TNS 的报道称，AI 应用之所以经常在生产环境中停滞不前，问题根源在于缺乏强大的控制平面。代理式 AI 在实际落地时，往往面临幻觉和流程复杂化的双重挑战，文章认为，控制平面可以通过增强系统可观测性和加强协作，来解决这些难题，从而实现真正可靠且可扩展的自动化运维。 DynaTrace 的技术布道主管 Greg Findlen、现场 CTO Wayne Segar 和 AI 创新副总裁 Chris Pirillo 将联手主持这个免费网络研讨会。 对 SRE、平台工程师还有 AI/ML 团队而言，自主代理能带来很多令人难以抗拒的好处。这些代理能够与云原生系统进行交互、触发各种操作，并且能以机器的速度做出决策，这标志着企业运营方式发生了革命性的变化。虽然投入的资源非常多，但很多团队的实际产出可能会令人失望。问题出在单独的生成模型很难给生产系统提供稳定、可重复的结果。代理很容易产生幻觉、误判上下文，或者在复杂的多步工作流中让小错误不断蔓延。随着代理之间的交互增多，依赖关系网也会随之改变，这让故障模式变得愈发难以捉摸。 如果没有端到端的可观测性以及统一的控制层，想要扩大代理式 AI 的规模几乎是不可能的。Greg 指出，大多数团队把实验转向生产时很快就会发现，仅靠孤立的模型和智能提示远远不够。自主决策需要依赖确定性强、实时且内容丰富的系统数据，代理必须根据事实而不是猜测来行动。随着组织从自动化工作流逐渐过渡到完全自主的系统，人类意图、反馈回路和清晰的边界仍然至关重要。 这场网络研讨会将聚焦于构建生产就绪的代理式 AI 所必须具备的条件。Greg 和 Wayne 会在太平洋时间 3 月 24 日上午 11 点与 Chris 一同探讨如何在规模化环境中运行代理式 AI 所需的关键要素。他们还会分享一个真实世界的例子来说明现代控制平面是如何支持安全、可扩展的自主操作的。 参会者可以通过这次活动获得一系列实践见解和清晰的框架，用于在生产环境中拓展代理式 AI 应用。具体包括了解代理间的交互如何改变依赖图和故障模式，以及为什么需要端到端可观测性来推理代理行为；弄清楚仅凭生成模型是不够的原因；明白组织如何从自动化工作流进展到受监督并最终完全自主的系统；以及认识到共享控制层能够协调代理、提炼可观测性数据并帮助组织在不引入混乱的情况下大规模运行代理式 AI。 如果错过了直播时间也没关系，注册之后可以获取回放录像。 为什么生成模型难以满足生产需求？因为可靠的自主决策离不开确定性强、实时且内容丰富的系统上下文。 Chris 还提到，人类意图、反馈循环和明确的边界在实现完全自主的过程中仍然起着关键作用。 控制平面究竟能帮什么忙？它能协调不同的代理、把可观测性数据提炼成可操作的上下文，并让跨堆栈的操作得以顺利编排。 TNS 的这次报道主要是为了探讨为什么孤立的模型和智能提示无法满足生产需求。 Greg 和 Wayne 带来的是一个真实世界的例子来说明现代控制平面是如何支持安全、可扩展的自主操作的。 Wayne 是 DynaTrace 的现场 CTO 和 AI 创新副总裁。 Chris 是 TNS 的主持人。 Greg 是 DynaTrace 的技术布道主管。