Kilo公司推出了KiloClaw for Organizations产品,这是其OpenClaw平台的托管版本,专为寻求更好控制员工如何部署智能体执行任务的企业设计,这些任务包括代码库监控、邮件起草和日历管理等。
Kilo由GitLab联合创始人Sid Sijbrandij和Scott Breitenother共同创立,专注于构建开源编程和智能体工具,通过将这些技术打包成面向企业的托管服务而备受关注。
企业级功能与托管环境
这款新产品包含了单点登录、SCIM配置、集中计费、使用分析和管理控制等企业级功能,同时将智能体工作负载从员工管理的基础设施转移到具有限定访问权限的托管环境中。
公司在博客中表示:"智能体不再运行在开发者管理的基础设施上并使用个人凭证,KiloClaw for Organizations在具有限定访问权限和组织级控制的托管环境中运行智能体。"
该公司还建议组织为智能体提供独立的、有限权限的身份标识,比如限定范围的邮件和GitHub账户,而不是允许它们通过员工的个人凭证来操作。
KiloClaw for Organizations采用基于使用量的定价模式,客户只需为计算和推理消耗付费,可以通过他们自己的模型密钥或通过Kilo Gateway积分来支付。
解决影子IT新形态问题
Kilo瞄准的是许多企业刚开始面临的问题:个人智能体成为影子IT的新形式。
Omdia首席分析师Lian Jye Su表示,非托管编排工具的兴起代表了重大的安全漏洞。缺乏集中监管的情况下,这些智能体可能造成合规盲点,并通过未跟踪的漏洞增加数据泄露风险。
Su说:"目前,我们观察到的最大治理缺口包括完全缺乏透明度、凭证泛滥、政策和防护措施不力以及系统孤立等问题。"
Counterpoint Research研究副总裁Neil Shah表示,这一趋势类似于早期的自带设备浪潮,当时个人设备进入企业必须符合IT政策才能访问公司系统。
Shah说:"需要对智能体将访问、操作、存储和自动化哪些数据和应用程序建立明确的治理和透明度。这正是Kilo通过多个企业级集成、管理控制、访问控制和使用分析试图解决的问题。这是将企业级Claw智能体引入工作场所以提高个人生产力的正确方向。"
行业专家观点与未来展望
不过,单点登录和SCIM等功能可能被视为企业的基本要求,而非主要差异化因素。评估智能体平台用于生产环境的买家可能会寻求更强的治理、合规和监管控制。
Su表示,企业在生产环境中部署智能体之前需要额外的保障措施。"托管环境,特别是沙盒,通过设计确保性能和安全性,应该与智能体注册表一起部署,以确保数字身份、访问控制和能力映射。其他推荐的技术和操作保障措施包括数据治理、合规认证以及人工参与的监督。"
Kilo的方法为企业提出了一个更广泛的问题:智能体最终是否应该像管理数字工作者而非软件工具那样来管理。
据Su称,这种模式是可行的,并且随着智能体在大型组织内使用的扩展,最终可能变成必要的。Su说:"双重身份愿景是前瞻性的、可行的且必要的。智能体应该与人类工作者关联,以确保问责、适当授权、访问控制和人工监督。这意味着企业需要配备身份和访问管理解决方案、智能体专用的可观测性和遥测解决方案、零信任安全以及定期的红队演练来确保智能体的可靠性。"
Q&A
Q1:KiloClaw for Organizations是什么产品?
A:KiloClaw for Organizations是Kilo公司推出的OpenClaw平台托管版本,专门面向企业用户。它提供了单点登录、SCIM配置、集中计费、使用分析和管理控制等企业级功能,帮助企业更好地控制和管理员工部署的智能体,用于代码库监控、邮件起草和日历管理等任务。
Q2:什么是影子AI智能体?为什么企业需要关注这个问题?
A:影子AI智能体是指员工在企业IT部门不知情的情况下私自使用的AI智能体工具,类似于早期的影子IT问题。这种情况可能造成合规盲点,增加数据泄露风险,缺乏透明度和统一管理。企业需要建立明确的治理机制来控制智能体访问和操作的数据范围。
Q3:智能体应该如何在企业环境中安全部署?
A:专家建议智能体应该运行在托管环境和沙盒中,配备智能体注册表来管理数字身份、访问控制和能力映射。企业还需要数据治理、合规认证、人工监督、身份访问管理解决方案、零信任安全以及定期红队演练等多层保障措施来确保智能体的安全性和可靠性。
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。