当AI智能体成为“木马”：企业自动化工作流面临的新安全风险
文章以特洛伊木马作比，指出大语言模型正从被动聊天框转向可调用工具、调度算力集群、操盘企业自动化工作流的自主智能体；企业为其配置GPU、内部API和私有代码仓库等权限后，这类Agent可能成为攻击者洗劫资产的入口。
为什么值得看：对企业负责人而言，文章提示了AI代理在获得企业内部系统权限后的安全边界问题，值得在部署自动化工作流时评估权限最小化、审计与隔离措施；但文章属观点分析，具体攻击路径和防护效果需结合原文及一手安全资料核实。
精选 · 看变化，也看用途
从工具新能力、经营管理场景和实际用法中，找一件值得进一步了解的事。
#AI Agent
机器之心精选
AWS Machine Learning Blog精选 AWS 推出 Agent Registry：代理可在运行时语义发现 MCP 服务器与 A2A 代理
AWS Machine Learning Blog 发文介绍 AWS Agent Registry 的运行时“发现、实例化、执行”循环。文章指出，当代理的工具目录从少量增长到数百个时，硬编码工具连接会失效；该方案让编排器在运行时通过语义搜索发现 MCP 服务器和 A2A 代理，而不是在构建时编译每个工具。
为什么值得看：对企业负责人而言，这提供了代理工具集成从静态硬编码转向运行时发现的思路，可能影响代理平台的可扩展性、维护成本和工具治理方式。但该内容为厂商披露，缺少成本、延迟、可用区域和生产效果数据，需进一步核实后再评估落地。
AWS Machine Learning Blog精选 Postman 如何在 Amazon Bedrock 上为 4000 万开发者运行 Agent Mode
Postman 与 AWS 分享其 Agent Mode 背后的架构模式，包括控制工具泛滥、以 schema 方式暴露读取能力，以及把上下文视为真正的瓶颈，并说明该模式如何在 Amazon Bedrock 上大规模运行。
为什么值得看：企业负责人可从中了解 AI Agent 从演示走向大规模服务时的工程重点：工具治理、schema 化读取与上下文管理，并据此审视自身智能体架构与云上部署方案。需注意这些内容为厂商披露，效果与规模数据无法独立核实，且缺少成本、延迟与合规细节。
Microsoft Research精选 微软研究院发布 Agent Lightning v1.0：约 3500 行轻量级 Agentic RL 框架，可接入现有 Agent 训练
微软研究院发布 Agent Lightning v1.0，一个约 3500 行的轻量级 Agentic RL 框架。该框架用于将现有 agent 连接到强化学习训练流程，使 agent 的工具、上下文和决策能力可以在不重建原有框架的情况下得到改进。来源称，训练 AI agent 的难点在于其工具、上下文和决策由复杂框架管理，Agent Lightning 旨在降低这一接入门槛。
为什么值得看：企业负责人可关注其对企业已有 agent 资产的复用价值：若企业已部署基于工具调用和上下文管理的 agent，该框架提供了用强化学习持续优化 agent 行为的路径，可能减少重建成本。但需注意，来源为微软研究院博客，未披露支持范围、训练成本、部署要求和实际效果，属于厂商披露信息，落地前应做技术验证与成本评估。
已经到底了