SailPoint 正在通过引入自主智能(agentic AI)能力,推进其身份安全平台的发展,并计划在今年晚些时候推出新工具,帮助各组织管理和保护在其环境中部署越来越多的 AI 代理。
这家在东盟监管行业中拥有较强影响力的身份安全供应商,将 AI 代理的崛起视为治理领域的全新前沿。
SailPoint 东盟区负责人 Eric Kong 在最近接受 Computer Weekly 采访时表示: “AI 正在保护您的企业,但是谁在保护 AI?这是一个新兴问题,未来两年内将会呈爆炸式增长,届时这些代理及其访问权限将无人监管。”
SailPoint 自 2017 年起便开始将 AI 与机器学习技术整合到其平台中,以自动化角色建模和简化身份流程等任务。近期,该公司利用 Amazon Bedrock 推出的生成式 AI(GenAI),自动补全权限描述,从而解决访问认证中常见的痛点。
在此基础上,SailPoint 最近推出了 Harbor Pilot——一项基于自主 AI 的身份治理和管理服务。“我们已经在该产品中推出了两个代理,” Kong 说道。“其中一个代理负责文档处理。通过对话式提示,您可以询问如何执行某些操作,我们会将相关文档整合呈现出来。”
“第二个是工作流代理,”他补充道。“对于一些简单任务,您可以说‘我想实现这些目标。你能为我构建一个工作流吗?’我们的代理将生成一个工作流模板,帮助您理清复杂流程。”
Kong 表示,初期推出的代理旨在协助身份专家,目前还未达到完全自主运行的程度。“构建和部署工作流完全由您掌控,系统不会自动部署,”他补充道。但他也指出,随着自主 AI 技术的快速发展,“我们才刚刚起步,这一趋势将会加速。”
Kong 认为更意义重大的发展,是 SailPoint 即将推出的针对非 SailPoint AI 代理治理的能力。该能力预计将在今年下半年推出,将把 AI 代理当作企业中的另一种身份类型来处理。
Kong 表示:“我们将致力于为企业客户提供解决方案,帮助他们治理、管理和保护这些代理。我们对待 AI 代理的方式,与处理人类身份、机器身份或第三方身份并无二致。”
他指出,缺乏监管的 AI 代理存在风险,包括无法清楚了解代理的所有权和访问权限,以及可能获得过多权限。“我们的研究表明,82% 的企业已经在部署代理,但只有 44% 的企业考虑过如何对其制定治理政策,” Kong 说。
“如果你没有考虑这一问题,那么就无法掌握这些代理的所有权及其可以访问的资源,很可能会出现大量代理获得潜在过多权限而无人察觉,甚至因 AI 的过度配置而导致风险。”
SailPoint 旨在为企业提供工具,以便发现这些代理,了解它们的访问权限,将其与所有者关联,并应用既定的身份治理原则,例如访问审查和最小权限原则。
随着 AI 代理逐渐普及,Kong 相信其复杂性和规模将使单靠人工监管变得不可能。“能够将 AI 代理及其身份视为组织身份体系的一部分将至关重要,” Kong 指出。
在东盟地区,Kong 表示 SailPoint 在新加坡、马来西亚、印尼、泰国和菲律宾等市场的需求十分强劲。虽然未透露具体增长数字,但 Kong 表示,基于客户需求,公司计划在该地区扩大销售和职能团队。
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。