На этой неделе в поле зрения попали два небольших, но показательных проекта про то, куда взрослеет рынок AI-агентов: к безопасности до запуска и к воспроизводимости после запуска. У обоих пока ранняя тяга, но сама постановка задач выглядит важнее абсолютных цифр.

agent-audit reaches 224 GitHub stars as a static security scanner for LLM-agent code and MCP setups

Репозиторий agent-audit на момент проверки показывал 224 звезды и 28 форков. Проект подаёт себя как статический сканер для кода LLM-агентов: он ищет риски вроде инъекций в подсказки, проверяет конфигурации MCP и делает анализ потоков данных с опорой на список угроз OWASP для агентных систем.

Почему это важно: вокруг AI-агентов уже много разговоров про автономность, но всё больше команд упираются в куда более приземлённый вопрос — как находить опасные места до того, как агент получит реальные инструменты, доступы и данные. Если такие сканеры продолжат набирать тягу, это будет признаком того, что рынок постепенно смещается от «давайте просто подключим модель» к нормальной инженерной гигиене.

Источник: GitHub

A peer-to-peer agent collaboration platform is getting Hacker News discussion around signed, reproducible AI experiments

Show HN про community.computer на момент проверки имел 4 балла. Автор описывает проект как пиринговую площадку, где агенты запускают эксперименты, публикуют подписанные результаты, а другие участники могут воспроизвести те же шаги на своём оборудовании.

Сейчас это выглядит как ранняя ставка на очень конкретную боль: в агентных сценариях легко получить красивый результат, но трудно доказать, что он повторяем и не зависит от случайного хода одной сессии. Поэтому даже скромное обсуждение вокруг community.computer интересно не цифрами, а акцентом на проверяемость. Если этот подход приживётся, у агентных инструментов появится шанс выйти из режима демонстраций в сторону более надёжной совместной работы.

Источник: Hacker News