最新的DeepSeek 智能体应用框架（DeepSeek Harness，简称DSH），Model、Tool、Memory、Sandbox 和 Agent 都是可组合、可替换、可扩展的插件。Harness 本身退到最薄——它只做三件事：调度模型与工具、在高危操作前请你审批、维护一份任务计划。
随着 AI 视频进入生产阶段，生产成本开始成为越来越多团队绕不开的问题。 旗舰模型不断提升画质上限，更轻量的模型不断推出。很多人曾以为，“视频生成成本”这道题，会随着算力效率提升和模型能力演进被自然解开。但真正把 AI 视频推进到规模化生产的团队很快发现：生成门槛在降低，账单却并没有随之变薄。 因此围绕着 AI 视频生产降本这一话题，行业里已经出现了多种探索。
Agent 正在把 AI 从"回答问题"推向"完成任务"，存储也随之从"提供容量、承载文件"的资源层，升级为贯穿 Agent 运行、协作与持续优化的关键底座。火山引擎存储团队以 Storage Agent Infra 为载体，围绕 Sandbox Store、Artifact Store、Agent 观测 & 评测三大能力方向，重新组织存储能力，支撑 Agent 时代的真实业务。
运营和处置要更快 - Claude Mythos 第一次将 “自主发现并武器化漏洞”的能力，提升到超越人类顶尖专家的水平，将漏洞 "从公开披露到被规模化利用" 的窗口，从数月/数天压缩到数分钟，倒逼安全从 "人类节奏"切换到"机器速度"。 安全边界需要更牢 - 更便捷的 AI 攻击手段，并未改变安全防护体系的本质，更好地构建信任边界，包括网络的物理边界、身份的信任边界、以及智能体应用可能带来的意图和行为治理，都是“零信任”理念下的不同实践。 考虑架构的“韧性” - 在更快的响应和更牢固的边界基础上，安全架构设计还需要秉持“假设边界终将被穿透”的设计理念，进一步考虑如果存在边界失陷或 Agent 越权访问资源时，我们能否及时发现并将业务影响控制在最小范围。
随着 AI Agent 技能（Skills）生态的迅速发展，社区开发者贡献的技能数量与日俱增。然而，这些技能来源多样、质量参差不齐，其安全性缺乏有效保障。攻击者可能借机发布恶意技能，对用户设备进行攻击或窃取数据。SkillScan 作为面向智能体技能包的全链路安全检测方案，为技能生态提供全面的安全保障。 本文将从风险全景、检测能力、场景实践、接入方案、开发规范五个维度，全面梳理技能安全的核心挑战，详细阐述 SkillScan 的安全检测体系与保障方案，为业务接入与开发者提供完整的实践指南。
当 Agent 技术彻底跨越 Demo 玩具阶段，真正挺进千万级并发的企业级生产环境时，传统的 ReAct 架构开始暴露出节点臃肿、延迟极高、状态管理混乱的致命缺陷。本文深度拆解火山引擎 AI 搜索团队如何重新定义 Workflow 与 Agent 的系统边界，通过构建 Unified Policy Agent （UP-ReAct） 架构，在实现推荐与对话效果大幅提升的同时，将首字返回时间（TTFT）暴降 30%。这不仅是一次代码重构，更是对工业级 Agent 设计哲学的底层重塑。
这两年随着 AI-Infra 持续升温，云上与云下的 通算与智算服务器 建设节奏明显加快：一方面，服务器数量不断增加，作为核心基础设施承载了海量的训练、推理、Agents和HPC任务；另一方面，围绕服务器引入的部件类型也在持续丰富，新的BMC芯片与固件解决方案、新的BIOS固件解决方案、新款GPU、新款RDMA网卡以及各类板卡控制器。也正因为如此，服务器固件安全问题日益严峻。
