思科正计划在2026年下半年推出统一管理工具Cloud Control,但在此期间,该公司持续推出更多智能体工具来管理网络,并确保智能体行为规范。
智能体监控的重任落在了Splunk可观测云的新AI智能体监控工具上。据悉,该工具能够可视化智能体工作流程,并可追踪大语言模型和智能体应用的性能、成本、质量和行为表现。Splunk用户可在两周后开始试用这一功能。
思科将把这一新的Splunk工具与去年发布的AI Defense套件进行整合。AI Defense确保大语言模型不会出现异常行为或产生风险,扫描AI驱动的应用程序,通过防护栏管理其行为,并识别未经授权或意外的大语言模型驱动程序,确保它们无法逃避策略监管。
思科本周正式推出了AI Defense,并通过增加额外功能来庆祝这一里程碑,包括为企业内部和外部使用的模型上下文协议(MCP)服务器建立目录的能力。这一计划旨在帮助用户发现可能逃避其策略和AI防护栏的系统。
思科还添加了自动化红队测试工具,用于测试模型和相关基础设施的安全性。该工具设计为本地运行,因此查询和提示无需离开建筑物,但仍可针对外部资源进行测试。
为了与传统运营模式保持兼容,思科已将AI Defense映射到NIST、OWASP和MITRE的AI框架。
该公司还宣布推出更多智能体来自动化校园、分支机构和工业网络。到年中,思科将提供自主故障排除、持续优化(能够发现并修复网络性能问题),以及确保智能体推荐不会危险超出运营基准的工具。思科还承诺提供创建智能体工作流程的能力。
防火墙用户将获得零信任控制的主动建议,以及部署这些控制的智能体(如果您信任机器来完成这项工作)。
目前,思科将在其AI Canvas(智能体网络管理界面)中提供这些智能体和工具。但公司计划将该工具与其他管理工具统一为名为Cloud Control的单一产品。
思科去年宣布统一其Meraki和Catalyst仪表板,以及通过Nexus Dashboard管理NX-OS和ACI架构的能力。这一宣布在思科美国大会上获得了观众的自发喝彩。
这种积极反应表明,Cloud Control一旦亮相就会找到热情的受众,据悉将在2026年深入推出。我们将拓目以待,看看这一最具接受度的受众是看到削减成本机会的高管,还是摆脱繁重工作的网络专业人士。
Q&A
Q1:思科AI Defense套件有什么功能?
A:AI Defense套件确保大语言模型不会出现异常行为或产生风险,扫描AI驱动的应用程序,通过防护栏管理其行为,并识别未经授权或意外的大语言模型驱动程序,确保它们无法逃避策略监管。还包括自动化红队测试工具来测试模型和基础设施安全性。
Q2:思科什么时候推出Cloud Control统一管理平台?
A:思科计划在2026年下半年推出Cloud Control统一管理工具。该平台将整合AI Canvas智能体网络管理界面和其他管理工具,统一Meraki和Catalyst仪表板,以及通过Nexus Dashboard管理NX-OS和ACI架构的能力。
Q3:Splunk的AI智能体监控工具能做什么?
A:Splunk可观测云的AI智能体监控工具能够可视化智能体工作流程,追踪大语言模型和智能体应用的性能、成本、质量和行为表现。该工具将与思科AI Defense套件整合,帮助管理和监控网络中的智能体行为。
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。