为什么云原生是代理人工智能的核心：在Kubernetes上构建多代理安全平台的经验教训
原文英文，约2000词，阅读约需8分钟。
📝
内容提要
文章讨论了在云原生基础上构建代理人工智能的必要性，介绍了实时安全操作平台的开发过程，重点包括代理的部署、安全通信、政策编码、可观察性和人机协作。通过使用Kubernetes、Falco和Cilium等技术，团队实现了高效的检测和响应机制，减轻了人工分析师的负担，提高了安全运营效率。
🔎
延伸解读
云原生与代理人工智能的结合
云原生技术为代理人工智能提供了强大的基础设施，确保了资源管理和安全性。通过Kubernetes等工具，团队能够高效地部署和管理多个代理，提升了安全运营的效率。这种结合不仅减轻了人工分析师的负担，还优化了系统的整体性能。
安全通信的重要性
在代理之间的通信中，采用mTLS而非传统服务网格，确保了数据传输的安全性。这种方法降低了复杂性，同时提供了必要的安全保障，适合处理敏感信息。团队在设计时应重视这一点，以防止潜在的安全漏洞。
政策编码的优势
通过将安全约束实现为政策编码，而非依赖于LLM的提示推理，团队能够确保决策过程的可预测性和一致性。这种方法使得安全审查更加高效，减少了人为错误的可能性，适合在高风险环境中使用。
❓
Q&A
为什么在云原生基础上构建代理人工智能？
在云原生基础上构建代理人工智能是为了提高安全运营效率，减轻人工分析师的负担。
如何确保代理之间的安全通信？
代理之间的通信使用mTLS，而不是服务网格，以确保安全性。
在构建多代理安全平台时，团队如何协作？
SOC团队、平台团队和AI工程团队共同负责系统的运行和维护，确保协作顺畅。
如何实现安全约束的政策编码？
安全约束通过政策编码实现，而不是依赖于LLM的提示推理，确保决策的结构化和可控性。
使用Kubernetes构建代理人工智能的优势是什么？
Kubernetes使得代理人工智能的部署变得简单且高效，能够利用现有的云原生解决方案。
如何提高安全运营的检测和响应效率？
通过使用Falco和经典异常模型，团队能够高效地检测和响应安全事件，减轻人工分析师的负担。
🏷️
