶段)。在 Google Cloud 上,Gemini Enterprise Agent Platform 提供了代理运行时和代理身份,Agent Gateway 作为工具网关,强制执行 IAM 访问策略和 Model Armor 对提示注入的筛查。
端到端职责
重要的边界位于代理层和工具网关之间;边界以上的一切进行推理,边界以上的一切都无法执行操作。
| 层级 | 职责 | |------|------| | 源 | 来自应用程序、基础设施、云、监控和安全系统的警报、日志、事件和遥测数据。 | | 集成 | 通过 API、webhook 和流式传输将信号摄入并标准化为通用模式。 | | 队列 | 缓冲事件以进行异步处理,并在不丢失数据的情况下吸收流量高峰。 | | 编排器 | 接收事件,确定分析需求,路由到领域代理,并汇总发现结果。 | | 代理层 | 用于相关性分析、根本原因分析、业务影响、预测和修复建议的有限代理。 | | 知识库 | 用于可信上下文的运行手册、SOP、架构文档、事件历史和依赖关系图。 | | 模型访问 | 基于企业知识进行推理、解释和建议。 | | 策略网关 | 将建议的操作映射到风险类别和模型外部的审批要求。 | | 工具网关(MCP;AWS 上的 AgentCore Gateway) | 单一受控的生产路径,强制执行授权、审批、作用域凭据、模式验证和证据捕获。 | | 目标系统 | 接收修复操作的应用程序、云服务、数据库、网络、ITSM 和可观测性平台。 | | 人工审批 | 操作员或所有者进行审核,并记录决策、身份和时间戳。 | | 运营视图 | 健康状况、预测、业务影响、审批、修复状态和验证结果。 |
表 1. 从信号摄入到运营视图的受控流水线中端到端职责
基于运营知识的多代理推理
推理平面使用分层的多代理结构,而不是一个具有广泛访问权限的大代理。一个职责范围有限的代理比一个了解所有领域并能调用所有工具的单体代理更容易测试、约束、评估和解释。
Orchestrator Agent 是标准化操作事件的入口点。它确定所需的分析,将工作路由到适当的领域代理,并汇总它们的发现结果。它进行协调,但不执行操作。
应用可靠性代理通过对比已知模式和近期历史来分析应用程序的故障和性能下降。平台智能代理则关注 API 和接口故障、延迟、部分性能下降以及上下游依赖关系。业务影响代理将技术状态转化为业务后果,例如对客户服务、计费、安全相关项目、可靠性承诺或报告截止日期的风险。修复代理是唯一被允许提出涉及生产环境操作的组件,但其提出的建议在通过策略和审批流程之前仍无执行权限。
图4. 协调器将每个事件分解,并将分析路由到有界领域代理;只有修复代理可以提出生产环境操作,而这些提议仍需通过策略和工具网关(图片来源:作者创作)
所有代理都使用从企业知识中检索到的共享操作上下文。有用的知识库包括组织的运行手册、标准操作流程、架构文档、事件历史、业务规则、依赖关系图和已知的恢复程序。基于该环境的文档程序提出建议,与仅基于一般模型训练得出的合理答案相比,会产生截然不同的结果。
这一层的质量在很大程度上依赖于知识的卫生状况。如果运行手册过时、相互矛盾或缺少回滚步骤,RAG 会忠实地检索到过时、矛盾或不完整的指令。因此,整理、所有权、版本控制和来源可追溯性是操作设计的一部分,而不是内容管理的附属项目。
在实践中,每本运行手册都有一个命名的所有者和最后一次审查日期,检索时会一并返回。超过审查间隔的运行手册会标记给所有者,操作员因运行手册有误而拒绝的操作将被路由到运行手册的所有者进行更正。
一个通用的事件合同与知识库一样重要。我们将传入的信号标准化为一个小型的操作模式,其中包括受影响的服务或组件、环境、事件类型、时间戳、来源、技术严重性、依赖标识符、关联键、业务服务映射以及对原始证据的引用。原始有效负载被保留,但确定性解析和源适配器,而不是 LLM,用于建立基本事实,例如哪个系统发出事件,以及两个标识符是否指向同一服务。模型可以帮助解释不熟悉的日志消息,但这些基本事实太重要,不能仅依赖于概率提取。
下面的简化示例展示了从演练场景中标准化后的事件。业务服务映射是从服务目录中查找的,而不是由模型推断得出的。
{
"event_id": "evt-000193",
"timestamp": "2026-04-12T14:03:27Z",
"source": "apm",
"source_event_ref": "apm://alerts/88213",
"service": "customer-payments-api",
"environment": "prod",
"event_type": "latency_degradation",
"technical_severity": "warning",
"dependency_ids": ["billing-integration", "payments-queue"],
"correlation_keys": ["chain:bill-payment-flow"],
"business_service": {
"name": "Customer bill payment",
"criticality": "high",
"mapping_source": "service-catalog"
}
}演练治理事件
考虑一个常见的集成-操作模式。一个 API 并未发生故障,但其延迟开始上升。大约在同一时间,下游集成开始更频繁地重试,处理队列也开始增长。每个信号单独来看可能仍低于值得记录的阈值。但它们一起表明,如果这种模式持续下去,可能会影响面向客户的流程。
摄入层对这三个信号进行标准化,并保留其原始证据。协调器识别出受影响的组件共享一个依赖链,并要求平台智能代理分析接口行为。应用可靠性代理检查该应用在以往的事件中是否表现出类似的资源或连接模式。业务影响代理将该依赖映射到依赖它的业务服务上。
随后,检索模块会拉取当前故障类别对应的运行手册以及最相关的过往事件。代理不仅仅是对警报进行总结,而是生成一个结构化的操作假设:可能的故障模式、支持证据、可能受影响的依赖服务,以及记录的修复选项。如果证据较弱或相互矛盾,这种不确定性会被保留下来,而不是被隐藏。
假设运行手册允许采取两个下一步操作:收集更多诊断信息,以及在确认特定条件后重启一个无状态组件。操作目录可能将诊断工具分类为低风险,并允许其自动运行。在此部署中,目录将重启操作映射到需要人工批准的规则上。修复代理可以提出该操作,但不能决定降低其风险,因为模型对此充满信心。
当操作员批准重启时,工具网关会验证批准的引用和策略,获取作用域内的执行身份,仅调用被允许的操作,并捕获响应。随后,工作流会检查促使该操作的信号:延迟、重试行为、队列趋势和服务健康状况。如果这些条件没有恢复,即使重启命令完成,工作流也不会将修复标记为成功。
该架构从一个熟悉的运维问题中去除了手动关联和运行手册查找,同时保留了经验丰富的工程师在接触生产环境之前所期望的相同控制措施。
在不授予预测权限的情况下进行预测
预测是平台超越快速事件总结的一步。目标是识别历史上在故障发生前出现的弱信号组合:延迟上升、队列增长、重试行为、资源饱和、重复的警告模式,或只有在依赖链中关联时才变得有意义的异常。
预测层可以利用历史事件、时间序列趋势、依赖信息以及非结构化日志的语义分析,生成一个面向未来的陈述:可能失败的组件、发生的时间范围、失败的机制、置信度,以及可能的业务影响。
重要的设计决策是预测被禁止执行的操作。置信度评分不是授权令牌。预测进入与观察到的事件相同的受控路径。它们携带证据、置信度和业务加权风险,以便操作员决定如何响应。
误报是不可避免的。它们应该被测量、审查,并随着时间推移逐步减少。过度承诺预测效果是迅速失去操作人员信任的最快方式之一。
受控修复:确定性风险与人工批准
人工控制不应只是治理文档中的一句话。它应该直接位于执行路径上。
平台将每一个候选操作映射到模型之外的预定义风险类别中。一个经过批准的操作目录驱动这种分类,而不是模型自行决定其建议是否危险。该目录可以考虑操作、目标环境、影响范围、可逆性、数据影响和依赖敏感性,但最终的策略是固定的、版本化的、可测试的,并且可以被审查。
| 风险等级 | 示例 | 治理要求 | |---------|------|----------| | 低 | 仅读取的诊断、健康检查、额外的遥测数据 | 可自动执行;完全记录 | | 中 | 可逆更改,如批准的无状态服务重启或在限制范围内的扩展 | 按策略审批 | | 高 | 生产配置更改、故障转移、敏感数据操作或广泛影响的更改 | 明确批准;在策略要求时需双人控制 |
表 2. 操作风险分类与治理要求
这是有意为之的保守做法。在部署的早期阶段,即使是一些低风险操作,也可能在团队获得足够证据允许自动执行之前,仅限于需要审批。
策略记录应足够具体,以便在没有大型语言模型(LLM)的情况下进行测试。对于每个允许的操作,我们保留工具标识符、目标环境、允许的范围、风险等级、所需的审批类型、执行超时时间、关键前提条件、预期后置条件,以及在回滚有意义时的回滚过程链接。代理可以提供诸如服务名称或请求容量等参数,但策略决定这些参数是否落在授权范围内。驱动风险的事实应来自受控配置、清单或独立验证的上下文,因为让模型自行判断其建议是低、中还是高风险,将决策权交还给模型本身。
图 5. 确定性策略在受控工具网关执行操作之前,将每个建议操作映射到风险等级和审批要求(图片来源:作者创作)
事后验证很容易被低估。“API 返回 200”并不等于“系统是健康的”,因此修复工作流应验证其预期产生的结果,并在预期状态未恢复时进行升级处理。
网关还提供了深度防御。它将最小权限凭证限定到特定工具,独立授权每个代理与操作的组合,并在执行时重新检查所需的审批,而不是信任上游组件声称已发生。它还验证工具参数与其模式是否匹配。每次调用都会记录请求身份、策略决策、审批参考、输入、结果以及操作后的健康状态。
类型化的工具限制了被篡改代理可以请求的内容,但它们并不能消除提示注入,因为代理仍可能在其允许范围内滥用操作。因此,控制来自于多个层次:将摄入内容视为不可信数据、使用范围狭窄的工具、参数验证、最小权限、策略执行、审批要求、网络约束以及事后验证。
内容检查在相同的边界上增加了一层额外的防护;自2026年6月起,AgentCore Policy可以评估Bedrock Guardrails,用于筛选工具网关的输入和输出,以检测提示注入和敏感数据泄露(最初在部分AWS区域提供)。应将其视为门上的另一层控制措施,而不是注入问题的解决方案,无论检测能力如何提升,都应保留有界授权的层级。
安全性、可审计性和合规性
对于受监管的操作,治理不是架构之后添加的一个部分。架构之所以如此设计,正是出于治理的需要。
团队应以与管理其他生产软件相同的专业程度来管理模型和代理的变更:版本控制的提示和代理定义、经过审查的变更、推广前的评估以及回滚能力。历史事件和对抗性案例可以提供有用的回归测试。团队应抽样生产跟踪记录,并评估其任务完成情况、工具选择、依据性、安全性以及政策遵循情况。此外,团队还应监控部署后置信度和推荐质量的变化情况。
团队还应尽量减少操作数据。日志和工单可能包含与推理任务无关的客户、员工或安全敏感信息。在进行大规模数据摄入之前,团队应建立数据分类、领域隔离、传输和静态加密以及保留规则。OWASP的LLM应用程序十大风险中明确将提示注入和过度代理视为不同的风险,其关于代理安全的指导原则进一步将这种思考扩展到目标劫持、工具误用、身份和权限滥用以及多代理交互。
审计证据应回答的问题不仅仅是“系统做了什么?”对于每一个具有重大影响的操作,组织应能够重建原始信号、检索到的证据、推荐内容、适用政策、如需的人类决策、执行的操作、使用的身份以及验证的结果。你是否能将该记录称为不可变,取决于实际的存储控制;至少,它应具备持久性、访问控制、防篡改性或根据企业证据要求进行其他保护。
合规性映射也必须同样精确。NERC CIP并不适用于每一家电力公司运营的应用程序。对于在范围内的BES网络安全系统,CIP-010-4涉及配置变更管理和漏洞评估;CIP-004-7包含人员和访问管理要求;CIP-011-3涉及BES网络安全系统信息的保护;CIP-008-6涵盖网络安全事件报告和响应计划。一个代理平台可以支持适用要求所需的证据,但平台本身并不创造合规性。
对于面向客户和受监管的项目,证据和报告义务可能根据适用的司法管辖区要求而有所不同。不在CIP范围内的企业应用程序可能需要遵循内部变更控制、隐私要求或财务控制。实际规则是将证据映射到管理特定系统的制度,而不是将整个电力资产标记为“CIP合规”。
诸如NIST人工智能风险管理框架(治理、映射、衡量、管理)和ISO/IEC 42001:2023等框架可以组织更广泛的AI治理计划,但它们是补充而非替代行业特定要求。
测量价值并赢得自主权
在受监管的环境中,组织应将自主型人工智能的价值与运营基准进行衡量,而不是以未经支持的改进百分比来衡量。我们追踪的信号包括从最早有用信号到可操作警报的检测时间;对已验证解决方案的响应时间;预测精度、误报率、提前时间以及操作员评定的有用性;工程人员在手动关联、非工作时间的页面通知和重复分析上所花费的努力;以及治理措施,如批准延迟、策略拒绝、阻止未经授权的操作、证据完整性以及审计重建时间。
我们分阶段扩展了自主性,一次一个操作类别。没有任何一个操作类别仅凭模型置信度就向前推进。每一步都需要系统所有者和变更管理审查人员根据以下证据达成一致。
| 阶段 | 操作类别 | 执行模式 | 前进所需的证据 | |-----|---------|---------|-------------| | 1 | 所有操作 | 只读:观察、关联、检索、预测和推荐 | 操作员一致接受推荐,拒绝原因已审查并解决 | | 2 | 只读诊断和健康检查 | 批准后自动执行 | 诊断未超出其授权范围;证据记录完整 | | 3 | 可逆更改,如无状态服务重启 | 仅批准 | 操作后验证确认恢复;回滚程序已测试 | | 4 | 选定的低影响可逆更改,如重启已批准的无状态服务或在预定义限制内扩展 | 仅批准 → 自动执行,在定义的范围和时间窗口内 | 一致批准而无需修改;操作后验证确认恢复;测试时回滚成功;无策略拒绝或超出范围的请求 | | 5 | 高风险更改,如配置更改和故障转移 | 始终需要明确批准 | 不适合自动执行 |
表3. 分阶段的自主性进展和证据要求
结论:采用此模式的团队的教训
自主型人工智能可以关联运营信号、评估业务影响并推荐补救措施,但在关键任务环境中,其价值取决于其权限的治理程度。对于采用此模式的团队,有几个建议特别突出:
- 首先建立治理:在引入代理之前,构建受控执行路径,实施最小权限原则,并定义操作目录。
- 强制执行确定性策略:通过版本化配置管理风险分类和批准要求,而不是通过模型提示。
- 验证结果:确认服务恢复,而不是依赖于命令执行成功。
- 逐步获得自主性:一次启用一个操作类别,并在需要时能够撤销授权。
目标不是最大自主性,而是基于证据的自主性,这种自主性可以安全地治理和撤销。
main wrapper for authors section
关于作者
section title
main wrapper for each author
#### Purnang Borah
显示更多
显示更少
#### 此内容属于自主型人工智能架构主题
##### 相关主题:
- 架构与设计
- 可观测性
- 监控
- 自主型人工智能架构
- 治理
- 大型语言模型
- 人工智能架构
- 应用性能管理
- 企业架构
- 人工智能
- 运营管理
- 性能
- 操作系统
- 运营智能
- 架构
- 相关编辑
- 广受欢迎 InfoQ Google 发现技术债务可能通过“代理分心”使编码代理偏离轨道 LinkedIn 用自定义 GitOps 引擎替换 Argo CD 用于 Kubernetes 部署 开源 DocumentDB 1.0 正式发布 GitHub 通过隔离和预算控制使代理工作流全面可用 Google 开源 Ambient Quality Agent (AQuA) 用于诊断生产 AI 代理故障 做正确的事:人工智能时代的问责制 编码摘要
InfoQ 时事通讯
每周二发送上一周 InfoQ 内容的汇总。加入超过 250,000 名高级开发者的社区。查看示例
我们保护您的隐私。