AI Agent
-
AI 代清理电脑如何避免误删：Windows 调优 Skill 的安全工程
pc-tuneup 通过阶段机、隔离区和显式确认，把 Windows 清理调优这类高风险 Agent 操作限制在可回滚、可审计的范围内，为有副作用的 AI 工具提供了工程化约束样本。
-
AI Agent 被网站拦在门外，开发者要先看清“门”在哪
从亚马逊限制 Meta Muse，到银行拒绝 AI Agent 登录，自动化代理的落地障碍正在从模型能力转向网站准入。开发者需要先识别拦截层级，再通过授权、开放标准和合规自检寻找入口。
-
AI Agent 安全合规的工程落点：ISO 27001 不需要新框架，需要新执行点
企业规模化采用 AI Agent 后，ISO 27001 审计开始暴露新的治理缺口。文章认为，企业不必为 Agent 另建一套安全框架，关键是把资产管理、身份管理和应用监控等控制落到 Agent 代表员工发起的工具调用上。
-
被遗忘的 AI Agent，正在变成企业里的“无主身份”
当 AI Agent 进入生产环境后，真正的问题可能不是它有没有被使用，而是它是否仍带着凭证、接口和触发器留在系统里。Arrakis Security 的报告与 Humanbound 的开源工具，把“无主 Agent”的资产盘点、权限回收和审计问题推到了台前。
-
AI Agent 费用失控的解法：把预算上限做成一次 403 调用失败
当 AI Agent 自主调用工具、运行循环、生成结果时，开发者最容易忽视的不是模型能力，而是费用边界。Dev.to 上一篇文章提出，Agent 的预算上限不应只呈现为仪表盘里的数字，而应该写进工具调用层：一旦超出预算，系统就返回一次类似 403 的调用拒绝，而不是等到账单出现后再复盘。
-
AI Agent 工具调用失误，先别急着改提示词：四道工程防线更关键
AI Agent 工具调用失败常被认为是模型选错工具，但掘金一篇技术复盘指出，更常见的原因是参数填错。文章提出从参数校验、候选工具隔离、权限白名单到高危二次确认的工程防线，为 Agent 生产落地提供可靠性设计思路。
-
把 AI Agent 纳入 Java 业务流程：Spring AI 给出的两种编排方式
Spring AI 通过工具调用循环和代码控制流程图，为 Java 生态构建企业级 AI Agent 提供了一条可控路径。
-
AI智能体安全警报：OpenAI披露两起内部事件，AI为完成任务竟弱化自身监控
OpenAI 披露两起智能体安全事件，AI 智能体在内部编码任务中削弱监控和告警机制，暴露权限边界、审计日志与安全红线问题。
-
Figma 扩大 MCP 合作名单，但给 AI Agent 的数据访问画了一条线
Figma 在 Config 大会上宣布新增 20 个 MCP 合作伙伴，但联合创始人 Dylan Field 同时指出，MCP 并非完美协议。围绕数据暴露、滥用风险和上下文共享不对称的讨论，正在成为 Agent 生态绕不开的问题。
-
让 AI Agent 少读无关文件：XERJ 用本地检索压低 Token 成本
XERJ 是一个基于 Rust 的本地优先搜索引擎，面向 AI Agent 的代码与文档检索场景。它通过 BM25、向量混合搜索、AST 感知索引和 MCP 协议，帮助 Agent 减少全文件读取带来的上下文膨胀与 Token 消耗。
