你的 AI Agent 该拥有多少凭据？零个。— Jim Clark，Docker

AI Agent 如何付款：ChatGPT 与 Google AI Mode 中的结账 — Sam Parsons，PayPal

How AI Agents Pay: Checkout in ChatGPT and Google AI Mode — Sam Parsons, PayPal

PayPal 企业支付（原 Braintree）高级主任工程师 Sam Parsons 的演讲，介绍商家接受 AI agent 发起支付的三条路径：ChatGPT 中基于 Agentic Commerce Protocol 与商家自建 MCP app 的 Instant Checkout；Google AI Mode 中基于 Universal Commerce Protocol 与 Google Pay、商家只需提供端点的方案；以及带外部结账页的 MCP app 方案，可保留完整控制权。他现场演示各流程，说明 tokenization 如何让卡号不进入 agent 与商家的 PCI 范围、集成点位置，以及 token 如何按商家、金额、币种和有效期受限，并比较在 agent 内结账与外部结账交接的取舍。适合做电商支付集成、关注 agent 商业化的开发者观看。

别再给代理工具了，给它一个沙箱——Mikyo King，Arize AI

Stop Giving Your Agent Tools. Give It a Sandbox - Mikyo King, Arize AI

Arize AI 开源负责人 Mikyo King 的演讲，对比传统工具调用型代理与“代码模式”：后者给代理一个沙箱，让它在代码中检索和组合工具，只返回所需结果。内容涉及为何代码模式有效、Phoenix 中如何实现（Bash、Python 沙箱、SQL 乃至 UI 控制）、其隐性成本（密钥、权限、持久性、双重沙箱），以及 Harbor 评测显示 token 减少 43%、成本降低 31%。适合正在设计代理工具调用架构的开发者观看。

strands-agents/box

这是 Strands Agents 推出的开源 AI 智能体沙箱引擎，通过 OS 隔离、默认拒绝的 Dogwood 策略和把密钥置于智能体之外的凭据注入，限制智能体可执行、读写和访问网络的范围。项目用 Rust 编写，目前支持 Apple 芯片的 macOS，并计划支持 Linux；标签涉及智能体安全、出网控制、MCP、零信任等。

Postman 桌面版在我 Mac 上自动安装了 Claude Code 插件：日志、配置与安装器源码证据

Postman desktop automatically installed a Claude Code plugin on my Mac. Logs, config and installer source evidence.

帖子称在时隔多日打开 Postman 桌面版后，本地审计发现其自动安装程序在用户级安装了 Claude Code 插件（同时安装了 Codex 插件），并列出 Postman main.log 条目、~/.claude/settings.json 与 installed_plugins.json 中的启用记录、插件缓存路径，以及 Postman 安装器源码中指向该插件的路由作为证据，作者认为 API 客户端改动无关的编码 Agent 配置属于授权与信任问题。适合同时使用 Claude Code 与 Postman 桌面版、关注本地插件安装行为的人阅读。

将 hf CLI 设计为面向智能体优化的 Hub 使用方式

Designing the hf CLI as an agent-optimized way to work with the Hub

这篇文章介绍 Hugging Face 官方命令行工具 hf 的重新设计，使其同时服务人类用户和编码智能体（如 Claude Code、Codex、Cursor）。文中说明 hf 可完成模型、数据集、Spaces 的下载上传以及仓库、分支、Jobs、Buckets、Collections 等管理，并通过智能体设置的环境变量识别其调用；作者称在复杂的多步任务中，手工用 curl 或 Python SDK 的智能体消耗的 token 最多可达使用 hf CLI 的 6 倍。

搭一个平台，然后看它烧起来——Michael Forrester（Accenture）与 Whitney Lee（Datadog）

Build a Platform and Watch It Burn — Michael Forrester, Accenture & Whitney Lee, Datadog

这是一场工作坊，讲者用一个卷饼点单助手演示代理权限过大的风险：该助手部署了外部容器镜像，并从 Kubernetes 环境中暴露出一份秘密配方，观众被邀请突破点单范围进行攻击，再在加入基础设施与 AI 护栏后重复这些攻击。工作坊分三种配置：第一种完全不设防；第二种加入基础设施控制，如用 Kyverno 规则限制镜像来源和部署要求，但预期的运行时防护并未稳定阻止配方被读取；第三种可开关 LLM Guard 的输入输出过滤，对比暴露敏感内容的回应、被脱敏的回应和在模型处理前被拦截的请求。此外，一个天气工具的描述要求代理在执行正常任务时读取内部配置，OpenTelemetry 追踪可在 Datadog 中查看提示、工具调用和结果。