软件交付初创公司Harness今日宣布收购Qwiet AI(前身为ShiftLeft),这是一家在基于智能体AI的漏洞检测和修复领域处于领先地位的公司。Harness利用智能体AI为开发者和运维团队提供持续交付即服务平台,在整个开发生命周期中管理代码和软件测试。
加强DevSecOps平台建设
即将加入Harness担任安全业务总经理的行业资深人士Rahul Sood表示,此次收购体现了公司将安全直接嵌入DevOps流水线的愿景。"这次收购再次证明了Harness致力于构建真正AI原生DevSecOps平台的承诺,Qwiet是市场上最优秀的智能体AI应用安全工具。"
Harness计划将Qwiet的代码属性图与公司的软件交付图进行集成,从而获得更深入的洞察和更精确的漏洞检测消除能力。代码属性图是Qwiet服务的核心基石,通过使用AI引擎映射应用程序内数据和控制的完整流程,提供快速准确的代码扫描。
解决AI生成代码安全挑战
此次收购还解决了AI生成代码带来的日益严峻的安全挑战。AI赋能的开发工具使经验较少的用户能够快速构建应用程序,但同时也引入了更多漏洞。据报告显示,大语言模型生成安全代码的比例仅约为55%。
Qwiet声称拥有业界领先的97%真阳性率、极低的假阳性率,以及能检测92%开源漏洞的高级可达性分析能力。通过结合对代码的深度理解和对运行时执行的洞察,Qwiet和Harness能够检测出哪些漏洞真正可被利用,让开发者专注于重要的风险。
构建综合安全解决方案
这次收购建立在Harness今年3月与API安全公司Traceable合并的基础上。通过结合Harness的软件交付知识、Traceable的运行时保护和Qwiet的智能体AI漏洞检测,公司能够提供一个整体效果超越各部分简单相加的DevSecOps平台。
Harness创始人兼首席执行官Jyoti Bansal表示:"AI生成的代码正在改变软件构建方式,但也引入了新一波隐藏漏洞。通过统一安全和DevOps,每次构建、测试和部署都可以默认安全,在加速创新的同时降低风险。"
Q&A
Q1:Harness收购Qwiet AI的主要目的是什么?
A:Harness收购Qwiet AI是为了将安全直接嵌入DevOps流水线,构建真正AI原生的DevSecOps平台。通过整合Qwiet的智能体AI漏洞检测技术,Harness能够为开发者提供原生的代码安全能力,而不是附加工具。
Q2:Qwiet AI的代码属性图技术有什么优势?
A:代码属性图是Qwiet服务的核心技术,通过AI引擎映射应用程序内数据和控制的完整流程,提供快速准确的代码扫描。该技术拥有97%的真阳性率、极低假阳性率,能检测92%的开源漏洞,帮助开发者优先处理真正重要的安全问题。
Q3:为什么AI生成代码需要更强的安全检测?
A:AI赋能的开发工具使经验较少的用户能快速构建应用,但也引入更多漏洞。据报告显示,大语言模型生成安全代码的比例仅约55%。AI生成代码带来了新一波隐藏漏洞,需要专门的安全检测技术来识别和修复这些问题。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。