AI编程

一起 Fedora 系统上的 AI Agent 事故再次提醒开发者：Docker 容器并不天然等于安全沙箱。Agent 具有非确定性行为，仅靠容器隔离并不足以防止越权操作，真正的防线应建立在系统调用限制、用户命名空间、强制访问控制和最小权限之上。

MCP 快速普及的同时，安全机制仍显薄弱。链路分析正被用于识别多轮权限升级攻击，通过记录工具调用、分析跨回合模式、限制高风险操作和校验命令，尝试补齐 MCP 安全网关能力。

AI Agent 日志中出现未注册工具名，暴露出 Trace 系统常忽略模型实际看到的工具目录。通过冻结目录并计算哈希，可以把工具契约纳入可观测性体系，提升回放与审计可信度。

当 AI Agent 开始发邮件、改记录、删文件，仅靠提示词已经不够。Policy Gates 的核心，是把 Agent 从执行者降级为提议者。

AI Agent 让代码产出更快，但 Linear 发现验证代码的 CI 成为新瓶颈。通过更换运行环境、优化编译器、减少关键路径开销和降低重复初始化成本，Linear 在测试套件接近四倍增长的情况下，将 PR 等待时间从 6 分钟以上压缩到略高于 5 分钟，并把单次测试的 runner 时间削减约一半。

Google Chrome 团队工程师 Addy Osmani 开源 Agent Skills，用 25 套生产级工作流约束 AI 编程代理，让 Coding Agent 更接近资深工程师的开发方式。

AI Agent 的可靠性问题不只在于模型和检索。当上下文本身已过期、无法溯源或相互矛盾时，Agent 仍可能继续执行。新的工程方向正在转向上下文验证：通过事实校验、引用检查和可验证记录，减少 Agent 基于未验证信息行动的风险。