
Nasiko 发布面向 AI Agent 的开放运行时
来源标题:Introducing Nasiko, the Open Runtime for Agents
Nasiko 推出 Open Runtime,让企业可视化和控制 AI Agent 的运行方式与成本。该运行时无需改动 Agent 代码、不插入 SDK,可将花费归因到单个 Agent、模型、MCP 工具和运行记录,并在花费失控前介入。目前已开放免费账户注册。
以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。
博客 隆重推出 Nasiko,面向 agent 的开放运行时 2026 年 11 月 16 日Rahul Todkar,首席执行官兼创始人 一个运行时,让你看清自己的 agent、控制它们的运行方式,并削减它们的开销。现已可用。 今天我们正式推出 Nasiko,面向 agent 的开放运行时。我们打造它,是因为我们接触到的企业采用 agent 的速度,已经超过了他们管理这些 agent 的能力。每家公司、每位领导者都渴望借助 AI agent 完成更多工作、释放巨大的 ROI,但如果没有合适的工具和能力,这份雄心就会变成谨慎的乐观。 Nasiko 让企业领导者能够看清并控制自己的 agent 及其开销,同时开发者可以继续使用他们本就依赖的 agent、模型和工作流。没有包装层,代码路径中没有 SDK,也无需改动 agent 代码。团队可以把成本关联到具体的 agent、模型、MCP 工具和运行记录,并在开销失控之前及时介入。你今天就可以从免费账户开始,或者与我们的团队预约一次免费评估,一起梳理你的 token 开销、模型使用情况和 agent 工作流。 过去一年里,我与 100 多位企业 AI 负责人、CTO 和平台主管交流过,了解他们公司如何使用 agent。作为一名曾在技术、数据和 AI 领域担任领导职务的人,我对这个世界非常熟悉。我清楚地听到:企业采用 agent 的速度已经超过了他们管理这些 agent 的能力,而这正是释放 AI 和 LLM 真正潜力的一大瓶颈。在我的交流中,同样五个问题反复出现: 这并不是五个彼此独立的问题,而是同一个问题在不同阶段的表现。 它始于选择。每个团队都会挑选适合自己工作的 agent、harness 和模型,这本来就理所应当。但最终没有人能看到全貌。领导者说不清哪些 agent 在运行,因此既无法解释开销,也无法判断是哪个团队、哪项任务带来的开销。 接着,agent 不再只是回答问题,开始使用工具并采取行动。这时,缺失的全貌就不只是工程、运维或财务问题了。当一个 agent 能修改记录、调用外部系统,或者整个周末持续产生开销时,事后的报告来得太晚。领导者需要在工作发生时就能看到,并能及时介入。 正是这道鸿沟让 agent 卡在试点阶段。卡点不在能力,而在于可见性、优化能力和干预能力。 一张账单、一条 trace 或一份日志告诉你的是已经发生的事,但并不能全面呈现管理生产环境中的 AI agent 需要什么。这就是我们打造 Nasiko 的原因:让企业领导者和员工对自己的 AI agent 拥有信心、可见性和安心感。 我们构建了一个自主、安全的开放运行时,它位于你所有 agent 之下,横跨你的团队已经在使用的各种 harness、模型提供商和厂商。它是开放的,因此没有哪个团队需要放弃自己的工具才能被纳入全貌。 团队以两种方式使用 Nasiko。一是接入工程师已经在运行的 agent;二是在 Nasiko 上部署共享 agent,在全公司范围内运行。 归根结底是三项承诺:看清你的 agent。控制它们的运行方式。削减它们的开销。 从正在运行的东西开始。Nasiko 的 agent 自动扫描会发现各团队正在运行的编码 agent,并显示哪些处于活跃状态。打开任意一次运行,就能追踪发生了什么:它的模型调用、它把工作转交给哪些 agent,以及它使用了哪些工具。 模型开销以统一的一套成本结构跨厂商汇总,按团队、模型、agent 和 harness 拆分,而不是散落在各个提供商各自的仪表盘里。历史数据会随着使用不断积累,因此下个季度的规划可以基于真实的按团队和 agent 划分的开销,而不是靠猜测。 假设一个事件响应 agent 上周的模型开销翻了三倍。平台主管打开它的运行记录,看到它在每次重试时都重复读取同样的日志,并且知道这笔开销归哪个团队所有——所有这些都在同一个视图中完成。 随着 agent 开始采取行动、运行得越来越独立,你需要一种方式,在它们不遵守策略、规则或防护措施时介入。你可能想按团队或按 agent 设置上限。Nasiko 会在达到 80% 时发出警告,达到上限时则通过 Nasiko Agent Gateway 拒绝该 agent 的下一次模型调用,从而在还来得及做决定的时候停止开销。 权限和审批同样按 agent、按工具生效。你可以允许某个工具、阻止它,或者要求必须有人批准后 agent 才能使用它。一个 agent 可以自行读取客户记录,但在发放信用额度或变更账户之前仍需停下来请示。随着你把越来越多的 agent 投入生产,这些都是必要的控制手段。 更便宜的 token 有帮助,但并不能解决一次运行如何使用它们的问题。越来越多的 agent 会重复发送相同的背景信息、携带不再需要的上下文,并默认选用比任务所需更大的模型。Nasiko 为每一项都提供了调节手段: 一个在每次调用时都重复发送同一份背景文档的研究型 agent,是缓存的好候选。一个起草日常回复的 agent,可能并不需要可用的最大模型。这些手段合在一起,有助于避免模型开销随采用规模同步增长。 我们测量了「削减」这一支柱的价值,结果相当有说服力。在 10 月和 11 月进行的两项研究中,我们用相同的问题,分别在关闭和开启 Nasiko 压缩的情况下进行了测试。在真实系统日志上,输入 token 下降了 42%,模型成本下降了 40%,而正确答案的数量没有变化。在涵盖代码搜索、故障调试、代码库探索和问题分诊的公开 agent 测试数据上,输入 token 下降了 33%,同时数据中的每一个值都在压缩后得以保留,较大的模型在 102 个答案中丢了 4 个,较小的模型一个都没丢。 借助 Nasiko,团队可以在同一个地方检查一次运行、归属其模型开销并施加控制。发现问题的人和能够解决问题的人看的是同一次运行,工程师无需切换工具就能做到这一点。
(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)
正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。