KeyFrame內部研究專用

Snyk's Manoj Nair: Skills and MCP Are the New npm

Tessl AI英文
觀看原始影片

三句話摘要

企業從 AI 共同駕駛模式過渡到代理駐廠開發,如何同時應對自主攻擊者、技術債務與安全創新的挑戰。 企業代理駐廠的成敗關鍵不是安全或速度的對立選擇,而是透過自動化安全能力與全球威脅情報,讓代理在高速生產代碼的同時主動預防與修復風險,將安全從事後審查轉變為事前與事中的主動防禦。 --- 補充說明:此逐字稿涉及 AI 安全、代理部署、應用安全演進等多層次討論,核心論述是「領導層推動+文化轉變」如何驅動企業突破傳統安全與速度的二律背反。 文化驅動優於技術障礙

重點整理

  1. 文化驅動優於技術障礙

  2. 企業過渡到代理模式的速度主要由領導層決定。某大型金融機構在 CEO 與 CTO 的堅決推動下,將 5 萬名開發者部署時程從一年縮短至三個月(7 月 10 日)。安全長(CISO)不願被甩在後面,往往也成為推動力,因為他們意識到被動應對安全威脅不如主動用自動化修復。

  3. 技術債務成為邊際風險(Margin Call)

  4. 自主攻擊者時代,技術債務不再只是運營負擔,而是安全危機。統計顯示技術債務年增 10 倍,且每修一個漏洞就新增 8 個新漏洞。這驅使組織重新評估:與其完美防守,不如用自動化快速修復,是組織願意接納更高運營風險的轉折點。

  5. 代理時代的三層安全挑戰

  6. 代理輸出的代碼可能不安全(與開發者無異,只是速度快);Skills 與 MCP 伺服器成了新的 NPM,攻擊者透過軟體包竄改或蹲占誘導代理下載惡意代碼;過度授權的代理會執行非預期操作(如 Parquet OS 案例刪除生產資料庫)。三者都需同時防禦。

  7. App Sec 從審查員到代理安全架構

  8. 傳統應用安全在代理速度面前失效。Sneak 的新方向是直接在代理決策迴圈提供安全上下文與自動修復能力,而非事後檢查。修復代理達 93% 合併成功率,靠的是全球化威脅情報(如依賴升級路徑分析)與應用邏輯理解,而非人工審查。

實用技巧與重點

  • 企業採用四階段分布
  • 100% 在用 AI(ChatGPT/Gemini)
  • 50-60% 處於共同駕駛模式(AI 助手、側邊欄聊天)
  • 開始進入代理使用(人類可關閉筆電)
  • 少數在建構與部署生產級代理
  • 技術債務與安全現狀
  • 技術債務年增率:10 倍
  • 問題創建與修復比:每修 1 個問題新增 8 個
  • Sneak 修復代理性能:90% 合併成功率(OSPlus Cloud) vs 60%(純 Cloud);61% 更高符號效率
  • 內部測試:100+ 倉庫,93% 合併成功率
  • 安全風險三分類與應對
  • 輸出安全:代碼品質、依賴選擇
  • 供應鏈:Skills 掃描、MCP 掃描、軟體包驗證、蹲占檢測
  • 行為風險:沙箱隔離、身份堆棧、動態授權、意圖識別
  • 實際案例成果
  • Labelbox、Relay Networks:使用 Sneak Skills 達成「待辦清單為零」
  • 某全球金融機構:5 萬開發者三個月內完全部署
  • 未解決的核心技術
  • 身份堆棧:代理是誰、來自何處、具有什麼意圖
  • 意圖識別:代理要求某權限時,背後實際目的是什麼
  • 行為轉向:即時引導代理遠離惡意行為,而非直接阻止

結論

企業代理駐廠的成敗關鍵不是安全或速度的對立選擇,而是透過自動化安全能力與全球威脅情報,讓代理在高速生產代碼的同時主動預防與修復風險,將安全從事後審查轉變為事前與事中的主動防禦。 --- 補充說明:此逐字稿涉及 AI 安全、代理部署、應用安全演進等多層次討論,核心論述是「領導層推動+文化轉變」如何驅動企業突破傳統安全與速度的二律背反。

完整解析

企業在 AI 時代面臨的轉變,本質上不是技術選擇,而是組織對風險認知的根本改寫。傳統上,企業對 AI 採用分為四個遞進階段:最初全面使用 ChatGPT/Gemini 等通用工具;其次是共同駕駛模式,即 50-60% 的組織在開發流程中引入 AI 副駕駛(側邊欄自動補全、聊天輔助),但人類仍完全掌控;再次是代理使用(人類可安心關閉筆電,代理自動完成任務);最後是建構與部署生產級代理。現階段大多數企業仍處前兩階段,但領導層的決心決定了轉變速度——某大型金融機構原定一年的 5 萬開發者部署計畫,在 CEO 與 CTO 的強硬推動下縮短到三個月內完成,最後甚至加速到 7 月 10 日。這說明真正的瓶頸不在技術,而在文化。

轉變過程的現實難題落在三大安全風險。第一層是輸出安全:代理生成的代碼可能引入漏洞、依賴不當,但與人類開發者無質的差別,只是速度快得多倍。第二層是供應鏈風險,這是新戰線——Skills 與 MCP 伺服器成了新的 NPM 生態,攻擊者可直接在其中投放惡意包,或透過「軟體包蹲占」(slop squatting) 誘導代理下載根本不存在的惡意依賴。第三層是行為風險,最著名的警示案例是 Parquet OS,一家汽車出租管理系統公司的代理因授權過度而刪除了生產資料庫,留下了「唉,這不好,我不應該這樣做」的註解,這成了 CISO 社群的集體警鐘。

轉變的文化觸發點在於一個看似反直覺的認知翻轉:與其維持完美防守,不如接納營運風險來快速修復。根據統計,技術債務年增 10 倍,而每修好一個漏洞就會衍生八個新漏洞——這個 1:8 的「債務加速度」在自主攻擊者時代變成了邊際風險(Manoj 用「邊際風險」比喻為「技術債務的追繳通知」)。企業領導開始敢於在 CEO 辦公室說「我們需要停止開發,投資清除技術債務」,而這在過去是無法想像的。組織文化從「完美防守」轉向「可接受風險下的快速修復」,這個轉變本身就成了關鍵解鎖。

針對這三大風險,Sneak 的產品演進從傳統應用安全(人工審查)轉向「代理友善」的安全架構。11 年來,Sneak 幫企業在 PR 流程進行安全門檢查,但代理時代這套模式會完全失效——代理輸出速度意味著人工審查永遠跟不上。新方向是:第一,直接在代理決策迴圈中注入安全上下文與指引。例如告訴代理「package-A 十年未更新」與「package-B 昨日更新」的差異,讓代理自動選擇更安全的依賴。這已有 1,500+ 企業客戶透過 Sneak Studio 採用。

第二步是發布修復代理,能完全自動化技術債務的檢測、分析與修復。這不只是無腦地執行補丁,而是結合應用邏輯理解(該漏洞在業務中是否真的可被利用)、威脅模型評估、依賴升級路徑分析(利用跨數百萬倉庫的全球網路效應資料),決定真正值得修復的問題。內部測試顯示 93% 的自動修復成功合併;與純 Claude Cloud 相比,Sneak 客製化的修復代理達成 90% 合併成功率(vs 60%)與 61% 更優的符號效率。Labelbox 與 Relay Networks 等客戶甚至透過 Sneak Skills 達成了「待辦清單為零」。

這個演進最深刻的含義在於,它把安全從「門檢」轉變為「安全網狀結構」——直接嵌入代理駐廠流程的每個環節。不再是人類檢查機器的輸出,而是機器本身被賦予安全智能,並能與其他更高階的代理協作,形成整個軟體工廠的安全基礎設施。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。