Anaconda kombinerer AI-agentsværme med autonom sikkerhedstestning

At give en AI-agent flere værktøjer kan gøre den mere nyttig. At give flere agenter de samme værktøjer på én gang skaber et sværere spørgsmål: hvordan kan en virksomhed holde styr på, hvad hver enkelt gør, og stoppe en skadelig handling, før den når et rigtigt system?

Anacondas platformudvidelse den 6. oktober tager hånd om dette problem ved at kombinere koordineret AI-udvikling med autonom sikkerhedstestning. Den samler teknologi fra Kilo Code, Enkrypt AI og Outerbounds på tværs af udviklingsarbejdsområder, sikkerhedskontroller og produktionsorchestrering.

Den strategiske idé er at forbinde de steder, hvor agenter bygger software, hvor deres adfærd udfordres, og hvor de resulterende arbejdsprocesser kører. Anaconda kalder dette en AI Dev Factory. For virksomheder er det praktiske spørgsmål, om disse forbindelser gør det lettere at inspicere og styre den voksende agentautonomi.

Hvordan Kilos agenter koordinerer deres arbejde

Et agentsværme fordeler relaterede opgaver på tværs af flere AI-agenter. En kan undersøge et godkendelsesdesign, mens en anden skriver tests eller implementerer en separat komponent. Den potentielle fordel er parallel fremdrift, forudsat at agenterne kan dele opdagelser og undgå at arbejde på tværs af hinanden.

Kilos tekniske beskrivelse af Swarm forklarer koordineringsmekanismen: en hovedsession og dens afledte agenter deler et beskedbræt. Agenter kan poste fund og læse brættet, mens arbejdet fortsætter, i stedet for at vente på, at hver delopgave er færdig, før resultater udveksles.

Den sondring er vigtig. En testagent kan lære om en godkendelsesbeslutning, før den skriver en suite, der antager noget andet. Kilo siger, at tidlige interne evalueringer tyder på, at mindre duplikeret arbejde kan reducere tokenforbrug, men de har ikke offentliggjort numeriske resultater for dette påstand.

Den samme dokumentation definerer også en grænse, der er værd at forstå: beskedbrætbeskeder vækker ikke, genoptager eller godkender agenter, og rådgivende hold- eller veto-beskeder stopper dem ikke automatisk. Alle deltagere kan læse den fulde brætshistorik. Koordination skal derfor adskilles fra håndhævelige tilladelser og eksekveringskontroller.

Anacondas introduktionsside placerer disse arbejdsprocesser i VS Code og beskriver parallel arbejde på tværs af worktrees. Den introducerer også Kilo Desktop i beta, som kombinerer engineering, data science og Python-miljøstyring med adgang til mere end 500 modeller og lokal inferens.

Sikkerhedstestning, der skifter taktik

Enkrypt AI leverer den modstandende testningsdel af platformen. Anaconda siger, at det udvidede sikkerhedstilbud tester modeller, agenter og MCP-integrationer på tværs af mere end 300 angrebskategorier, sammen med runtime-beskyttelse.

I sin teknisk forklaring af autonom red teaming beskriver Anaconda, at man starter med kendte angrebsmønstre og derefter bruger agenter til at tilpasse deres tilgang til målets svar. En agent danner en hypotese om en svaghed, tester den, undersøger resultatet og beslutter, hvad der skal prøves næste gang.

Et afslag kan for eksempel udløse en ændring af strategi i stedet for en ny parafrase af den samme anmodning. Systemet bruger sessionshukommelse til at undgå gentagelse af mislykkede tilgange og parallel udforskning til at undersøge forskellige risici på én gang. Anaconda siger, at denne testning kører inden for kundens miljø og er tilpasset implementeringens trusselsmodel.

Denne tilgang er relevant for agenter, der indtager information fra værktøjer og eksterne kilder. Risikoen er ikke begrænset til et usikkert svar: en instruktion skjult i hentet materiale kan styre et senere værktøjskald. Testning skal undersøge adfærdskæder, herunder hvilken information agenten har tillid til, og hvilke handlinger der følger.

Runtime-sikkerhedsrammer løser et andet problem

At finde en svaghed under testning og forhindre en usikker handling under drift er separate opgaver. Enkrypt AIs Guardrails-produkt er designet til at godkende, modificere eller blokere risikabel adfærd på tværs af agenter, værktøjer, retrieval-augmented generation og Model Context Protocol-forbindelser.

Virksomheden identificerer prompt-injektion, usikre værktøjshandlinger, privilegium-grænseovertrædelser og følsomme dataudtræk blandt de risici, den målretter. Dens vægt på auditérbare beslutninger gør kontrollaget relevant både for hændelsesundersøgelser og forebyggelse.

Anacondas lancering inkluderer også modelrisikoscorer inden for Kilo og et Agent Incident Registry, der indeholder kildeunderbyggede offentlige hændelsesrapporter. Disse kan informere modelvalg og testprioriteter. De bør betragtes som input til en sikkerhedsproces frem for bevis for, at en bestemt implementering er sikker.

Skalafigurerne kræver samme omhu. Anaconda rapporterer, at 63 % af respondenterne i deres undersøgelse af AI-native udviklere bevægede sig mod sværme i en eller anden form. Deres meddelelse citerer også Enkrypt-forskning, der fandt sårbarheder i 73 % af 25.264 MCP-servere, som blev scannet over fire måneder. Disse er leverandørrapporterede fund om de adspurgte og de undersøgte systemer, ikke en måling af hver enkelt virksomheds agentimplementering.

Hvorfor produktionsmiljøet hører ind i historien

Anacondas AI Orchestration platform, tidligere Outerbounds, adresserer, hvad der sker efter udviklingen. Dets hjemmeside beskriver reproducerbare workflow‑kørsler, artefaktsporing og -linje, med beregning tilgængelig på tværs af flere sky‑miljøer og governance anvendt på pakker og modeller.

Det giver en måde at forbinde et output med det miljø og de afhængigheder, der producerede det. Når et workflow ændres, skal teams vide, hvilken model, pakke eller politik der ændrede sig sammen med det. Reproducerbarhed gør undersøgelse og sammenligning mere praktisk.

Den oktober‑lancering tilføjer native adgang til styrede artefakter inden for orkestrerings‑workflows. Dens bredere udgivelsesside beskriver også Fast Bakery, som bygger container‑images fra conda‑ og PyPI‑afhængigheder, inklusive native biblioteker, samt et udvidet katalog på over 19.000 kuraterede pakker og 77 godkendte open‑source‑modeller.

Udvidelsen giver Anaconda en bredere rolle end blot at levere Python‑komponenter. Dens proposition spænder nu over agent‑assisteret udvikling, adversarial evaluering, runtime‑kontroller og gentagelig levering. Den afgørende test vil være, om disse dele giver teams en pålidelig registrering af, hvad agenter har bygget, hvad der er blevet testet, og hvad de har fået lov til at gøre, da softwaren begyndte at køre.