FDE Times 数据在招 FDE 职位 862▼55 近 7 天在招职位数的变化(同口径比较):不计入本周新开始追踪的公司的职位近 7 天新增 70在招公司 180支持远程 24%美国薪资中位数 $200k招聘最多 Palantir 95
ENVI

前线部署工程师(FDE)的专业媒体

书籍与课程

1.5 小时的 Agent 治理课:够打基础,不够上生产

Agent 接触客户真实数据前,你得说清它以谁的权限行事、留下什么痕迹。

分享微博

要点速览

  • DeepLearning.AI 与 Databricks 合作的这门课约 1.5 小时,只需 Python 基础,包含 3 个实验,围绕治理的四大支柱展开。
  • 值得记住的有三点:Agent 需要身份,追踪记录同时也是审计证据,治理贯穿整个生命周期。
  • 这门课只是基础:每次调用的策略检查和 MCP 服务器治理需要另外学。
一根横条把 Agent 能读取的 200 条记录分成两部分:蓝色的 12 条是提问者有权查看的,深橙色的 188 条是提问者无权查看的。
HR Agent 运行在共享服务账号上时,它的访问范围远大于提问者本人。来源:文中的假设示例,类似实验 3 中使用的 HR 分析 Agent。

这门课只有约 1.5 小时,难度标为入门。但课程大纲中间有一节,提出了 Agent 演示往往回避的问题:这个 Agent 是谁?

Governing AI Agents 是 DeepLearning.AI 与 Databricks 合作推出的短课,讲师是 Databricks 的 Staff Technical Marketing Manager Amber Roberts。课程页面的理由很简短:Agent 自主访问的数据越来越多、越来越敏感,治理就成了必选项。

对前线部署工程师(FDE)来说,从 Agent 接触客户真实数据的第一天起,这就是要面对的问题。简短的结论是:如果你从未把 Agent 部署到生产环境,值得一学,但只把它当作这项技能的前一半。另一半在课程之外。

一个晚上、三个实验,和一项值得认真做的任务

课程围绕四大支柱展开:生命周期管理、风险管理、安全和可观测性。大纲共 11 项,包括视频、3 个实验和一次计分测验。实践部分是给一个数据分析 Agent 加上治理,限制它访问敏感数据。

唯一的前置要求是 Python 基础,想转向 FDE 工作的软件工程师可以直接上手。课程页面在 2026 年 7 月 17 日更新,称平台测试期间限时免费。这一点可能已有变化,报名前请先确认。

四大支柱的名称不必死记。价值在于下面三个观点,以及你如何把它们带回自己的工作。

观点一:Agent 在权限体系中需要自己的身份

第 4 课讲的是如何给 Agent 一个身份。设想一个 HR 分析 Agent,与实验 3 中用到的类似,运行在一个共享服务账号上,能读取 200 名员工的记录。

一位有 12 名直属下属的经理向 Agent 询问团队薪资。在系统看来,Agent 仍然能读取另外 188 条提问者无权查看的记录。泄露并不需要模型出错,换个问法就够了。

Databricks 一篇关于 Unity Catalog 的博客展示了这一观点在生产环境中的样子,规则很清楚:如果你在 Unity Catalog 中无权访问某张表,代表你行事的 Agent 也无权访问。

把这条规则套到上面的例子,Agent 就再也读不到那 188 条多出来的记录。

到了客户现场,第一件事是问清 Agent 会以哪个账号运行。如果答案是共享账号,就按上面的例子算出权限差距,把这个数字摆到会议桌上。

观点二:追踪记录也是证据

课程把可观测性定义为追踪 Agent 的输入、输出和决策,用于提升透明度和调试。这是工程师最容易吸收的部分,因为它和熟悉的日志工作很像。

Databricks 在一篇关于 MLflow 追踪的文章中更进一步:当追踪同时记录下允许每个操作的权限链路时,它就成了审计记录,而不只是调试工具。

当有人问起“上周 Agent 为什么把这份数据返回给那个人?”,差别就显现出来了。

只有输入和输出的追踪,能告诉你发生了什么。加上身份和权限的追踪,还能告诉你是谁允许它这么做。为客户设计日志时,先把审计人员会问的问题写下来,再检查追踪能否回答。

观点三:治理不是上线前的一道关卡

课程把治理放在整个生命周期中呈现,从定义访问控制到监控运行中的行为。这个视角值得保留,因为它让治理不会沦为最后的签字环节;就连实验 3 的标题,也把评测和部署合在一个练习里。

在客户那里,为每个阶段指定一位负责人和一份证据:上线前谁审批权限,上线后谁审查行为,两人各自看哪里。这样一张表常常会暴露出没人负责的工作,那正是要最先处理的风险。

哪些可以跳过,哪些需要补充

如果你已经在生产环境中运行 Agent,可以略过概念视频,直接做实验 3,但先确认这个实验是否依赖前面实验的结果。

讲师和合作方都来自 Databricks,所以要把原则和产品分开:按用户授权和可审计的追踪是可以带走的,工具名称则取决于客户的技术栈。

真正值得补的缺口在课程之后。Unity Catalog 那篇博客描述了 Agent 的每次调用在执行前都要对照策略检查,执行后记录日志。

文章还介绍了把 GitHub、Jira、Slack 等外部 MCP 服务器注册到 Unity Catalog,像其他可保护对象(securable)一样治理,课程似乎没有涉及这一主题。

合理的顺序是:先学课程,紧接着读 Unity Catalog 那篇博客,再读 MLflow 追踪的文章。之后在自己的一个 Agent 上,接入一个外部工具,亲手把这套做一遍,因为课程似乎就止步于此,真正的工作从这里开始。

就职业发展而言,别把这门课变成简历上的一行字。有价值的那一行是你做过的事,比如一个个人项目:Agent 以用户的权限运行,每个操作都能追溯。

当 FDE 岗位描述提到访问控制、审计或可观测性时,面试中可以问:那里的 Agent 接触过真实数据了吗?它的权限由谁掌握?

这门课用 1.5 小时教你提出正确的问题。下次客户问起 Agent 读了什么、谁允许的,你应该能直接打开一条追踪记录,而不是给出一个承诺。

这篇文章对你有帮助吗?

5 个信源
路线图上的下一篇 · 阶段 6: 价值度量斯坦福这门 ML 课,讲的是交付之后的事Chip Huyen 的 CS 329S 把 65% 的成绩给了真实应用,对 FDE 最有用的却是监控与分布偏移。