Anaconda combina enxames de agentes de IA com testes de segurança autônomos

Fornecer mais ferramentas a um agente de IA pode torná‑lo mais útil. Fornecer essas ferramentas a vários agentes ao mesmo tempo cria uma questão mais difícil: como uma empresa pode acompanhar o que cada um está fazendo e impedir uma ação nociva antes que ela atinja um sistema real?

expansão da plataforma Anaconda de 6 de outubro resolve esse problema ao combinar desenvolvimento de IA coordenado com testes de segurança autônomos. Reúne tecnologia da Kilo Code, Enkrypt AI e Outerbounds em espaços de trabalho de desenvolvimento, controles de segurança e orquestração de produção.

A ideia estratégica é conectar os locais onde os agentes criam software, onde seu comportamento é desafiado e onde os fluxos de trabalho resultantes são executados. A Anaconda chama isso de AI Dev Factory. Para as empresas, a questão prática é se essas conexões facilitam a inspeção e a governança da autonomia crescente dos agentes.

Como os agentes da Kilo coordenam seu trabalho

Um enxame de agentes distribui tarefas relacionadas entre vários agentes de IA. Um pode investigar um design de autenticação enquanto outro escreve testes ou implementa um componente separado. A vantagem potencial é o progresso paralelo, desde que os agentes possam compartilhar descobertas e evitar trabalhar em direções opostas.

descrição técnica da Swarm da Kilo explica o mecanismo de coordenação: uma sessão principal e seus agentes descendentes compartilham um quadro de mensagens. Os agentes podem publicar descobertas e ler o quadro enquanto o trabalho continua, em vez de aguardar a conclusão de todas as subtarefas antes de trocar resultados.

Essa distinção importa. Um agente de teste pode aprender sobre uma decisão de autenticação antes de escrever uma suíte que assume algo diferente. A Kilo afirma que avaliações internas iniciais sugerem que menos trabalho duplicado pode reduzir o consumo de tokens, mas não publicou resultados numéricos para essa afirmação.

A mesma documentação também define um limite que vale a pena compreender: mensagens no quadro não despertam, retomam ou aprovam agentes, e mensagens de retenção ou veto consultivo não os interrompem automaticamente. Todos os participantes podem ler todo o histórico do quadro. Portanto, a coordenação precisa ser distinguida de permissões executáveis e controles de execução.

A página de lançamento da Anaconda coloca esses fluxos de trabalho no VS Code e descreve trabalho paralelo em diferentes worktrees. Também apresenta o Kilo Desktop em beta, combinando engenharia, ciência de dados e gerenciamento de ambientes Python com acesso a mais de 500 modelos e inferência local.

Testes de segurança que mudam de tática

A Enkrypt AI fornece o lado de testes adversariais da plataforma. A Anaconda afirma que a oferta de segurança ampliada testa modelos, agentes e integrações MCP em mais de 300 categorias de ataque, juntamente com proteção em tempo de execução.

Na sua explicação técnica do red teaming autônomo, a Anaconda descreve iniciar com padrões de ataque conhecidos e depois usar agentes para adaptar sua abordagem às respostas do alvo. Um agente formula uma hipótese sobre uma vulnerabilidade, a testa, examina o resultado e decide o que tentar a seguir.

Uma recusa, por exemplo, pode provocar uma mudança de estratégia em vez de outra paráfrase da mesma solicitação. O sistema usa memória de sessão para evitar repetir abordagens fracassadas e exploração paralela para investigar diferentes riscos simultaneamente. A Anaconda afirma que esses testes são executados dentro do ambiente do cliente e são ajustados ao modelo de ameaça da implantação.

Essa abordagem é relevante para agentes que consomem informações de ferramentas e fontes externas. O risco não se limita a uma resposta insegura: uma instrução oculta em material recuperado pode direcionar uma chamada de ferramenta posterior. Os testes precisam examinar cadeias de comportamento, incluindo quais informações o agente confia e quais ações se seguem.

Guardrails de tempo de execução abordam um problema diferente

Encontrar uma vulnerabilidade durante os testes e impedir uma ação insegura durante a operação são tarefas distintas. produto Guardrails da Enkrypt AI foi projetado para aprovar, modificar ou bloquear comportamentos de risco entre agentes, ferramentas, geração aumentada por recuperação e conexões do Model Context Protocol.

A empresa identifica injeção de prompts, ações inseguras de ferramentas, violações de limites de privilégios e exfiltração de dados sensíveis entre os riscos que visa. Seu foco em decisões auditáveis torna a camada de controle relevante tanto para investigação de incidentes quanto para prevenção.

O lançamento da Anaconda também inclui pontuações de risco de modelo dentro do Kilo e um Registro de Incidentes de Agentes contendo relatórios de incidentes públicos com base em fontes. Esses podem orientar a seleção de modelos e as prioridades de teste. Eles devem ser tratados como insumos de um processo de segurança, e não como prova de que uma implantação específica é segura.

Os números de escala exigem cuidado semelhante. A Anaconda relata que 63 % dos respondentes de sua pesquisa com construtores nativos de IA estavam avançando em direção a enxames de alguma forma. Seu anúncio também cita pesquisa da Enkrypt que encontrou vulnerabilidades em 73 % de 25.264 servidores MCP analisados ao longo de quatro meses. Esses são resultados relatados pelo fornecedor sobre os respondentes e os sistemas examinados, não uma medição de todas as implantações de agentes empresariais.

Por que o ambiente de produção faz parte da história

A plataforma de Orquestração de IA, anteriormente Outerbounds da Anaconda aborda o que acontece após o desenvolvimento. Seu site descreve execuções de fluxo de trabalho reproduzíveis, rastreamento de artefatos e linhagem, com computação disponível em várias nuvens e governança aplicada a pacotes e modelos.

Isso fornece uma maneira de conectar uma saída ao ambiente e às dependências que a produziram. Quando um fluxo de trabalho muda, as equipes precisam saber qual modelo, pacote ou política mudou junto com ele. A reprodutibilidade torna a investigação e a comparação mais práticas.

O lançamento de outubro adiciona acesso nativo a artefatos governados dentro dos fluxos de trabalho de orquestração. Sua página de lançamento mais ampla também descreve o Fast Bakery, que cria imagens de contêiner a partir de dependências conda e PyPI, incluindo bibliotecas nativas, e um catálogo expandido de mais de 19.000 pacotes curados e 77 modelos de código aberto avaliados.

A expansão dá à Anaconda um papel mais amplo do que apenas fornecer componentes Python. Sua proposta agora abrange desenvolvimento assistido por agentes, avaliação adversarial, controles de tempo de execução e entrega repetível. O teste significativo será se essas peças proporcionarão às equipes um registro confiável do que os agentes construíram, o que foi testado e o que lhes foi permitido fazer quando o software começou a operar.