Sunny Gupta, co-founder of Apptio, is launching Thira, a $21M seed-funded startup building agentic AI for enterprise IT back-office processes. Rather than replacing incumbents like ServiceNow or Workday, Thira targets cross-functional IT processes those platforms ignore, connecting to 40+ disparate systems per enterprise. The platform's core is a discovery and self-learning engine that builds 'execution maps' for deterministic agent workflows, with human review gates. Trust is central to the pitch: Thira offers semi-autonomous and fully autonomous modes, with kill switches, audit trails, and rollbacks. Ten enterprises have signed on as design partners ahead of a fall launch.
Nguồn: https://thenewstack.io/what-makes-cios-trust-an-ai-agent-thira-bets-its-not-the-model. 8sync News chỉ tóm tắt và dẫn link; bản quyền nội dung thuộc tác giả và nguồn gốc.
Đọc tin ở đây, luyện code, học theo lộ trình và luyện IELTS trên các sản phẩm anh em — tất cả kết nối với nhau trong hệ sinh thái 8 Sync Dev.
Cổng chính của hệ sinh thái: giới thiệu sản phẩm, blog và bảng giá trọn bộ.
Khám pháHọc theo lộ trình với video, quiz chấm tự động, certificate và mentor đang làm nghề.
Xem khóa họcLuyện thuật toán chấm tự động 7 ngôn ngữ, chạy code ngay trên trình duyệt.
Prefect mua lại Dagster, hai đối thủ lớn của Apache Airflow, nhằm kết hợp khả năng quản lý mục tiêu và theo dõi kết quả (Dagster) với thực thi tác vụ (Prefect) để xây dựng hạ tầng AI agent. Việc sáp nhập giữ nguyên sản phẩm, giá cả và lộ trình phát triển của Dagster, nhưng người sáng lập Nick Schrock rời dự án hoàn toàn.
Lập trình viên cần đọc bài này để hiểu cách hai công nghệ hàng đầu trong quản lý công việc tự động hóa—Dagster và Prefect—đang hợp nhất để xây dựng nền tảng mới cho AI agent, từ việc định nghĩa mục tiêu đến việc kết nối các công cụ thực thi, giúp bạn tìm hiểu về tương lai của công nghệ này trong việc tối ưu hóa các chuỗi công việc phức tạp.
AI cho doanh nghiệp B2B: chat đa kênh AI phản hồi, gom lead tiềm năng, phân loại khách hàng.
Sắp ra mắt
Codenotary vừa ra mắt AgentMon 3, nền tảng bảo mật runtime giúp áp dụng chính sách động lên các AI agent dựa trên hành vi thay đổi của chúng. Bằng cách theo dõi truy cập file, hoạt động mạng, sử dụng thông tin đăng nhập, thực thi tiến trình và kết nối hệ thống, nền tảng này ghi nhận hành vi thời gian thực, đưa ra quyết định bảo mật dựa trên danh tính, quyền hạn, mẫu lịch sử, độ nhạy cảm dữ liệu và thông tin mối đe dọa trực tiếp, đồng thời lưu trữ mọi quyết định dưới dạng sổ cái bất biến. AgentMon 3 cũng được cung cấp trên AWS Marketplace và giám sát hơn 5 triệu tương tác AI agent mỗi ngày.
Lập trình viên nên đọc bài này vì AgentMon 3 của Codenotary giúp tự động hóa và tối ưu hóa quản lý chính sách an toàn cho các ứng dụng AI, tiết kiệm thời gian và công sức so với việc phải viết thủ công các quy tắc bảo mật phức tạp.
OpenClaw Machines là nền tảng mã nguồn mở (Apache-2.0) cho phép chạy các tác nhân AI OpenClaw trong các microVM Firecracker cô lập phần cứng trên hạ tầng riêng, sử dụng KVM và nhân hệ điều hành chuyên dụng. Nó cung cấp hạ tầng compute, tích hợp công cụ, xác thực và bảo mật (Cloudflare tunnels, MCP), cùng proxy LLM (LiteLLM) và trình duyệt ảo Chromium, nhằm thay thế giải pháp quản lý tác nhân theo từng cá nhân bằng cách chạy nhiều tác nhân cô lập trên một máy chủ bare-metal với chi phí cố định.
Lập trình viên cần đọc bài này để khám phá cách xây dựng một môi trường chạy AI agents an toàn, quy mô lớn và linh hoạt trên hạ tầng riêng của mình, từ việc quản lý tài nguyên đến bảo mật và tích hợp công cụ chuyên dụng mà không cần phụ thuộc vào các dịch vụ cloud đắt tiền.
Hướng dẫn từng bước xây dựng trình lập lịch AI cục bộ bằng Python, Ollama và LangChain, chạy trên cron schedule. Hệ thống tự động thực thi nhiều AI agent (kiểm tra cổ phiếu, bản tin, dự báo thời tiết) và lưu kết quả dưới dạng file Markdown, với mô hình Qwen chạy cục bộ qua Ollama để tiết kiệm chi phí và bảo mật dữ liệu.
Lập trình viên muốn tự động hóa công việc hàng ngày với các AI công cụ riêng lẻ mà không phụ thuộc vào các dịch vụ cloud và chi phí cao, đồng thời tiết kiệm thời gian thiết lập và mở rộng hệ thống.
Bài viết phần 12 của khóa học reinforcement learning tập trung vào đào tạo các agent dựa trên LLM, mô tả môi trường RL cho agent sử dụng công cụ, khái niệm trajectories trong huấn luyện, cách chấm điểm dựa trên kết quả và quá trình (RULER), cũng như vấn đề phân bổ tín dụng trong các episode dài. Phần thực hành hướng dẫn đào tạo một agent SQL 3 tỷ tham số bằng ART và RULER trên Colab GPU miễn phí, chỉ với một dòng code thưởng cho tính đúng đắn.
Để hiểu cách xây dựng và tối ưu hóa các môi trường học tập cho các máy học tự động hóa hành động thông minh với LLM, từ thiết kế lộ trình đến giải quyết vấn đề phân bổ tín hiệu hiệu quả trong chu trình huấn luyện dài hạn.
Kilo Cloud Agents giờ đây sử dụng token tạm thời, gắn liền với sandbox thay vì truyền trực tiếp credential GitHub hay Kilo vào môi trường sandbox. Token thật không bao giờ chạm tới container; thay vào đó, các yêu cầu đi ra được chặn lại và xác thực qua ba lớp (xác thực token, điểm đến cho phép, ràng buộc sandbox) trước khi credential thật được thay thế tạm thời cho từng yêu cầu. Ngay cả khi token bị đánh cắp, nó cũng chỉ hoạt động trong sandbox cụ thể và trong thời gian tồn tại của sandbox đó. Tính năng tương tự cho GitLab đang được lên kế hoạch.
Một lập trình viên nên đọc bài này để hiểu cách bảo mật nâng cao cho các ứng dụng cloud bằng cách sử dụng token ngắn hạn và sandbox hóa, giúp giảm thiểu rủi ro từ việc lộ thông tin API thực tế trong môi trường chạy thử nghiệm.
Môi trường số không chỉ cung cấp lựa chọn mà còn tự động chuẩn bị sẵn các bước tiếp theo trước khi người dùng quyết định, gọi là "continuation architecture". Thiết kế này định hình hành vi thông qua việc tối ưu hóa các hành động tiếp theo (như autoplay, nút phản hồi hay câu trả lời do AI sinh ra) mà không loại bỏ sự tự do lựa chọn. Người dùng phải chủ động giữ các phương án thay thế khi cùng một kiểu tiếp nối lặp đi lặp lại.
Lập trình viên nên đọc bài này để hiểu cách thiết kế hệ thống tự động hóa quyết định hành động tiếp theo, từ đó tối ưu hóa trải nghiệm người dùng và tránh tạo ra những quyết định bị định sẵn, ảnh hưởng đến tính linh hoạt và sự chủ động của người dùng.
Một người thực hành chia sẻ quan sát từ việc xây dựng nền tảng cỡ trung bằng phương pháp 100% AI-native trong hơn 3 tháng. Giá trị của AI không nằm ở tốc độ coding mà ở khả năng hỗ trợ nhóm nhỏ giảm thiểu nút thắt giao tiếp. Mô hình hai luồng (sản phẩm và kỹ thuật) được áp dụng, nhưng QA do AI sinh ra vẫn chưa đáng tin cậy, yêu cầu kiểm tra thủ công. Vấn đề nan giải nhất là độ trung thực thiết kế-đến-frontend. Kết luận: tận dụng AI hiệu quả đòi hỏi tái cấu trúc toàn diện đội ngũ, ngân sách và quy trình, chứ không chỉ thêm công cụ AI vào workflow hiện tại.
Lập trình viên nên đọc bài này để hiểu cách xây dựng một pipeline AI hiệu quả không chỉ là tự động hóa mã mà là cách tái cấu trúc quy trình, chia nhỏ đội ngũ và quản lý rủi ro khi AI thay đổi cách làm việc từ cơ bản đến chi tiết.