Resolve AI 發佈 SRE-1 模型並推出 Primary On-call 值班服務
Resolve AI 發佈 27 billion-parameter 的 SRE-1 模型,並正式推出 Primary On-call,由 AI 智能體先行處理生產告警。
Resolve AI 發佈 27 billion-parameter 的 SRE-1 模型,並正式推出 Primary On-call,由 AI 智能體先行處理生產告警。
招聘候選人搜尋應以明確的租戶集合、受限查詢及可追溯來源,設計 Node.js 檢索故障恢復流程。流程包括搜尋核准的公開來源、限時抓取指定網址、將整理後的內容寫入租戶集合,以及查詢並只重排政策有效的記錄,同時回傳來源 ID。Infrai 可透過一個 REST API 支援網頁搜尋及向量檢索,但原始媒體的存放地區和合約刪除仍由專業系統負責。
Accelerate 在四張 GPU 的訓練 Pod 上,可能因設定檔的 num_processes 為 1 而只啟動一個程序,令一張 GPU 滿載、其餘三張閒置,且不會報錯。
文章提出一套面向生產環境 AI 系統的實用信任架構,主張把信任視為整個系統的架構屬性,而非政策文件或安全功能的集合。架構涵蓋資料驗證、模型評估、信心門檻、人工監督、可觀測性、可審計性、安全及持續監控,並透過輸入驗證、輸出檢查和信心評估支援決策路由。
作者排查政府統計 PDF 時發現,pdftotext 雖然沒有輸出,文件仍有文字層,而 pypdf 成功提取整張表格。表內兩個看似衝突的數字分屬不同財政年度;文章建議用不同工具路徑核對結果,並記錄失敗的是哪個工具,無法處理時則交由具備其他工具的流程接手。
Ayush Shekhar 建立 wsr(Weight-Space Repair),先排查本地模型的設定與請求問題,只有在這些因素無法解釋故障時才深入權重診斷和修復。
作者以正在開發的 Chirpper 為例,説明 AI 工具令個人建立並擁有社交網站變得可行,讓社羣、內容、管理規則及網域由自己掌控。Chirpper 由 2026 年 3 月 5 日向 ChatGPT 提示開始,兩天後已有可用版本;自建網站仍須自行吸引用戶及承擔管理責任。
Ant International AI Infra Team 優化 H20-3e 上的 DeepSeek-V4.1-Flash 分離式 serving,與 TP4 基線相比,平均端到端延遲降低 65.5%,輸出吞吐量達 2.91×。
BMW Group 分享如何治理服務數千名開發者的數百個智能體,並將治理要求納入建置、部署及運行流程。其研發團隊有逾 12,500 名開發者,治理規則以 IaC 編碼,並透過 CI/CD 執行安全、驗證及評估檢查。架構以 MCP 工具、技能和流程構成三層組合,中央登記庫負責資產發現、審批、安全檢查及重複能力識別。
推薦理由:文章把治理落實到架構、CI/CD 與運行階段,具體展示如何透過分層組合及自動化檢查,兼顧團隊自主和企業管控。
Together AI 推出 Together Storage Accelerator(TSA),為 Together GPU Clusters 免費提供分散式快取層,減少從物件儲存及 Hugging Face Hub 重複讀取資料。
Physical AI 的感測設計是 AI 系統設計的一部分,感測器決定系統可取得哪些資訊,並影響感知、建模、推理、規劃與控制。感測架構須按任務和環境需求,協調感測器、運算能力、數據量與端到端延遲,不能單以感測器規格或數量判斷。
本章説明 Physical AI 的致動器與 AI 必須協同設計,因為致動器的動態特性、限制與不確定性,決定 AI 指令能否安全有效地轉化為實際動作。致動器規格、動作表示方式、控制頻率、機械順應性及能源需求,都會影響 AI 架構與可行動作範圍。分層架構可由高層 AI 規劃任務,再由中低層控制器將目標轉化為可執行的致動器指令。
Physical AI 的計算平台需求須按任務、環境、感測配置、模型、延遲目標、功耗及安全要求整體規劃,不能只根據硬件規格選擇。感知、規劃與控制等工作負載各有不同特性,平台需兼顧端到端延遲、記憶體與數據傳輸,並由 CPU、GPU、NPU 及 MCU 分工處理。即時工作通常需要機載邊緣計算,訓練、模擬及大型運算則可按連線和營運要求交由本地或雲端基建處理。
Physical AI 的硬件與軟件協同設計,須按任務、工作環境及機械形態規劃系統架構,而非把機械平台、軟件和 AI 模型視為互相獨立的部分。AI 模型與硬件應一併選擇,平衡計算能力、記憶體、功耗、延遲及系統要求。分配軟件與硬件功能時,須按時限和安全要求區分高層自主功能與即時控制。
Physical AI 需要把硬件與軟件視為一個整合系統協同設計,不能只看 AI 模型本身。系統需求應由實際任務與環境決定,並平衡模型複雜度、運算資源、功耗、成本、可靠性及安全。實時表現亦取決於感測至動作的端到端時序。
香港科技大學(廣州)楊俊團隊等研發的 Autane 港口輪胎式龍門起重機自主作業系統相關研究登上《科學-機器人》封面,系統已在多個港口實現全天候無人作業。目前超過60台RTG在港口運作,累計自主裝卸超過480萬個標準箱並保持零安全事故;6萬餘次作業的平均任務成功率為91.23%,平均效率為25.93箱次/小時。
文章示範如何用 OpenTelemetry 為多智能體系統建立每項任務一條 Trace,並為智能體回合及每次交接建立獨立 Span。追蹤上下文需經 HTTP、佇列及 MCP 伺服器傳遞;作者亦示範按交接偏移、智能體結果或工具錯誤尋找首個故障環節。
Stack Builders 協助 MachBlue 在約六個月內,將空白程式碼庫建成正式運作的多租戶 AWS 平台。平台由 BlueScan、BlueGuard 和 BlueCenter 組成,涵蓋安全風險搜尋、AI 主導的安全營運及客戶風險管理。
旅遊行程規劃器應以文件版本管理和來源引用處理穩定資訊,查核即時旅遊資料的新鮮度,並按問題需要結合兩種檢索方式。文章示範以 Node.js 建立向量檢索測試,並建議評估版本正確性、新鮮度及引用是否齊全。Infrai 提供 REST API,並以一個 API key 覆蓋 20 個模組的 295 個路由。
這篇多智能體監控指南指出,系統故障多出現在智能體交接,而非單一智能體內,並建議逐次記錄交接任務、傳遞的上下文與權限,以及接收方理解的任務。文中引用 UC Berkeley 對七個多智能體框架逾 1,600 條執行追蹤的標註研究,歸納出 14 種故障模式,分為三類,不少故障源於系統設計。
Raspberry Pi 可用作 Icecast 伺服器;Pi 4 以 128 kbps 單一掛載點可服務數百名聽眾,但實際上限通常取決於家用上行頻寬。架設時應更改預設來源密碼,改用 USB SSD 或將記錄寫入 tmpfs,並設定 systemd 在斷電後重新啟動來源用戶端;超出單台 Pi 的負荷後,可遷移至 VPS。
文章説明如何用 OpenTelemetry GenAI spans 追蹤 AI 智能體,定位 HTTP 200 OK 下被一般監控掩蓋的錯誤決策。指南建議在每個 span 記錄提示詞、檢索內容、工具參數、版本和決策,並在資料離開程序前遮蔽個人資料。多智能體系統則應跨代理及 MCP 伺服器傳遞同一 trace ID,並保留錯誤、升級及高風險操作的追蹤資料。
文章提出一套識別 AI 智能體生產環境隱性故障的監測方法,涵蓋任務成效、品質、執行路徑、工具、檢索、成本及安全指標。它建議標記模型、提示詞及知識庫版本,比較改動前後的行為,並用固定回歸案例捕捉沒有程式碼變更的行為漂移。對幻覺行動,可把智能體聲稱完成的動作與追蹤中的成功工具呼叫比對;文章亦建議把可觀測性、評測和紅隊測試接成持續循環。
AWS 於 2026年11月19日為符合資格的 Amazon SageMaker AI 生成式 AI 推理端點啟用預設監控,新增針對延遲漂移、閒置 GPU 容量及服務最佳化缺失的 AWS Health findings。
Databricks 於 2026 年 11 月 19 日開放 Genie ZeroOps Pipeline Agent 公測,該智能體可偵測數據管道故障、調查原因並準備修復方案。
Amazon SageMaker AI 現會預設監測使用 vLLM serving containers 和 GPU instances 的生成式 AI 推理端點,偵測延遲漂移、閒置 GPU,以及未採用的效能優化。
PostgreSQL 19 已發佈,新增 WAIT FOR LSN 命令,讓從備用伺服器讀取資料的應用程式可等候其重放 WAL 至指定日誌序列號後才執行查詢,從而讀取剛寫入主資料庫的資料。
作者於 19 November 2026 擷取 16 個 Ashby 職位板的 1,875 條資料,發現 OpenAI 的 840 個職位中,587 個標示 isRemote: true,workplaceType 為 Remote 的只有 22 個。
企業將 AI 應用和智能體投入生產,令基礎設施需求超越 GPU,轉向涵蓋運算、網絡、儲存、安全及應用管理的完整雲端平台。Vultr 表示,其平台支援 60 多個 Cloud Native Computing Foundation 項目;智能體執行程式碼、存取數據和使用企業應用,也令 CPU、數據管道及安全沙盒成為基礎設施考量。
Physical AI Engineering 第14章闡述功能安全如何確保自主系統在故障發生時仍能安全運作,或轉入預設的安全狀態。內容涵蓋危害分析、風險評估、安全功能及冗餘設計,並列出緊急制動、碰撞避免和執行器關閉等保護措施。
Physical AI Engineering 第 13 章闡述邊緣 AI 計算如何讓 Physical AI 系統在實體環境中直接感知、推理、學習和行動,並作為實現即時自主運作的主要計算基礎。邊緣運算透過本地處理感測器資料,減少通訊延遲和頻寬需求,並讓系統在網絡連線不穩或不可用時維持運作;能源效率亦是重要考量。
單點故障(SPOF)是任何單一元件失效便會令整個系統或關鍵功能不可用的環節;其他層加入冗餘,仍無法補救請求路徑中單一依賴造成的故障。串聯的負載平衡器、應用層及資料庫示例,可用率約為99.79%;兩個各有99.9%可用率且故障互相獨立的資料庫副本,則可令資料庫層可用率達99.9999%。DNS、設定、部署、區域、憑證、第三方 API 及人員知識也可能構成單點故障。
Praxi-Bot 是採用 Apache-2.0 授權的開源 AI 智能體,以 Rust daemon 和 Tauri 桌面應用程式分工,透過明確審批控制 LLM 使用工具。
Physical AI Engineering 第 09 章探討智能工廠如何結合智能機器、自主機械人、感測系統與人工智能,建立能感知、優化及自主決策的製造系統。內容説明 Physical AI 如何整合機械人、AI、Digital Twins、Industrial Internet of Things、邊緣運算及雲端智能,推動製造從傳統自動化轉向適應性實體智能。
ASK LATTICE 團隊推出 QFM Build 2.4.0,以單檔認知格架處理資訊,採用「dict → osint fan → engrams → llm stages → live fieldNETIDBAUDIO」流程。
一個負責小型產品日常工作的 AI 智能體回顧 28 天營運中的 5 個錯誤,並説明以護欄修正問題的做法。快取令健康檢查在資料庫故障期間仍回報正常 40 分鐘,其他問題包括請求改寫後未重新驗證、排程提示詞仍指定舊瀏覽器、佇列篩選錯配及部署競態。文中將有效修正概括為不依賴記憶的自動護欄;佇列數量不足的自動告警仍未建成。
NVIDIA 與 Microsoft 擴大 AI 合作,涵蓋 Azure 上的 Vera Rubin NVL72 系統、Microsoft Foundry 的 Nemotron 開放模型支援,以及本地和工業邊緣部署選項。
Abundant 以 Modal Functions 和 Modal Sandboxes 建構 rollout 平台,截至 2026 年 11 月每月運行超過 200 萬個 Sandboxes。
Databricks 提出四種架構模式,協助企業在受監管系統中安排 AI 智能體的推理與行動,同時保留必要的控制和人類權限。文章詳述三種模式:確定性控制配合智能體推理、智能體執行配合確定性評判,以及智能體推理由人類掌握決策權。
NVIDIA Dynamo 用於減少強化學習訓練中的 rollout 瓶頸。強化學習透過獎勵訓練模型,工作節點生成由模型輸出、動作和環境互動組成的 rollout;框架評分後更新模型權重,再把權重傳回工作節點進行下一輪訓練。