博客

一份涵盖范围受限的访问、安全写入、审批门禁、trace、恢复和可重复评估的生产环境 AI agent 检查清单。

将 agent 治理转换为针对身份、操作、审批、费用、数据、模型、工具、证据、例外和事故的可执行规则。

固定模型可见的工具集、检查 trace、查找 schema 重叠，并分别测试选择与执行，以调试工具选择错误。

通过错误分类、幂等性、检查点、结果核对、有限重试、审批、取消和补偿来恢复 AI agent 工作流。

根据威胁模型，使用文件系统、进程、网络、凭据、资源、产物、生命周期和清理控制隔离 agent 生成的代码。

通过所代表的身份、下游授权、范围受限的凭据、审批门禁、密钥隔离和有效的审计记录保护 AI agent。

使用代表性任务、确定性检查、模型判定、重复运行、安全用例和发布门禁构建 AI agent 评估。

用一条追踪记录覆盖模型调用、工具选择、策略检查、后端影响、重试、成本、质量和恢复，全面监控 AI agent。

根据代码可信度、网络访问、生命周期、状态、延迟和隔离要求选择 agent 计算方式：API 调用、任务、进程、容器、沙箱或 VM。

为 agent 身份、数据库、队列、缓存、工具、产物、配额、日志、凭据和删除路径设计租户隔离。

面向 agent 任务、幂等操作、检查点、审计事件、outbox、租户隔离、lease 和 trace 引用的数据库设计模式。

为可恢复任务、人工审批、检查点、并发 worker、schema 变更、数据保留和故障恢复设计持久的 agent 状态。

持久执行让 AI agent 在崩溃后恢复，同时避免重复已经完成的外部影响。了解检查点、幂等性、重试和结果核对。

设计 agent 控制面，统一管理身份、策略、凭据、操作、审批、审计记录、限制和资源所有权。

一套实用的 AI agent 架构，应将模型循环、工具、身份、状态、记忆、持久执行、后端服务和遥测明确分层。

需要大量 SaaS 操作时选择 Composio，需要带身份验证的工具执行时选择 Arcade，需要封装端点时选择 RapidMCP，产品特有任务则使用自定义 MCP。

生产 MCP 技术栈包括传输层、协议服务器、身份验证、工具路由、策略、执行凭据、操作状态和遥测。

安全的基础设施工具会分离 plan 与 apply、限制身份权限、保护凭据、要求审批、核对重试结果、追踪实际影响并支持恢复。

不要让提供商密钥进入提示词、工具参数、结果、URL、浏览器代码和日志。由 MCP 服务器使用独立且范围受限的上游凭据。

可靠的 MCP 工具具有边界清晰的任务名称、受约束的 schema、范围受限的授权、结构化结果、稳定错误、安全写入和工具选择评估。

任务级 agent 工具会说明何时使用、何时不应使用、所需上下文、副作用和结果。原始端点结构通常缺少这些语义。

通过 OAuth 发现、PKCE、资源指示符、受 audience 约束的 token、下游授权和独立上游凭据，保护远程 MCP 服务器。

使用任务级工具、经过校验的 schema、范围受限的身份验证和结构化错误，将 REST API 封装为 MCP 服务器。

固定的应用代码适合使用 API 或 SDK；模型需要在运行时发现工具时适合使用 MCP。多数生产 MCP 工具的底层仍然调用 API。

MCP 基础设施包括围绕 MCP 的客户端、传输层、服务器、工具、授权、策略、凭据、后端执行、状态和遥测。

AI agent 需要持久的通信渠道来处理审批、完成通知、传入任务和人工回复，并保证身份、会话串、投递状态和审计记录清晰可查。

Codex 和 Windsurf 都能调用后端工具，但无人值守任务与 IDE 会话对审批、环境、重试和交接行为的要求不同。

选择创业公司后端基础设施时，应考虑由谁运维、所需服务、合规要求、迁移需求、故障恢复能力和每条完整工作流的成本。

使用 Claude Code 和 Cohesivity 检查项目、创建临时租户、配置 Postgres 与托管服务、测试候补名单 API 并完成部署。

AI 生成的应用在面向真实用户前，仍然需要服务端密钥、授权、租户隔离、安全写入、预算、迁移和故障恢复。

Coding agent 可以创建一个 Cohesivity 租户，读取最新服务契约，依次配置数据库、身份验证、存储和托管，并验证每项结果。

为 Cursor 选择后端时，应考察项目创建、MCP 与终端支持、权限范围、幂等写入、开发环境隔离和部署交接。

选择 Claude Code 后端时，应确认其 CLI 或 MCP 路径能否创建权限受限的开发项目、安全恢复写入，并在不泄露提供商密钥的情况下完成部署。

Agent 可运维的后端通过可调用的契约提供资源配置、状态查询、凭据、安全写入、审批、清理和结构化失败信息。

从项目创建、身份验证、工具权限范围、安全写入、托管、所有权和生产访问等方面，对比适合 AI coding agent 的后端。

计算每项已完成任务的 AI agent 成本时，应涵盖模型 token、付费工具、运行时、存储、重试和闲置资源，而不是只看一张 API 账单。

生产环境中的 AI agent 需要限定权限、限制运行范围、安全写入、持久恢复、沙箱隔离、链路追踪、评估，以及经过验证的停止机制。

AI agent 技术栈将推理、工具、身份、记忆、执行、应用基础设施和遥测拆分开来，让每类故障都有明确的责任方。

AI agent 可以使用传统后端服务，但需要结构化配置、范围受限的凭据、安全重试和机器可读的失败信息。

AI agent 在运行时选择步骤，SaaS 应用则执行预先设计的工作流。这会改变权限、测试、接口和成本。

AI agent 基础设施由模型、工具、身份、状态、执行、应用后端和遥测组成。本文说明每一层负责什么。

Agent-native 基础设施让 AI agent 通过结构化、受权限控制的接口发现、配置和操作后端资源。