Anaconda parar AI-agentsvärmar med autonom säkerhetstestning

Att ge en AI-agent fler verktyg kan göra den mer användbar. Att ge flera agenter dessa verktyg samtidigt skapar en svårare fråga: hur kan ett företag hålla reda på vad var och en gör, och stoppa en skadlig handling innan den når ett riktigt system?

Anacondas plattformsutvidgning 6 oktober adresserar det problemet genom att para samordnad AI-utveckling med autonom säkerhetstestning. Den samlar teknik från Kilo Code, Enkrypt AI och Outerbounds över utvecklingsarbetsytor, säkerhetskontroller och produktionsorkestrering.

Den strategiska idén är att koppla samman de platser där agenter bygger mjukvara, där deras beteende utmanas, och där de resulterande arbetsflödena körs. Anaconda kallar detta en AI Dev Factory. För företag är den praktiska frågan om dessa kopplingar gör det enklare att granska och styra den växande agentautonomin.

Hur Kilos agenter samordnar sitt arbete

En agentsvärm fördelar relaterade uppgifter över flera AI-agenter. En kan undersöka en autentiseringsdesign medan en annan skriver tester eller implementerar en separat komponent. Den potentiella fördelen är parallell framdrift, förutsatt att agenterna kan dela upptäckter och undvika att arbeta mot varandra.

Kilos tekniska beskrivning av Swarm förklarar samordningsmekanismen: en huvudsession och dess avkommande agenter delar ett meddelandebord. Agenter kan posta fynd och läsa bordet medan arbetet fortsätter, snarare än att vänta på att varje deluppgift ska slutföras innan resultat utbyts.

Den distinktionen är viktig. En testagent kan lära sig om ett autentiseringsbeslut innan den skriver en svit som förutsätter något annat. Kilo säger att tidiga interna utvärderingar tyder på att mindre duplicerat arbete kan minska tokenförbrukningen, men de har inte publicerat numeriska resultat för detta påstående.

Samma dokumentation definierar också en gräns värd att förstå: meddelanden på bordet väcker inte, återupptar eller godkänner agenter, och rådgivande håll- eller veto-meddelanden stoppar dem inte automatiskt. Alla deltagare kan läsa hela bordshistoriken. Koordination måste därför skiljas från verkställbara behörigheter och exekveringskontroller.

Anacondas lanseringssida placerar dessa arbetsflöden i VS Code och beskriver parallellt arbete över arbetsträd. Den introducerar också Kilo Desktop i beta, som kombinerar ingenjörskonst, datavetenskap och Python-miljöhantering med åtkomst till mer än 500 modeller och lokal inferens.

Säkerhetstestning som ändrar taktik

Enkrypt AI levererar den motståndskraftiga testdelen av plattformen. Anaconda säger att det utökade säkerhetserbjudandet testar modeller, agenter och MCP-integrationer över mer än 300 attackkategorier, tillsammans med skydd vid körning.

I sin teknisk förklaring av autonom red teaming beskriver Anaconda att man börjar med kända attackmönster och sedan använder agenter för att anpassa sitt tillvägagångssätt efter målets svar. En agent bildar en hypotes om en svaghet, testar den, granskar resultatet och bestämmer vad som ska provas härnäst.

Ett avslag, till exempel, kan leda till en förändring av strategi snarare än en annan omformulering av samma begäran. Systemet använder sessionsminne för att undvika att upprepa misslyckade tillvägagångssätt och parallell utforskning för att undersöka olika risker samtidigt. Anaconda säger att denna testning körs i kundens miljö och är anpassad till distributionens hotmodell.

Denna metod är relevant för agenter som konsumerar information från verktyg och externa källor. Risken är inte begränsad till ett osäkert svar: en instruktion dold i hämtat material kan styra ett senare verktygsanrop. Testning måste undersöka beteendekedjor, inklusive vilken information agenten litar på och vilka handlingar som följer.

Runtime guardrails adresserar ett annat problem

Att hitta en svaghet under testning och att förhindra en osäker handling under drift är separata uppgifter. Enkrypt AI:s Guardrails-produkt är utformad för att godkänna, modifiera eller blockera riskabelt beteende över agenter, verktyg, retrieval‑augmented generation och Model Context Protocol‑anslutningar.

Företaget identifierar prompt‑injektion, osäkra verktygsåtgärder, privilegie‑gränsöverträdelse och känslig‑data‑exfiltrering bland de risker det riktar in sig på. Dess betoning på auditabla beslut gör kontrollskiktet relevant för incidentundersökning såväl som för förebyggande.

Anacondas lansering inkluderar också modellriskpoäng inom Kilo och ett Agent Incident Registry som innehåller källstödda offentliga incidentrapporter. Dessa kan informera modellval och testprioriteringar. De bör behandlas som indata i en säkerhetsprocess, snarare än som bevis på att en specifik distribution är säker.

Skalfigurerna kräver liknande försiktighet. Anaconda rapporterar att 63 % av svarande i sin enkät bland AI‑inhemska byggare rörde sig mot svärmar i någon form. Dess tillkännagivande hänvisar också till Enkrypt‑forskning som fann sårbarheter i 73 % av 25 264 MCP‑servrar som skannades under fyra månader. Detta är leverantörsrapporterade fynd om de svarande och de undersökta systemen, inte en mätning av varje företags agentdistribution.

Varför produktionsmiljön hör till historien

Anacondas plattformen AI Orchestration, tidigare Outerbounds behandlar vad som händer efter utveckling. Dess webbplats beskriver reproducerbara arbetsflödeskörningar, spårning av artefakter och härstamning, med beräkningskapacitet tillgänglig över flera moln och styrning tillämpad på paket och modeller.

Det ger ett sätt att koppla ett resultat till den miljö och de beroenden som skapade det. När ett arbetsflöde förändras måste teamen veta vilken modell, vilket paket eller vilken policy som ändrades samtidigt. Reproducerbarhet gör undersökning och jämförelse mer praktisk.

Oktoberlanseringen lägger till inbyggd åtkomst till styrda artefakter i orkestreringsarbetsflöden. Dess bredare releasesida beskriver också Fast Bakery, som bygger containerbilder från conda- och PyPI‑beroenden, inklusive inhemska bibliotek, samt en utökad katalog med över 19 000 kuraterade paket och 77 granskade öppen‑källkodsmodeller.

Expansionen ger Anaconda en bredare roll än att bara leverera Python‑komponenter. Erbjudandet omfattar nu agent‑assisterad utveckling, motstridig utvärdering, körningskontroller och repeterbar leverans. Det avgörande testet blir om dessa delar ger teamen en pålitlig dokumentation av vad agenter byggde, vad som testades och vad de fick göra när mjukvaran började köras.