🛡Microsoft Entra Agent ID: первый шаг к "гражданству" ИИ в корпоративной среде

Microsoft на Build 2025 представил фундаментальное изменение в корпоративной экосистеме — систему, которая впервые официально наделяет ИИ-агентов статусом субъектов в корпоративной иерархии идентификации.
Это концептуальный сдвиг, значительно глубже, чем просто новый инструмент безопасности.

Философия идентичности: от объекта к субъекту
Алекс Саймонс, корпоративный вице-президент Microsoft Entra, подчёркивает: "Мы вступаем в эру, когда ИИ-агенты — не просто инструменты, а катализаторы умного, более эффективного способа работы." Это ключ к пониманию трансформации — агенты больше не объекты, а активные субъекты корпоративного процесса, требующие той же системы управления, что и люди.

Технический путь к равноправию
Реализация "гражданских прав" для ИИ происходит через несколько уровней:

- Единый реестр идентичности: Агенты получают единое представление в каталоге Microsoft Entra, независимо от того, кем они созданы — профессиональным разработчиком или бизнес-пользователем
- Унифицированная модель аутентификации: Агенты проходят те же процедуры верификации, что и сотрудники
- Одинаковый профиль безопасности: Агенты будут подчиняться тем же политикам Conditional Access, что и люди, с контекстным доступом на основе сигналов в реальном времени
- Аудит и мониторинг: Все действия агентов логируются в тех же системах, что и действия сотрудников

Эволюция статуса: от "приложения" к "работнику"
Ключевая инновация заключается в новом типе приложения — "Agent ID (Preview)". На техническом уровне это может показаться просто новой категорией в Entra, но концептуально это переопределение типа сущности в корпоративной экосистеме:

Раньше: Агенты = приложения (пассивные объекты)
Теперь: Агенты = активные субъекты со своим жизненным циклом
Будущее: Агенты с полноценными "карьерными траекториями" — от создания до вывода из эксплуатации, с постоянным управлением привилегиями

Протокол Agent2Agent (A2A): социализация ИИ
Еще один интересный аспект — поддержка протокола Agent2Agent (A2A), который позволяет агентам взаимодействовать друг с другом непосредственно. Это создаёт параллельную социальную сеть машин внутри организации:
- Агент в Teams обнаруживает других агентов в реестре Entra
- Делегирует им задачи в рамках своих полномочий
- Координирует совместные действия (например, бронирование переговорных)

Почему это первый шаг к "цифровому гражданству"
Переход от технической концепции "инструмента" к статусу "цифрового коллеги" имеет далеко идущие последствия:

Создание правового прецедента: Если агент имеет такой же контроль доступа, как сотрудник, значит он имеет и сопоставимый уровень ответственности
Признание автономности: Microsoft прямо признает "способность автономно обрабатывать сложные задачи и действовать как виртуальные коллеги"
Институциональное оформление: Создание специализированных систем управления жизненным циклом агентов

Практические последствия для бизнеса
Новая ответственность для CISO: Необходимость создания отдельной стратегии для цифровых сотрудников
Разделение обязанностей: Пересмотр матриц доступа с учетом делегирования критических задач агентам
Гибридные рабочие команды: Создание структур, где человеческие и ИИ-сотрудники взаимодополняют друг друга
Риск-менеджмент: Построение новых моделей оценки рисков и непрерывности бизнеса

Это не просто инструмент безопасности — но фундамент новой организационной реальности, где цифровые и человеческие граждане существуют в едином правовом и техническом пространстве.

#Microsoft #EntraAgentID #agents
———
@tsingular

🔟 Open‑source Deep Research Assistants 🤖

Глубокие исследовательские агенты — не просто чат‑боты, а полноценные ИИ‑ассистенты, способные искать информацию, взаимодействовать с инструментами, планировать и писать отчёты. Ниже — 10 мощных open‑source проектов, которые уже можно протестировать:

1. DeerFlow — модульная система от Bytedance: DeerFlow — open‑source фреймворк от Bytedance для создания модульных LLM-агентов.
Поддерживает:
- планирование действий,
- анализ кода,
- генерацию отчётов (включая Text-to-Speech),
- адаптивную интеграцию инструментов.
Создан для исследований, автоматизации и построения сложных агентных пайплайнов.
https://github.com/bytedance/deer-flow

2. Alita — самообучающийся агент с поддержкой Model Context Protocols (MCP), всё в одном модуле. Alita — агент, который сам придумывает, как ему расширить себя, не полагаясь на заранее написанные сценарии, и уже демонстрирует топовые результаты на сложных тестах.
https://github.com/CharlesQ9/Alita

3. WebThinker — автономный веб‑поиск с логикой "думай‑ищи‑пиши", RL‑обучением и глубокой навигацией
https://github.com/RUC-NLPIR/WebThinker

4. SimpleDeepSearcher — это лёгкий, но эффективный open‑source фреймворк от RUCAIBox, предназначенный для автономного веб-поиска через импровизированные многотуровые сессии:

- Использует Supervised Fine‑Tuning (SFT) вместо сложного RL, что значительно упрощает обучение и снижает вычислительные затраты
- Генерирует реалистичные траектории поиска и рассуждений, симулируя поведение пользователя в живом поисковом окружении .
- Критически отбирает данные по нескольким критериям качества: разнообразие запросов, сложность, структура ответов

5. AgenticSeek — приватный on‑device ассистент с выбором эксперта под задачу и голосовым управлением
https://github.com/Fosowl/agenticSeek

6. Suna — универсальный ассистент: браузер, CLI, работа с файлами, API, деплой
https://github.com/kortix-ai/suna

7. DeepResearcher — это комплексный open-source фреймворк от GAIR‑NLP, предназначенный для обучения LLM‑агентов, способных проводить глубокие исследования в автономном режиме, взаимодействуя с вебом. Использует несколько агентов‑браузеров, которые совместно исследуют веб и обрабатывают информацию
https://github.com/GAIR-NLP/DeepResearcher

8. Search‑R1 — агент на PPO/GRPO с поддержкой LLaMA3, Qwen2.5 и кастомных поисковиков. Агент учится эффективному циклу «думай — ищи — думай — отвечай» через RL, достигая важных улучшений в точности ответов и эффективности поиска.
https://github.com/PeterGriffinJin/Search-R1

9. ReCall — это фреймворк на основе RL, который учит LLM "должным образом" вызывать и комбинировать инструменты, используя сгенерированные задачи, без необходимости вручную собирать примеры вызовов — и всё это в открытом доступе.
https://github.com/Agent-RL/ReCall

10. OWL — мультиагентная система на CAMEL‑AI для динамического взаимодействия между агентами
https://github.com/camel-ai/owl

Агенты умеют планировать, взаимодействовать с браузером, запускать скрипты, интегрироваться с API и работать автономно.

Всё проекты — с открытым кодом. Можно изучить, собрать и доработать под свои задачи.

@ai_machinelearning_big_data

#ml #rl #aiagents #ai #agents