返回资讯中心
外部精选
软件工程
#开发者实时流

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。

Hacker News 最新Elof2026/11/16 · 昨天18 分钟阅读

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。

打开原文
去社区讨论 →