Kastra

PH 你好，我是 Carlos。Fernando 和我一起打造了 Kastra。

事情是这样的：我们在真实环境中部署 AI Agent——一个编程 Agent、一个客服 Agent 和一个基础设施 Agent。它拥有凭证和访问权限，但没有任何结构性约束来阻止它执行自己决定的任何操作，即使是在生产环境中。

大多数团队都有身份认证、日志、监控和评估体系。但几乎没有人拥有这样一个层——在操作执行之前就判断“这个特定操作无法执行”。现有的控制手段都是在 Agent 执行之后再去审视。我们希望构建一种能基于输入和输出进行决策的方案，以覆盖大部分执行层的风险。这需要在自主 AI 领域引入一个围绕授权（authorization）的新基础设施层。

这就是 Kastra。每个 Agent 操作都会根据策略进行评估，在不到 1 毫秒的时间内得到允许或拒绝的判定。当某些操作需要人工审批时，现在大约 1 秒即可完成——不论是通过我们的桌面应用、Web 控制台还是 macOS 通知。我们每周都在压缩这个数字，而这正在改变产品的体验。低于 1 毫秒的延迟意味着人在回路（human-in-the-loop）的授权是实际可用的，而不是停留在理论层面。Kastra 在整个技术栈中是中立且确定性的，并且能够与你已经在使用的工具协同工作。

我们与 Claude Code、Codex、OpenClaw、Cursor 以及其他需要合规的企业级用例已实现一键集成。运行时和策略包库是开源的，企业级控制面板是商业版。产品可以免费试用——如果想了解你是否需要 Kastra，只需在你的编程 Agent 上运行下面这两条命令，即可扫描出你的 Agent 已经执行过、但本应设置策略加以约束的潜在风险操作。所有处理都在你的本地机器上完成，因此你可以放心执行。

运行 "brew install kastra-labs/tap/kastra-edge"，连接到你的账户后，再运行 "kastra-edge scan"。

很乐意进一步交流策略引擎架构、延迟优化思路、我们对失败开放（fail-open）vs. 失败关闭（fail-closed）的取舍、概率性规则与确定性规则的权衡，或任何其他话题。我们会全天守在评论区。

Carlos & Fernando