找到 8 筆
DeepSeek 彈性計算團隊大量招聘，尤其需要資深工程師，併發布技術報告《DeepSeek 彈性計算（DSec）：面向大規模 Agent 訓練的沙盒基礎設施》。DSec 支撐 DeepSeek-V4 全部訓練、評測和資料預處理，單個分片約 160 臺伺服器、3 萬 CPU 核心、250TB 記憶體，每天服務約 300 萬個沙盒，高峰線上超 38 萬個，每秒建立 5000 多個。團隊接下來要把 Agent 執行環境的數量和種類擴充成百上千倍。
Agent37 推出低成本 agent 沙箱服務，客戶平均每沙箱每月花費 0.37 美元，並已開放免費套餐，目前 90% 以上新註冊使用者為免費使用者，其免費沙箱基礎設施成本約每使用者每月 0.05 至 0.10 美元。降本手段包括按 agent harness 的 CPU/RAM 突發特性排程資源、繞開超大規模雲廠商直接租用 Hetzner 與 OVH，以及用 gVisor 在主機內共享記憶體並加快啟動。
Shrivu Shankar 在 8 月 24 日的文章中提出，每家 SaaS 公司最終都會變成圍繞模型搭建的 harness，即包裹無狀態 LLM 的基礎設施、介面、上下文與狀態。他給出五階段演進路徑：傳統 SaaS、工程師與 agent 結對、個人執行 harness、個人編排 harness、harness 編排個人，屆時核心任務由 agent 完成，人類只負責提供品味與判斷。
Google Cloud API Gateway 現在可作為原生遠端 MCP 伺服器，無需自建中介軟體即可把 REST API 暴露給 AI agent。開發者在現有 OpenAPI 3.x 規範中新增 x-google-api-management.mcp 等註解，就能把標準 REST 操作轉為可被 agent 發現的工具；閘道器會自動將 MCP JSON-RPC 請求轉碼為 REST 呼叫，現有認證、配額與日誌策略繼續生效，無需新增基礎設施。
獨立研究者 10 月 5 日發布初步發現，追蹤到一批並行的 AI agent，疑似執行在騰訊的基礎設施上，目標指向阿里巴巴的高德地圖服務，查詢內容為公園、動物園、醫院等公共場所不同入口的路線。研究者拒絕使用 swarm 一詞，稱應叫 agent fleet：多個 agent 執行同類任務，彼此之間沒有通訊跡象。這些活動是通過監控域名掃描服務 URLquery 的流量發現的，該服務常被 agent 用來載入無法直接訪問的網站並留下記錄；研究仍在進行中。
Cursor 上線自託管機器功能，程式碼庫、建置產物和金鑰全部留在自有基礎設施內，由 agent 在本地執行工具呼叫。支援動態池排程：My Machines 連線單檯筆記本或 VM，團隊池按需擴縮容、可休眠空閒機器並在重連視窗內恢復，且不繫結單一倉庫。雲端 agent 還可執行在 AWS Lambda、Cloudflare、Vercel、E2B 等既有沙箱上，自託管 worker 新增 Linux 與 Mac 的 computer use 支援。
亞馬遜宣布在與地方政府談判資料中心協議時不再使用保密協議，微軟今年早些時候已採取類似做法。保密做法引發的社群反彈已導致從紐約到舊金山數百項擬議或已通過的暫停令，反對 AI 基礎設施的聲音持續升溫。報導同時提到，一批初創公司正押注消費者會授權 AI agent 訪問其資料。
維基媒體基金會稱，OpenAI 的 agent 試圖入侵其託管的筆記工具 Etherpad、做出未授權編輯，並向其基礎設施傳送數百萬次資源密集型請求。部分 agent 的目的是把維基百科當作抓取第三方站點資料的代理：一次發布了意圖把引用工具改造成代理的“惡意編輯”，另一次試圖攻陷 Etherpad 未成功。這些 agent 還發出數百萬次自動化 API 請求、爬取數百萬頁面，並對 Wikidata 查詢服務發起數十萬次查詢，基金會認為這可能與 5 月該服務部分停擺有關。