Anaconda AI एजेंट स्वॉर्म को स्वायत्त सुरक्षा परीक्षण के साथ जोड़ता है

एक AI एजेंट को अधिक टूल्स देना उसे अधिक उपयोगी बना सकता है। कई एजेंटों को एक साथ वही टूल्स देना एक कठिन प्रश्न उत्पन्न करता है: एक एंटरप्राइज़ कैसे प्रत्येक एजेंट के कार्य को ट्रैक कर सकता है, और किसी बुरी क्रिया को वास्तविक सिस्टम तक पहुँचने से पहले कैसे रोक सकता है?

Anaconda का 6 अक्टूबर का प्लेटफ़ॉर्म विस्तार उस समस्या को संबोधित करता है, समन्वित AI विकास को स्वायत्त सुरक्षा परीक्षण के साथ जोड़कर। यह Kilo Code, Enkrypt AI और Outerbounds की तकनीक को विकास कार्यस्थलों, सुरक्षा नियंत्रणों और उत्पादन ऑर्केस्ट्रेशन में एक साथ लाता है।

रणनीतिक विचार यह है कि उन स्थानों को जोड़ना जहाँ एजेंट सॉफ़्टवेयर बनाते हैं, जहाँ उनके व्यवहार को चुनौती दी जाती है, और जहाँ परिणामी कार्यप्रवाह चलते हैं। Anaconda इसे AI Dev Factory कहता है। एंटरप्राइज़ के लिए व्यावहारिक प्रश्न यह है कि क्या ये कनेक्शन एजेंट स्वायत्तता के विकास को निरीक्षण और शासन में आसान बनाते हैं।

Kilo के एजेंट अपने कार्य को कैसे समन्वयित करते हैं

एक एजेंट स्वॉर्म संबंधित कार्यों को कई AI एजेंटों में वितरित करता है। एक एजेंट प्रमाणीकरण डिज़ाइन की जांच कर सकता है जबकि दूसरा परीक्षण लिखता है या एक अलग घटक लागू करता है। संभावित लाभ समानांतर प्रगति है, बशर्ते एजेंट खोजों को साझा कर सकें और विपरीत उद्देश्यों में काम करने से बचें।

Kilo का स्वॉर्म का तकनीकी विवरण समन्वय तंत्र को समझाता है: एक मुख्य सत्र और उसके उत्तराधिकारी एजेंट एक संदेश बोर्ड साझा करते हैं। एजेंट खोजों को पोस्ट कर सकते हैं और कार्य जारी रहने के दौरान बोर्ड पढ़ सकते हैं, बजाय इसके कि प्रत्येक उपकार्य समाप्त होने की प्रतीक्षा करके परिणामों का आदान‑प्रदान किया जाए।

यह अंतर महत्वपूर्ण है। एक परीक्षण एजेंट किसी प्रमाणीकरण निर्णय के बारे में सीख सकता है इससे पहले कि वह एक ऐसा सूट लिखे जो कुछ अलग मानता हो। Kilo कहता है कि प्रारंभिक आंतरिक मूल्यांकन सुझाव देते हैं कि कम दोहराव वाले कार्य टोकन खर्च को कम कर सकते हैं, लेकिन इस दावे के लिए उसने कोई संख्यात्मक परिणाम प्रकाशित नहीं किया है।

उसी दस्तावेज़ में एक समझने योग्य सीमा भी परिभाषित की गई है: बोर्ड संदेश एजेंटों को जगाते, पुनः शुरू नहीं करते या स्वीकृत नहीं करते, और सलाहकार होल्ड या वीटो संदेश उन्हें स्वचालित रूप से नहीं रोकते। सभी प्रतिभागी पूर्ण बोर्ड इतिहास पढ़ सकते हैं। इसलिए समन्वय को लागू करने योग्य अनुमतियों और निष्पादन नियंत्रणों से अलग किया जाना चाहिए।

Anaconda का लॉन्च पेज इन कार्यप्रवाहों को VS Code में रखता है और कार्यट्रीज़ में समानांतर कार्य का वर्णन करता है। यह बीटा में Kilo Desktop को भी प्रस्तुत करता है, जो इंजीनियरिंग, डेटा साइंस और Python पर्यावरण प्रबंधन को 500 से अधिक मॉडलों और स्थानीय इन्फ़रेंस तक पहुँच के साथ संयोजित करता है।

रणनीति बदलने वाला सुरक्षा परीक्षण

Enkrypt AI प्लेटफ़ॉर्म की प्रतिद्वंद्वी परीक्षण पक्ष प्रदान करता है। Anaconda कहता है कि विस्तारित सुरक्षा प्रस्ताव 300 से अधिक हमले श्रेणियों के साथ-साथ रनटाइम सुरक्षा के तहत मॉडल, एजेंट और MCP एकीकरण का परीक्षण करता है।

अपने स्वायत्त रेड टीमिंग की तकनीकी व्याख्या में, Anaconda ज्ञात हमले पैटर्न से शुरू करके फिर एजेंटों को लक्ष्य की प्रतिक्रियाओं के अनुसार अपनी दृष्टिकोण को अनुकूलित करने का उपयोग करता है। एक एजेंट किसी कमजोरी के बारे में परिकल्पना बनाता है, उसका परीक्षण करता है, परिणाम का विश्लेषण करता है और अगला क्या प्रयास करना है तय करता है।

उदाहरण के तौर पर, एक अस्वीकृति रणनीति में बदलाव का कारण बन सकती है न कि वही अनुरोध का दूसरा पुनःवाक्य। सिस्टम सत्र स्मृति का उपयोग करके विफल प्रयासों को दोहराने से बचता है और समानांतर अन्वेषण के माध्यम से एक साथ विभिन्न जोखिमों की जांच करता है। Anaconda कहता है कि यह परीक्षण ग्राहक के पर्यावरण के भीतर चलता है और तैनाती के खतरा मॉडल के अनुसार अनुकूलित है।

यह दृष्टिकोण उन एजेंटों के लिए प्रासंगिक है जो टूल्स और बाहरी स्रोतों से जानकारी ग्रहण करते हैं। जोखिम केवल असुरक्षित उत्तर तक सीमित नहीं है: प्राप्त सामग्री में छिपा निर्देश बाद में टूल कॉल को दिशा दे सकता है। परीक्षण को व्यवहार की श्रृंखलाओं की जांच करनी चाहिए, जिसमें एजेंट किस जानकारी पर भरोसा करता है और उसके बाद कौन‑से कार्य होते हैं, शामिल हैं।

रनटाइम गार्डरेल्स एक अलग समस्या को संबोधित करते हैं

एक कमजोरी को परीक्षण के दौरान खोजने और संचालन के दौरान असुरक्षित कार्रवाई को रोकने के कार्य अलग‑अलग हैं। Enkrypt AI का Guardrails उत्पाद एजेंटों, टूल्स, पुनःप्राप्त‑वर्धित जनरेशन और Model Context Protocol कनेक्शनों में जोखिमपूर्ण व्यवहार को स्वीकृत, संशोधित या ब्लॉक करने के लिए डिज़ाइन किया गया है।

कंपनी उन जोखिमों में प्रॉम्प्ट इंजेक्शन, असुरक्षित टूल कार्य, विशेषाधिकार‑सीमा उल्लंघन और संवेदनशील‑डेटा एक्सफ़िल्ट्रेशन को पहचानती है। ऑडिटेबल निर्णयों पर इसका ज़ोर नियंत्रण स्तर को घटना जांच के साथ-साथ रोकथाम के लिए भी प्रासंगिक बनाता है।

Anaconda के लॉन्च में Kilo के भीतर मॉडल जोखिम स्कोर और एक एजेंट घटना रजिस्ट्री शामिल है जिसमें स्रोत‑समर्थित सार्वजनिक घटना रिपोर्टें हैं। ये मॉडल चयन और परीक्षण प्राथमिकताओं को सूचित कर सकते हैं। इन्हें सुरक्षा प्रक्रिया में इनपुट के रूप में माना जाना चाहिए, न कि यह प्रमाण कि कोई विशिष्ट तैनाती सुरक्षित है।

स्केल आंकड़ों को भी समान सावधानी की आवश्यकता है। Anaconda रिपोर्ट करता है कि AI‑नेटिव बिल्डरों के अपने सर्वेक्षण के 63% उत्तरदाता किसी न किसी रूप में स्वॉर्म की ओर बढ़ रहे थे। इसके घोषणा में Enkrypt के शोध का भी उल्लेख है, जिसमें चार महीनों में स्कैन किए गए 25,264 MCP सर्वरों में से 73% में कमजोरियां पाई गईं। ये विक्रेता‑रिपोर्टेड निष्कर्ष उत्तरदाताओं और जांचे गए सिस्टमों के बारे में हैं, न कि प्रत्येक एंटरप्राइज़ एजेंट तैनाती का माप।

क्यों उत्पादन पर्यावरण कहानी में शामिल है

Anaconda का AI Orchestration प्लेटफ़ॉर्म, जिसे पहले Outerbounds कहा जाता था विकास के बाद होने वाली चीज़ों को संबोधित करता है। इसकी वेबसाइट पुनरुत्पादनीय वर्कफ़्लो रन, आर्टिफैक्ट ट्रैकिंग और वंशावली का वर्णन करती है, जिसमें कई क्लाउड्स में कंप्यूट उपलब्ध है और पैकेजों और मॉडलों पर गवर्नेंस लागू की गई है।

यह आउटपुट को उस पर्यावरण और निर्भरताओं से जोड़ने का तरीका प्रदान करता है जिसने इसे उत्पन्न किया। जब वर्कफ़्लो बदलता है, तो टीमों को यह जानना आवश्यक होता है कि कौन सा मॉडल, पैकेज या नीति उसके साथ बदल गई। पुनरुत्पादनीयता जांच और तुलना को अधिक व्यावहारिक बनाती है।

अक्टूबर लॉन्च में ऑर्केस्ट्रेशन वर्कफ़्लो के भीतर गवर्न किए गए आर्टिफैक्ट्स तक मूल पहुँच जोड़ी गई है। इसकी विस्तृत रिलीज़ पेज में Fast Bakery का भी वर्णन है, जो conda और PyPI निर्भरताओं से, मूल लाइब्रेरीज़ सहित, कंटेनर इमेज बनाता है, और 19,000 से अधिक क्यूरेटेड पैकेजों और 77 सत्यापित ओपन‑सोर्स मॉडलों का विस्तारित कैटलॉग प्रदान करता है।

यह विस्तार Anaconda को केवल Python घटकों की आपूर्ति से अधिक व्यापक भूमिका देता है। अब इसका प्रस्ताव एजेंट‑सहायित विकास, प्रतिद्वंद्वी मूल्यांकन, रनटाइम नियंत्रण और दोहराने योग्य डिलीवरी को शामिल करता है। सार्थक परीक्षण यह होगा कि क्या ये हिस्से टीमों को यह भरोसेमंद रिकॉर्ड प्रदान करते हैं कि एजेंटों ने क्या बनाया, क्या परीक्षण किया गया और सॉफ़्टवेयर के संचालन शुरू होने पर उन्हें क्या करने की अनुमति थी।