Agentic Workflows
PulseAugur coverage of Agentic Workflows — every cluster mentioning Agentic Workflows across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
Agentic Workflows 实现自主多步 AI 任务执行
Agentic Workflows 代表了 AI 的一项重大进步，使系统能够自主规划、执行和优化多步任务。与传统的自动化或简单聊天机器人不同，这些工作流允许 AI 代理根据上下文和中间结果调整其方法，从而在最少的人工监督下实现复杂的目标。这一操作层有望迅速普及，Gartner 预测到 2028 年，三分之一的企业软件应用程序将整合 Agentic AI。
-
AI 缓存保活成本：4分钟间隔比30秒常规节省8倍
一项技术分析显示，每30秒 ping 一次 AI 模型缓存的常规做法成本过高，可能导致费用比必要费用高出8倍。该研究衡量了 Anthropic、OpenAI、Gemini 和 DeepSeek 的缓存经济性，建议最佳间隔约为4分钟。当代理的暂停持续时间介于提供商的驱逐点和盈亏平衡点之间时，维护缓存最有效，从而节省 Anthropic 和 OpenAI 等服务的费用，同时主要为 DeepSeek 和 Gemini 提供延迟优势。
-
GitHub 推出 Agentic Workflows 实现 AI 任务自动化
GitHub 推出了 Agentic Workflows，一项新的公共预览功能，允许 AI 代理在 GitHub Actions 中运行。此功能旨在自动化和管理重复性开发任务，例如问题分类。该系统使用 CLI 工具将 Markdown 工作流定义转换为标准 Actions，确保遵守现有的安全协议。
-
Agentic 工作流用概率性决策取代确定性控制流
Agentic 工作流正在被开发出来，用概率性决策取代传统的确定性控制流。这些系统利用大型语言模型（LLMs）在运行时动态选择 API、转换数据和管理迭代过程。这种方法旨在增强软件工程的灵活性和适应性。
-
HOL Guard 发布 AI 代理防火墙以保护工作流
HOL Guard 推出了专门用于保护 AI 代理的新防火墙。该产品旨在减轻代理工作流中可能出现的安全漏洞，提高自动化流程的安全性。
-
GitHub AI Agent易受提示注入攻击，泄露私有数据
Noma Labs的研究人员发现了一个名为GitLost的关键提示注入漏洞，存在于GitHub新推出的Agentic Workflows中。该漏洞允许攻击者通过提交特制的问题，诱骗AI Agent访问并公开泄露私有仓库中的数据。该漏洞利用了AI Agent如何解释隐藏的恶意指令，这些指令隐藏在看似正常的内容中，从而导致未经授权的数据泄露。
-
GitHub AI代理通过GitLost提示注入漏洞泄露私有仓库
Noma Labs的研究人员发现了一个名为GitLost的关键提示注入漏洞，该漏洞影响了GitHub新的Agentic Workflows。此漏洞允许未经身份验证的攻击者通过在同一组织内的公共仓库中发布精心构造的问题来诱骗AI代理泄露私有仓库中的数据。该漏洞源于AI代理无法区分系统指令和用户提供的内容，从而导致未经授权的数据泄露。
-
MIT研究人员提高AI代理的速度和能源效率
麻省理工学院的研究人员开发了一种新方法来提高AI代理的速度和能源效率。这些代理是人工智能驱动的系统，它们结合了多个模型和工具来执行复杂任务，但由于其碎片化的设计，常常效率低下。新方法旨在优化这些工作流，减少计算和能源浪费。
-
学习 LangGraph 和 Agentic Workflows 存在概念上的障碍
作者在学习 LangGraph 和 agentic workflows 时遇到了重大挑战，发现复杂性不在于 API 或工具调用机制，而在于对 agentic 推理的概念理解。这一认识促使他们将重点从技术实现转移到掌握代理在系统中如何做出决策和交互的根本原理。
-
LangGraph 框架详解，用于复杂的代理工作流 · 跟踪 4 个来源
这组文章聚焦于 LangGraph，一个用于构建代理工作流的开源框架。内容强调 LangGraph 不仅仅是一个扩展链；它专为复杂的状态化操作而设计，包括工具集成、人工审批步骤和强大的检查点功能。模型上下文协议 (MCP) 被强调为一项关键创新，用于标准化不同 AI 应用程序之间的工具和数据连接，旨在解决 N×M 集成问题。
-
调查勾勒出AI具身智能基准构建趋势
一篇新发表在arXiv上的调查论文详细介绍了构建具身智能基准的挑战和趋势。该论文概述了一个为期五阶段的基准构建流水线，从手动方法过渡到基础模型辅助和自主工作流。论文总结道，虽然自动化可以降低成本，但通常会将费用转移到验证、可审计性和治理等领域，强调了对可诊断和可负责任地更新的构建流水线的需求。
-
代理式AI成本从演示到生产飙升
与演示相比，代理式工作流在生产中的成本显著更高，这主要是由于失败案例。成本乘数可能很大，强调了为重试和人工审查进行稳健预算的必要性。在部署代理式系统之前，理解这些单位经济学至关重要。
-
AI原生开发将焦点从编码转向自然语言提示
AI原生开发正作为一种新范式出现，开发者用自然语言描述期望的结果，而非编写显式代码。这种方法利用提示工程、检索增强生成（RAG）、代理工作流和微调来构建AI驱动的应用程序。虽然不会完全取代开发者，但这种转变将他们定位为专注于AI控制和集成的系统架构师。