至顶网软件频道消息:6 月 26 日,为帮助开发人员在多源云环境中继续实现 DevOps 创新, BMC软件公司近日推出免费的自助式独立开发环境——Control-M Workbench。这一新功能加快了应用程序交付速度,提高了应用程序质量,并可帮助组织在竞争激烈的数字业务中快速创新。
Control-M Workbench 扩展了 2016 年推出的 Control-M Automation API 的功能。Control-M Automation API 是一组编程接口,允许开发人员和 DevOps 工程师在敏捷应用发布过程中,以自助形式自动执行应用程序工作流。Control-M Workbench 可以在几分钟内完成部署,让开发人员能够自主编码、调试和测试工作流,方式与其它编码活动完全相同。
Control-M Workbench 支持数字业务自动化,这是一种可简化混合多源云环境管理的新型 IT 自动化自适应方法。
使用“作业即代码”加快 DevOps
开发生命周期早期的测试、监控、自动化和策略的合规性活动通常是指左移策略,它是加快数字化服务创新的关键助力因素。借助“作业即代码”方法,开发人员可以使用当前的 DevOps 工具将业务应用自动化直接编码提交至交付流程,并左移业务应用的企业自动化。通过向开发人员提供 Control-M 这款市场领先的工作负载自动化解决方案的直接访问权限,运营部门可获得测试完毕、可付诸生产的应用,以推动业务发展。
通过使用“作业即代码”方法并利用 Control-M Workbench,组织可以实现:
“我们在研究中多次发现,在促进开发和运营部门高质量协作方面越成功的企业,越有可能实现出色的收入增长。不过,我们常常看到的是,新的应用和服务完成部署后就被丢给运营部门处理并进行维护。”企业管理协会 (EMA: Enterprise Management Associates) 的 Julie Craig 说道,“‘作业即代码’概念支持工作流规范方面的‘左移’趋势,这样一来,执行给定作业所需的步骤便成了代码本身的一部分。”
Control-M Workbench 有助于实现开发和运营部门之间的技能共享与协作。这一新功能为开发人员提供的访问权限包括在沙箱环境中构建、测试和调试批处理自动化,并与他们首选的持续集成/持续交付 (CI/CD) 工具和方法如 JSON、Git、Jenkins 等无缝集成。
BMC 的客户 Carfax 已经采用了这种 DevOps 新方法,开发人员可将其用在各种应用上。“‘作业即代码’方法对于从事敏捷开发和 DevOps 的任何人来说都至关重要。”Carfax IT 运营部门的自动化分析师 Robert Stinnett 说道,“我们在运营中已使用 Control-M 多年,借助这款产品,我们的开发人员能够在熟悉的编码环境中完全拥有并掌控他们的作业,可以定义希望在生产中实现的业务流程自动化。”
“在多源云环境中保持敏捷性的关键在于公司能够应对多样化基础架构、异构数据和加速应用带来的挑战,以实现真正的数字业务自动化。其中一个特定挑战就是加强开发与运营团队在应用交接流程上的协作。”BMC大中华区总经理陈明华说道,“借助Control-M Workbench,开发人员和 DevOps 工程师可以在提高应用程序质量的同时更快速地左移并交付应用,从而推动业务发展,提升竞争优势。”
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。