DZone.com Feed 中文 关注 DZone是一个全面的在线平台，专注于技术和编程的多个方面。该网站提供了关于不同编程语言、技术、框架和工具的大量信息。该网站的一些主要特点和资源包括：关于技术领域最新趋势和更新的新闻和文章、学习不同编程技能的多种资源和教程、一个社区让用户可以与他人互动、分享经验和知识。此外，DZone还提供了技术专业人士的招聘信息，为对技术和编程感兴趣的人们提供了有用的资源。 DZone.com Feed dzone.com RSS feeds.dzone.com DZone.com Feed 中文 RSS thenote.app
Foundry IQ 身份认证解析：托管身份、OBO 及其间的一切 Foundry IQ 的卖点在于，您的智能体只需一个端点即可获取基于事实、带有引用且来自多源上下文的信息，而无需自行构建检索栈。然而，人们往往忽视的是，“一个端点”这一说法略显简化。在其底层，您实际上需要管理四个互不共享安全模型的独立认证表面：用于配置资源的控制平面、因知识源类型不同而有所差异的各知识源凭据、知识库与调用它的智能体之间的连接认证，以及最常被误解的一项——内容本身是否尊重提问者的权限。若其中任何一项配置错误，通常不会触发错误提示。结果往往是智能体自信地回答用户提问，却使用了该用户本不应访问的数据。本文是一份实操指南，旨在帮助您部署真实的 Foundry IQ 环境，包括知识源、知识库，以及分别基于该知识库构建的 Foundry 智能体和 Microsoft Agent Framework 智能体。本指南的核心在于正确配置上述四个认证表面，而非默认使用仅适用于快速启动的管理员密钥。 Foundry IQ Auth, Explained: Managed Identity, OBO, and Everything Between dzone.com +1
第二部分：使用 agentgateway 保障并扩展 Goose 到 Java Agent 的流量 在本系列文章第一部分中，我们构建了一个基于 Quarkus 的 MCP 工具服务器，并通过可流式 HTTP 将其与 Goose AI 代理连接。工具运行正常，演示过程清晰，一切均在 localhost 上完成。然而，一旦设想 50 名开发者在其笔记本电脑上运行 Goose，同时访问同一组后端 MCP 服务器，该架构便开始出现裂痕。谁认证了该工具调用？哪个角色授权了 getAuditTrail 的调用？什么机制能阻止被投毒的工具名称向您的后端注入负载？本文通过引入 agentgateway——Linux 基金会为代理式 AI 流量设计的开源代理——将其置于 Goose 客户端与我们在第一部分构建的 Quarkus MCP 微服务之间，来解答上述问题。 Part 2: Securing and Scaling Goose-to-Java Agent Traffic With agentgateway dzone.com +1
燃爆的流水线：为何您的 CI/CD 工具已成为新的网络战场 十五年过去了，我与安全负责人最常进行的对话仍以相同的方式开启：你的边界防护如何？终端覆盖率如何？SOC 团队人员配置如何？几乎没有人以“你的管道（pipeline）状况如何”作为开场。这正是我想探讨的差距，因为 2025 年，这一差距已演变为深坑。以下是应重新规划 2026 年所有安全路线图的关键数据：根据 GitProtect 发布的《DevOps 威胁揭秘》报告，主要 DevOps 平台——GitHub、GitLab、Azure DevOps 以及 Atlassian 旗下的 Jira 和 Bitbucket——在 2025 年共修复了 236 个漏洞。其中 59% 被评定为高危或严重级别：14 个严重（critical）、126 个高危（high）、75 个中危（medium）、21 个低危（low）。整体趋势更为严峻：严重漏洞数量从上半年 4 个激增至下半年 10 个；高危发现数量在同期上升 55%，从 39 个增至 87 个。仅 2025 年 11 月就修复了 36 个漏洞，占全年总数的 15%。这些并非鲜为人知的内部工具。仅 GitHub 就托管着来自 6.3 亿个代码库的超过 1.8 亿名开发者。当承载如此庞大代码量的平台按季度加速漏洞披露时，这绝非噪音，而是具有明确方向性的趋势（DevOps.com, SecurityBrief）。 Pipelines on Fire: Why Your CI/CD Tools Are the New Cyber Battlefield dzone.com +1
如何使用 Argo CD 和 Argo Rollouts 安全地部署控制平面和数据平面变更 当一次发布同时变更 Kubernetes 平台的管理机制及其依赖的工作负载时，部署会变得更为复杂。新的 CustomResourceDefinition、准入 Webhook、控制器或路由 API 会改变集群的接受范围和行为方式；而新的应用镜像可能同时依赖这些变更。Argo CD 和 Argo Rollouts 分别解决了该问题的不同部分。Argo CD 适用于以确定性顺序建立声明式前置条件，而 Argo Rollouts 则在工作负载版本向稳定状态演进的过程中限制生产环境的暴露范围。安全的交付源于组合这两者的职责，而非将任一控制器视为通用的部署引擎。Argo Rollouts 的文档明确不建议使用 Rollouts 部署基础设施组件，如 cert-manager、CoreDNS 和 NGINX。 How to Safely Deploy Control-Plane and Data-Plane Changes With Argo CD and Argo Rollouts dzone.com +1
Kubernetes 显示就绪，您的 LLM 仍未就绪。 在 Kubernetes 中，一个 Pod 可能看起来健康，但其背后的模型仍未准备好响应用户请求。这正是我想要测量的差距。 Kubernetes Says Ready. Your LLM Still Isn’t. dzone.com +1
动态数组、溢出和 LET：Excel 中的变化及其对 Java 应用程序的意义 在之前的文章《Java 中处理电子表格：实用概述》中，我们探讨了 Java 应用程序需要与电子表格交互的常见场景，以及可用于此任务的工具类别。其中提到的一个因素是对现代 Excel 公式的支持——这是一个值得单独展开讨论的话题，而非仅用一句话带过。Java 应用程序与 Excel 的交互频率往往超出大多数团队的预期：来自财务部门的文件上传、在电子表格中编写的计算逻辑、以及向业务用户导出的报表。当今用户生成的文件与五年前生成的文件已大不相同。Excel 365 和 Excel 2021 引入了新的公式模型，在这些版本中创建的电子表格通常会使用该模型。根据所使用的库不同，这些公式可能在计算时正确求值，也可能静默失败并返回过时的缓存值，或在重新计算时抛出异常。 Dynamic Arrays, Spill, and LET: What Changed in Excel and Why It Matters for Java Applications dzone.com +1
将图分析引入 Snowflake，借助 Neo4j Snowflake 已成为存储和大规模查询运营数据的首选平台。SQL 在过滤行、连接表和聚合数值方面表现出色。但在某一类问题上，SQL 开始显得力不从心：关于连接关系的问题。生产线上哪些机器依赖于这一台？如果该组件发生故障，还有哪些会随之瘫痪？哪些资产在并行工作流中扮演着等效的结构角色？这些本质上都是关于关系的问题，而用 SQL 回答它们需要随着跳数增加而使用越来越复杂的递归查询。 Bringing Graph Analytics to Snowflake With Neo4j dzone.com +1
RavenDB 推出 Quill，将生产级 AI 代理引入企业 SQL 系统，无需迁移 以色列海法，2026 年 9 月 8 日，TechnologyWire本文由 TechnologyWire 提供，不代表 DZone 的编辑内容。 RavenDB Launches Quill to Bring Production AI Agents to Enterprise SQL Systems, No Migration Required dzone.com +1
SQL Server 2025 中的内存优先索引：重新定义混合工作负载的性能 现代数据库环境很少运行单一类型的工作负载。大多数生产系统同时处理事务操作和分析查询。这些混合工作负载，通常被称为混合工作负载，对传统数据库索引和存储策略施加了巨大压力。在此类环境中，基于磁盘的索引可能成为性能瓶颈。当事务查询与分析查询竞争磁盘 I/O 时，往往导致延迟增加、吞吐量降低以及查询性能不一致。 Memory-First Indexes in SQL Server 2025: Redefining Performance for Hybrid Workloads dzone.com +1
削减遥测数据量并不等同于削减噪声 几乎所有我参与的关于可观测性预算的讨论，最终都会得出同一个结论：“我们需要降低遥测数据量。”这句话后面通常会跟着一个数字：百分之三十、一半，或是财务表格所需的那个数值。随后，总有人说出让全场人士松一口气的话：“好消息是，其中大部分本来就是噪声。我们可以在降低数据量的同时提升信号质量。” Cutting Telemetry Volume Is Not the Same as Cutting Noise dzone.com +1
苹果与OpenAI的争斗升级，伴随着新的MacBook证据 苹果将前工程师陈亮的旧 MacBook 转变为其与 OpenAI 日益激烈的对抗中的最新焦点。苹果于周一向联邦法院表示，从陈亮使用的苹果配发 MacBook 中恢复的证据，加强了其主张：陈亮加入 OpenAI 后，机密公司技术曾被访问和使用。 Apple-OpenAI Fight Escalates With New MacBook Evidence dzone.com +1
优化 AI 代理以使其声音更人性化，由 AI 检测器进行评判 你总能看出是一篇由大语言模型（LLM）撰写的邮件。比如“希望这封邮件找到你时一切安好”这类开场白，或是用三个礼貌的段落来回答一个单句问题。我想要一个不会这样写的回复起草代理，而“不要听起来像人工智能”却很难在提示词中准确表达。禁止几个短语很简单，但其余部分依赖判断力；一个能同时适用于友好晚餐邀请和招聘人员冷邮件的单一提示词，所需的迭代次数远超我的预期。这不仅仅是邮件的问题。一些平台会对读起来像由人工智能生成的内容进行降权，因此大规模发布内容的团队对能够绕过检测器的行文有着切实的利益，即使这些内容是由人类撰写的。此处的工作流程适用于此类所有场景。 Optimize an AI Agent to Sound Human, Judged by an AI Detector dzone.com +1
从 ETL、ELT 到 EtLT，再到 Agent：企业数据工程正在发生什么变化？ 过去二十年来，大多数企业数据工程系统都基于一个默认假设：人理解系统，系统执行流程。工程师理解业务背景，将需求拆解为步骤，编写 SQL、Spark 任务、Shell 脚本、同步任务及调度工作流，然后交由系统执行。调度器无需理解业务，同步引擎无需理解指标，它只需可靠地执行预定义的流程。 From ETL, ELT, and EtLT to Agent: What Is Changing in Enterprise Data Engineering? dzone.com +1
为什么人工智能“幻觉”是一个质量工程问题 大多数团队首次在生产环境中遇到幻觉时，会将其视为一个 bug。他们会调查具体的输出，追溯至某个提示或上下文窗口，进行相应调整，然后继续前行。他们未曾提出更为关键的问题：究竟有多少类似的输出已经悄无声息地送达用户手中？这个问题令人不安，因为对于大多数企业级 AI 部署而言，诚实的答案是：无人知晓。 Why AI Hallucinations Are a Quality Engineering Problem dzone.com +1
究竟是什么让 AI 基础设施代理更加可靠（答案并非增加更多代理） 我不断看到同样的模式：有人为基础设施监控构建了一个"AI 代理”——它能回答关于 Prometheus 指标的问题，从 ELK 拉取日志，并建议重启。在演示中令人印象深刻。但当你进一步追问：当其在调查过程中日志查询超时时会怎样？当它在跨四个系统关联信号时上下文窗口填满时会怎样？当工具调用幻觉出一个几乎不存在的指标名称时会怎样？通常它不会灾难性失败。它会静默失败，以难以调试的方式。而在事件响应期间发生的静默失败是最糟糕的。 What Actually Makes AI Infrastructure Agents More Reliable (It's Not More Agents) dzone.com +1
文档 SDK 与基础 PDF 库：成长型团队应知悉的内容 当部署 Web 应用时，开发人员力求快速构建所需功能并控制成本：预算依然紧张，团队规模较小，资源有限。这些团队通常会借助开源工具来添加 PDF 查看功能，这些库确实有效：它们以简单的集成方式和零成本提供基础能力。然而，无论您是敏捷的初创公司，还是在拥有庞大现有用户群的平台中构建新功能的成熟组织，开源库都可能变成“魔爪”：它们实现了您的愿望，但痛苦随之而来。在文档处理功能方面，这种痛苦表现为集成地狱——您需要逐一添加更多文档能力，而所有已集成的开源库的功能与依赖关系开始暴露出裂痕。维护成本日益增长，用户体验受损，开发人员只能无奈地将额头抵在桌面上。 Document SDK vs Basic PDF Library: What Growing Teams Should Know dzone.com +1
Databricks Lakebase：为您的智能体提供分支，而非生产数据库 每个代理数据项目中都有一个尴尬的时刻：代理能够运行，生成不错的 SQL，理解模式结构，并提出看似正确的迁移方案。然而，总有人提出那个无人愿回答的问题：当它在生产环境中出错时，会发生什么？通常的回答都很糟糕。 Databricks Lakebase: Give Your Agent a Branch, Not Your Production Database dzone.com +1
构建信任：非确定性人工智能时代的代理微服务测试策略 企业软件格局正经历一场基础架构层面的根本性转变，其影响力堪比从单体应用向分布式系统过渡的原始变革。过去十年间，微服务架构已成功使工程团队能够通过将业务领域严格分解为可独立部署、可扩展的单元，并通过定义明确的应用程序编程接口（API）进行通信，从而有效管理应用复杂性。然而，大型语言模型（LLM）向应用执行层的激进集成，催生了全新的范式：代理式微服务架构。在此高级模型中，单一职责原则的核心要义已从分解静态业务领域（如订单服务或支付服务）演变为分解动态认知负载（如规划代理、研究代理和执行代理）。 Architecting Trust: Agentic Microservice Testing Strategies in the Era of Non-Deterministic AI dzone.com +1
使用幂等性防止重复 API 调用：行之有效的模式 我在企业集成中反复观察到一种失败模式：支付请求在调用方超时，但在下游已成功，随后却被当作失败进行重试。对于 MuleSoft 项目，这种情况尤其容易被忽视，因为单个入站请求可能在调用方收到最终响应之前，就已触发支付、ERP、库存和消息调用。该请求已成功 2 次。 Prevent Duplicate API Calls With Idempotency: Patterns That Work dzone.com +1
您的电子邮件安全问题源于 DNS 配置问题 您部署的每一封邮件身份验证控制措施都是一条 DNS 记录。并非“由 DNS 支撑”，也非“使用 DNS"，它就是 DNS 记录本身；当邮件安全失效时，几乎总是发生在 DNS 层，而非协议层。这种视角的重构价值远超其字面含义。团队往往耗费数小时去推敲 DMARC 策略的语义，而真正的问题却是一个 DKIM 密钥被错误地拆分到了两条 TXT 记录中，或是一条 SPF 记录静默地超出了其查询预算。如果您将邮件身份验证视为一组协议，便会在错误的层级上进行调试。将其视为 DNS 卫生问题，故障便会一目了然。 Your Email Security Is a DNS Configuration Problem dzone.com +1
动态工具选择：一种适用于深陷工具模式之智能体的可移植模式 我在构建 Deep Agents 智能体时偶然发现了这一模式：当工具注册表规模超出临界点，即便在每一轮对话中都发送所有 schema 仍显得合理时，该模式便显现出来。以下内容是该模式本身，已做精简，使其可无缝融入当今任何框架的工具调用智能体循环中，并辅以基于 61 个工具合成注册表的基准测试。问题：工具数量增长，但每轮的相关性并未随之提升大多数智能体框架在构建时一次性组装工具列表，并在每次调用时将该完整列表发送给模型，而不论该轮对话的具体内容如何。在工具数量为 5-10 个时，这种做法尚可接受。一旦接入多个 MCP 服务器（如 Slack、GitHub、Linear、日历、CRM，每个贡献 3-6 个 schema），无论用户是否询问 Slack 消息，每一轮对话都会携带 40-60 个工具定义。 Dynamic Tool Selection: A Portable Pattern for Agents Drowning in Tool Schemas dzone.com +1
在遗留 Oracle 架构上启用 AI 与向量搜索：实际所需内容 适用对象：那些在已运行十年以上的 Oracle 架构上工作的 DBA 和开发人员，他们不断听到"Select AI 和向量搜索可以轻松集成”的说法，但在将其应用于关键业务场景之前，希望先了解这在实际中究竟意味着什么。我花了一个周六的早晨，尝试让 Select AI 针对我们的工单架构回答一个简单问题：“上个季度有多少客户提交了超过三张关于登录失败的工单？”表名没有问题（TICKETS、CUSTOMERS、TICKET_CATEGORY），但列名却完全是另一回事。CUST_ID、CUSTOMER_ID 和 CUSTID 分别存在于不同的表中，这是因为三个不同的团队在 2013 年至 2019 年间分别构建了该架构的各个部分。 Select AI and Vector Search on a Legacy Oracle Schema: What It Actually Takes dzone.com +1
向 LLM 教授 Schema 规则：深入解析 Jailer 的 AI 子集助手 任何尝试从生产模式构建小型、真实测试数据库的人都熟悉这一流程：你不仅仅想要“所有订单”。你想要某位客户的订单、其订单项、它们所引用的产品——但不包括完整的支付历史、每一行审计日志，也不包括通过三次连接才能触及的内部报表表。每因一个原因拉入一张表，就会连带拉入三张你并未请求的表，因为你的模式是一个图，而非列表。Jailer 解决了这一问题中的机械部分：只需指定起始表、条件以及应遵循的关系规则集，它便会遍历外键图，返回一个一致且引用有效的数据库切片。然而，直到最近，它尚未解决繁琐的部分——即逐条关联地坐下来决定包含什么、剔除什么。在拥有数百张表的模式下，这绝非五分钟即可完成的工作。 Teaching an LLM Your Schema's Rules: Inside Jailer's AI Subsetting Assistant dzone.com +1
构建 AI 事件响应运行手册：工程团队在最初 24 小时内应采取的措施 每个成熟的工程团队都拥有一份经过多年事后复盘不断完善的网络安全事件响应计划。然而，当事件涉及人工智能——例如具有真实后果的有毒幻觉、歧视性算法输出，或从检索增强生成（RAG）管道中泄露的个人身份信息（PII）——旧有的应对手册便不再适用。这里没有可修补的 CVE，也没有清晰的入侵指标。取而代之的是概率性故障与实时法律升级的交织。一次幻觉，千起索赔：这正是无人预算的风险形态。 Building an AI Incident Response Runbook: What Engineering Teams Should Do in the First 24 Hours dzone.com +1
DORA 指标假设您的 CI 流水线所言属实。如果并非如此，会怎样？” DORA 框架建立在一个如此基础的前提之上，以至于很少受到审视。当该框架背后的研究团队调查了数千个工程组织，并识别出能够预测软件交付绩效的指标时，他们测量的是流水线所报告的内容：部署频率来自部署日志；前置时间来自提交时间戳；变更失败率来自与部署事件相关联的故障记录；部署恢复时间来自故障解决时间戳；部署返工率来自被修复先前已发布工作所占的部署比例。这些指标中的每一个都是流水线所述事件的忠实记录。它们中没有任何一个具备评估流水线所述事件是否准确的机制。 DORA Metrics Assume Your CI Pipeline Is Telling the Truth. What If It Is Not? dzone.com +1
探索与利用：为何重要以及工程师的角色 现代组织始终处于一种持续的张力之中：它们既要探索未来，又要交付当下。这两种工作模式——探索与利用——在目标、激励机制、风险承受能力和执行风格上存在根本差异。然而，两者对于长期成功都至关重要。挑战在于，大多数系统、团队和激励机制并非天然设计为能够同时良好地兼顾这两者。 Exploration vs Exploitation: Why It Matters and the Engineer’s Role dzone.com +1
性能工程师如何发现并修复隐藏的系统瓶颈 想象一个对企业至关重要的 SQL 查询耗时七小时才完成，几乎占满整整一个工作日。系统仍在持续处理数据，业务因此不断损失时间与金钱，用户则被迫等待。随后，一位性能工程师介入。经过数小时的细致分析与若干处精准代码修改，同样的查询仅需两分钟即可完成。此类情况在性能工程中并不罕见。将小时级耗时压缩至分钟级，正是体现该领域价值的典型工作。在现代 DevOps 环境中，随着系统持续部署和工作负载快速变化，这类工作已成为日常工程实践的一部分。 How Performance Engineers Find and Fix Hidden System Bottlenecks dzone.com +1
如何在 Python 中设计面向企业 LLM 工作流的多智能体 AI 框架 当我最初开始使用大语言模型（LLMs）构建企业级应用时，我陷入了几乎每位开发者都会遭遇的陷阱。我曾认为，扩展 AI 系统仅仅意味着优化单个庞大的提示词。我编写了复杂的系统指令，将上下文窗口塞满规则，并期望一次无状态的 API 调用能同时充当研究员、分析师和文案撰稿人。在生产环境中，这种单体架构反复失败。在处理动态数据流时，模型会抹平细微差别，跳过关键的执行步骤，并频繁生成高度自信的幻觉内容。 How to Design a Multi-Agent AI Framework in Python for Enterprise LLM Workflows dzone.com +1
这款价值 5,000 美元的伯克利人形机器人可用桌面级 3D 打印机制造 一款可通过桌面级 3D 打印机构建的人形机器人，正降低实验通常价格高昂的机器的门槛。加州大学伯克利分校的研究人员开发了“伯克利人形机器人 Lite"（Berkeley Humanoid Lite），这是一款开源人形机器人，旨在为学生、爱好者和研究人员提供一种更廉价的机器人实验方式。 This $5,000 Berkeley Humanoid Can Be Built With a Desktop 3D Printer dzone.com +1
提示 AI 进行数据分析：您与模型之间缺失的优化层 答案是对的，但提问的成本却是所需成本的四倍。每一支使用 AI 模型的分析团队都会遇到同样的隐性成本：因提示词混乱而浪费的 token。分析师输入一个模糊的问题，模型返回一个冗长且充满保留的回答；分析师重新改写问题，再次提问，循环往复。当这种模式在数百名每日频繁提问的分析师中放大时，消耗的不仅是 token 成本，更是时间的流失以及彼此无法对齐的答案。 Prompting AI for Analytics: The Missing Optimization Layer Between Your Question and the Model dzone.com +1
多语言对话式支付聊天机器人架构：具备安全护栏、人工交接和多模态支持的企业级检索增强生成（RAG） 在任何一个严肃的 RAG 部署进行几个月后，大多数工程团队往往会遇到同样的瓶颈。我们的 AI 驱动支付助手演示效果极佳，面向二十名内部用户的试点运行也一切顺利。然而一旦正式上线，当有人询问其医疗福利或某笔电汇失败时，模型却自信地胡编乱造，于是"chatbot"这个词便成了团队在事后复盘会上无人愿提及的词汇。解决方案并非更聪明的提示词，而是一种架构设计：该架构预设模型偶尔会出错，偶尔会被问及不应回答的问题，偶尔则需要完全退居幕后，将用户转接给人工服务。如果由我来构建这样的系统，我会采用如下架构。 Multilingual Conversational Payments Chatbot Architecture: Enterprise RAG With Safety Guardrails, Human Handoff, and Multi-Modal Support dzone.com +1
在无冻结客户端的情况下处理大型 API 响应：基于 Temporal、Kafka 和 RAG 的实用架构 大型 API 响应在成为网络问题之前，早已演变为客户端问题。浏览器可以接收数百兆字节的数据，但在缓冲字节、解析单个巨大的 JSON 文档、保留重复的对象图以及在主线程上渲染过多状态时，仍可能变得无响应。可靠的解决方案并非增大超时时间，而是停止将响应视为同步文档，转而将其视为持久化、可观测的任务，其数据以有界片段的形式到达。浏览器流支持增量消费和背压控制，而后台工作线程则允许长时间运行的处理独立于用户界面脚本进行。 Handling Large API Responses Without Freezing the Client: A Practical Architecture With Temporal, Kafka, and RAG dzone.com +1
构建代理式 RAG，循序渐进：从静态检索到推理流水线 检索增强生成（RAG）解决了一个实际问题：它将大语言模型的输出锚定在模型从未训练过的事实上。但经典 RAG 存在局限性：它仅执行一次检索，将结果填入提示词，并期望前 k 个片段恰好包含答案。其中缺乏自我修正、多步推理能力，且在首次检索失败时无法恢复。代理式 RAG（Agentic RAG）通过引入由大语言模型驱动的代理来打破这一局限——该代理负责决定检索什么、何时再次检索、评估检索到的上下文是否足够可靠，以及在回答前如何整合多个信息源。本文将逐步演示如何从头构建一个代理式 RAG 系统，并提供可适配您自身技术栈的完整代码。 Building Agentic RAG, Step by Step: From Static Retrieval to Reasoning Pipelines dzone.com +1
面向企业任务的 MCP：让罕见之事变得足够频繁，从而得以掌握 企业软件越来越要求用户身兼多职。负责访问控制的安全工程师，第二天可能就要处理事件响应；负责自动化常规部署的运维团队，也必须应对偶发的基础设施例外情况。这些偶尔出现但认知复杂度高的任务，陷入了一个尴尬的空白地带：频率太低，难以形成肌肉记忆；又太过重要，不能交由猜测行事。传统的企业用户体验（UX）只有两个不尽如人意的方案：要么构建用户每次都需要重新学习的重型表单，要么将工作路由到审批流程中，使几分钟的工作量拖延至数天。模型上下文协议（MCP）结合代理式大语言模型（LLM）接口提供了一条第三条路径——这一方案在访问控制管理等任务虽不频繁但高风险的领域尤为具有吸引力。 MCP for Enterprise Tasks: Making the Rare Frequent Enough to Master dzone.com +1
为何我不希望 LLM 生成 Java 业务逻辑 一个拉取请求已到达。数百行 Java 代码实现了新的折扣规则：分级阈值、区域例外，以及某种无人能完全解释的忠诚度等级。代码编译通过，测试全部通过。一个 LLM 在大约四十秒内生成了它。现在：谁来审查它？ Why I Don't Want an LLM Generating Java Business Logic dzone.com +1
视频与音频作为知识源：Microsoft Foundry IQ 中的内容理解 您拥有的最大语料库，是无人索引的那一个。以下是如何将录音转化为智能体可引用并作为依据的 grounding 数据的方法。您已拥有却从未索引的语料库每个组织都坐拥多年的会议录音、支持热线通话、培训会话、大会演讲以及屏幕录制。其中几乎没有任何内容是可检索的。当有人询问“关于供应商迁移我们做出了什么决定”时，答案就存在——在一个无人会逐帧梳理的 47 分钟录音中。 Video and Audio as Knowledge Sources: Content Understanding in Microsoft Foundry IQ dzone.com +1
设计安全的代理权限：为何最小权限原则必须存在于模型之外 “九秒。这就是 2026 年 4 月，AI 编程代理在 PocketOS（一家汽车租赁软件供应商）中删除生产数据库及其备份所花费的时间。根据创始人 Jer Crane 的叙述，该 AI 编程代理在执行常规预发布任务时遭遇凭证不匹配，随即搜索代码库，并在一个无关文件中发现了一个 API 令牌。该令牌拥有对 Railway 基础设施 API 的广泛权限。代理使用该令牌执行了操作。在任何人察觉之前，数据库和备份已不复存在。没有人攻击 PocketOS。没有凭证被盗，没有提示注入，也没有恶意软件执行。代理追求一个目标，遇到障碍，并利用被授予的权限去清除该障碍。问题不在于代理能够删除生产数据库，而在于授权架构中没有任何机制能够阻止其这样做——对于一个本不应接触生产环境任务而言。这正是整个学科所依赖的关键区别，也是为何修复必须存在于架构之中，而非依靠一条让代理“小心行事”的系统提示。 Designing Safe Agent Permissions: Why Least Privilege Must Exist Outside the Model dzone.com +1
企业应假设 AI 代理将删除其生产基础 传统的身份机制并未考虑到 AI 代理的自主性和不可预测性。因此，当企业做出不可预测的——甚至具有破坏性的——决策（例如删除整个生产环境）时，不应感到意外。若缺乏适当的护栏，这些新参与者将继续在组织内造成混乱。无需远寻，即可在现实中找到此类事件实时发生的例证。PocketOS 近期表示，Cursor 代理在执行常规任务时，误以为处于安全的预发布环境中，却删除了生产数据库及其备份。整个事件在短短 9 秒内发生，但修复却耗时数日。 Enterprises Should Assume AI Agents Will Delete Their Production Base dzone.com +1
隐藏在你 Docker 构建中的启动时间技巧 每个在 Kubernetes 上运行服务的 Java 开发者都目睹过这一幕：流量激增，自动伸缩器添加了一个 Pod，随后所有人开始等待。容器在两秒内启动，但应用程序还需十二秒才能就绪。在这十秒内，现有的 Pod 吸收额外负载，延迟随之攀升；若情况严重，自动伸缩器会陷入恐慌，添加更多尚未就绪的 Pod。多年来，我一直将 Spring Boot 的启动时间视为既定事实，就像对待天气一样。直到我发现，自 Java 12 以来，JVM 已针对其中大部分启动时间提供了修复方案；该方案在 Docker 内部运行效果极佳，却几乎未被集成到任何镜像中。这项技术称为类数据共享（Class Data Sharing，简称 CDS），本文将展示如何让 Docker 构建过程完成此项工作。 The Startup Time Trick Hiding Inside Your Docker Build dzone.com +1
如何在单一代码库中运行两个 AI 编程代理 并行编码代理在带来生产力提升之前，会引发并发问题。两个自主进程编辑同一检出（checkout）时，可能导致文件被覆盖、假设失效、测试状态被污染，或产生各自正确但联合不兼容的变更。更安全的运行模式将每个代理视为隔离的贡献者，为其分配专用的 Git 工作树（worktree）、明确的文件级契约、确定性的验证命令，并禁止其直接集成到受保护分支。Git 工作树为单个仓库提供多个关联的工作树，而现代编码代理平台则通过独立的沙箱、限定的写入权限和受控的网络权限，独立地强化这一原则。 How I Run Two AI Coding Agents on One Codebase dzone.com +1
扩展的瓶颈 任何输入/输出操作，无论是访问文件、处理 HTTP 请求还是建立数据库连接，都基于三个根本的系统概念——文件描述符、内核内存和堆大小。本文探讨现代语言如何帮助开发者处理幕后的文件描述符、内核内存和堆管理。这三个概念是扩展性的主要瓶颈。 The Bottleneck of Scaling dzone.com +1
您的 Spark 作业运行缓慢并非因为代码不佳，而是由于使用了错误的连接方式。 我通过惨痛的方式学到了这一课。我们有一条关键的数据管道，每天稳定运行超过 3 小时。其逻辑完全清晰，整体架构明确无误。不存在任何明显的内存泄漏，原始 PySpark 转换中也看不出任何根本性的问题。 Your Spark Job Isn't Slow Because of Bad Code. It's Slow Because of the Wrong Join dzone.com +1
构建一个在 API 表现异常时不会崩溃的 Python API 客户端 我编写的几乎每个 API 客户端的第一个版本都显得尴尬地简单。发送请求。解析 JSON。返回结果。 Building a Python API Client That Doesn’t Fall Apart When the API Misbehaves dzone.com +1
《密码学流言：第三部分》 在本篇博客中，我们将继续探讨前文（第 1 部分和第 2 部分）的内容。如果您尚未阅读，请先阅读一遍。迄今为止，我们已讨论了凯撒密码、维吉尼亚密码、对称加密、AES、收敛加密以及 IV。如果这些术语对您来说耳熟能详——太好了！如果尚未熟悉，请先回顾第 1 部分和第 2 部分。 Gossip on Cryptography: Part 3 dzone.com +1
让运行成为可选项：在 Kubernetes 上通过 Agent Substrate 扩展 AI 代理 如果能够在八个 Kubernetes 工作节点 Pod 上多路复用约 250 个有状态代理会话，并在重新激活任意一个会话时不丢失其内存或文件系统状态，会怎样？该仓库的演示报告称，针对该示例工作负载，实现了 30 倍以上的 Actor 与工作节点超订阅，且激活时间低于一秒。请注意，这仅是一项演示，并非生产环境容量保证。 Making Running Optional: Scaling AI Agents on Kubernetes With Agent Substrate dzone.com +1
可移植智能架构：当运行时成为难题时 过去二十年，我们的重心是将数据推向智能。如今，我们正目睹一场巨大转变：必须将智能推向数据。这一翻转改变了 everything。您的托管平台不再仅仅是 API 网关，而是一个操作系统。那场并非关于模型的会议那场改变我对 AI 基础设施认知的会议，几乎与模型无关。我们数月来痴迷于模型质量。随后，在短短几周内，议程悄然重组。我们开始讨论接入第三方单元。我们辩论当同一模型的两个版本在重放（replay）场景下意见相左时会发生什么。我们担忧在共享加速器上，一个租户的推理是否会挤占邻居的资源。我们为谁来支付那一毫秒的费用而争论不休。 Portable Intelligence Architecture: When the Runtime Becomes the Hard Problem dzone.com +1
使用 spaCy 从工程文档中提取实体与关系 工程团队会产生大量有价值的知识，但其中大部分被锁定在文本中。服务所有权说明可能告知谁拥有某个应用程序编程接口（API），而运行手册可能说明某项服务依赖哪个数据库。事故复盘可能详细描述一个故障如何影响其他系统。每一项单独来看都有用，但当我们能够将所有这些事实关联起来时，才能发挥最大的价值。 Extracting Entities and Relationships From Engineering Documents With spaCy dzone.com +1
流处理平台中处理不良数据的最佳实践 如今，流处理平台支持对来自物联网（IoT）设备、金融交易、Web 应用和银行服务器、制造设备、仓库及船舶中的物流系统，以及用户在 Web 门户上与对话式代理交互所产生的持续流动数据进行实时分析。诸如 Apache Kafka、Apache Flink、Apache Spark Structured Streaming 等流处理框架，以及流式数据库，正赋能业务人员实时处理数百万个事件。然而，您的流处理平台的价值完全取决于输入其中的数据质量。格式错误的事件、重复消息、任何缺失字段或无效时间戳，都可能导致分析结果错误、误触发警报、警报风暴，甚至引发应用程序崩溃。批处理允许在执行前对数据进行清洗，而流处理则要求在对数据进行验证和修正的同时，数据正在流动。因此，建立强大的数据质量策略是任何事件驱动架构的核心必要条件。 Best Practices for Handling Bad Data in Stream Processing Platforms dzone.com +1
左移而不丢失审计轨迹：受监管手术软件的测试自动化 在大多数软件中，红色测试意味着存在缺陷。而在我所从事的系统中，红色测试可能是一个患者安全信号。这一差异几乎重塑了你在制定质量策略时所做出的每一个决策。我在软件质量领域已工作超过十年，其中大部分时间专注于医疗设备软件：包括机器人辅助手术、手术模拟以及临床教育平台。其工程技术本身便颇具吸引力。真正具有挑战性的在于，每一次测试、每一条流水线以及每一次发布都必须同时满足两类受众的需求：工程师需要快速反馈，而监管机构则需要可追溯的证据，证明软件完全符合其需求说明，且除预期功能外不产生任何危险。 Shift-Left Without Losing the Audit Trail: Test Automation for Regulated Surgical Software dzone.com +1
Node.js 微服务架构：完整指南 大多数团队并非主动决定构建微服务，而是被推向这一方向。一个应用运行数年，越来越多的人向同一代码库提交代码。随后，某项完全无关的变更导致周二结账功能崩溃。这并非事先规划。通常正是在此时，有人半开玩笑、半认真地说：也许我们干脆把这个东西拆分一下吧。 Node.js Microservices Architecture: A Complete Guide dzone.com +1
