Opening the black box: Profiling a secured agentic pipeline on Red Hat OpenShift AI
Red Hat 发布博客，讨论在企业级 agentic pipeline 中引入安全机制后的性能画像问题。文章指出，多数推理基准只测试孤立模型（向 vLLM 发原始请求、输入 prompt 输出 token），而生产级 agentic 系统每个请求都要先经过 agentic harness：组装上下文、管理会话、注入工具 schema，并可选地为代码执行提供安全沙箱，之后才生成第一个 token。文章提出两个问题：能否在不牺牲性能的前提下为 agent 增加安全能力，以及优化精力应投向何处。
Development
- First ReportOpening the black box: Profiling a secured agentic pipeline on Red Hat OpenShift AIRed Hat AI
- Current Assessment企业采用自主 agent 时，安全能力与性能常被视为对立项，而该文把问题重述为「在完整链路上定位瓶颈」。判断是：这会把竞争焦点从单模型吞吐转向 agent 运行时与安全沙箱的工程效率。可验证下一信号：OpenShift AI 或同类平台是否发布 agentic pipeline 的基准规范或性能白皮书。Agent Pulse · analysis
Red Hat 在 OpenShift AI 上对一条受安全保护的 agentic pipeline 做性能画像，核心论点是基准测试对象错位：现有推理基准测的是孤立模型，而生产 agentic 系统的真实路径是请求先经过 agentic harness——组装上下文、管理会话、注入工具 schema，并可选地拉起安全沙箱用于代码执行——然后才开始生成 token。因此，安全与性能的权衡、以及优化投入的优先级，都需要在这条完整链路上而非单模型上衡量。文章以「打开黑盒」为定位，属于方法论与工程实践层面的讨论，未在给定证据中给出具体性能数字或产品能力结论。
把 agentic harness 与安全沙箱纳入测量边界，意味着延迟与吞吐的归因会从模型推理转移到上下文组装、会话管理与沙箱供给等环节；判断是：只优化 vLLM 侧可能无法解释端到端表现。可验证下一信号：Red Hat 是否公开分阶段耗时拆解（harness、沙箱、推理各占多少）或可复现的 profiling 工具与配置。
企业采用自主 agent 时，安全能力与性能常被视为对立项，而该文把问题重述为「在完整链路上定位瓶颈」。判断是：这会把竞争焦点从单模型吞吐转向 agent 运行时与安全沙箱的工程效率。可验证下一信号：OpenShift AI 或同类平台是否发布 agentic pipeline 的基准规范或性能白皮书。
对采购方而言，该视角提示评估 agent 平台时应要求端到端链路数据而非模型跑分，以判断安全投入的真实性能代价；对供应商而言，可把可观测性与分阶段 profiling 作为差异化能力。可验证下一信号：厂商是否在文档中提供分阶段延迟指标或安全沙箱的性能开销说明。
若 profiling 方法被社区采纳，agentic 系统的评测可能从「模型跑分」演化为「链路跑分」。可验证下一信号：后续是否出现包含 harness 与沙箱开销的公开基准或第三方复现实验。