云原生 - AI Native 多智能体数字人架构实践
阿里妹导读
我们以云原生应用部门为试验田,用商业化产品 AgentTeams 落地一支"数字员工小分队",让它们承接日常研发、工单答疑、开源维护与运营等业务,把原本人肉串联的协作流程,做成 AI Native 的工作方式。(文章内容基于作者个人技术实践与独立思考,旨在分享经验,仅代表个人观点。)
开场:凌晨三点的告警
凌晨三点,值班同学的手机弹出一条告警:某云产品消息引擎消费堆积超阈值。
按以往的剧本,接下来是这样的:被叫醒、登跳板机、翻 SLS 日志、对照 Runbook、判断到底是消费者挂了还是下游 RT 飙了、必要时拉群、必要时升级到二线、最后写一份故障复盘。一整套下来,MTTR(平均故障恢复时间,Mean Time To Recovery)轻则一两个小时,重则半个晚上。
但在 AI Native 的今天,剧本被重写了:告警进来 30 秒内,一个叫 taishan-alert-agent 的 Agent 数字人已经在群里贴出了第一轮诊断结论,并 @ 上了 taishan-diagnosis-agent 这个 Agent 数字人进一步定位;又过了 90 秒,根因定位完成,修复建议同步在 Team Room 里给出,附带一份可执行的脚本。值班同学起床洗脸的功夫,问题已经被 Agent 团队闭环了 80%,剩下 20% 是一个"是否在生产环境直接执行修复"的判断——这个判断,留给人。
这套东西的底座,就是云原生推出的 AgentTeams 产品。基于它,我们可以快速声明出一支"数字员工小分队",把内部一个个 AI Native 场景真正跑起来。今天就聊聊它是怎么长出来的、凭什么这么干,以及我们走到了哪一步。
一、从 RPA 到大模型:
自动化是怎么一步步演化到"数字员工"的
要讲清楚 AgentTeams,得先把"自动化"这件事情的来龙去脉理一下。
最早是 RPA(Robotic Process Automation,机器人流程自动化)。RPA 的本质是"录屏式"自动化:你怎么点鼠标、怎么填表单、怎么从 A 系统复制到 B 系统,RPA 就照着复刻。它解决了大量"流程清晰、规则固定、变化不多"的重复劳动,比如财务对账、报表拼接、跨系统数据搬运。但 RPA 有个硬伤:它不理解业务,只要界面变了、字段顺序换了、弹窗多了一个,整条自动化脚本就得返工。
接着是大模型(LLM,Large Language Model)。大模型的革命性在于它能"理解"——理解自然语言指令、理解上下文、理解模糊意图。于是,一种新的自动化形态出现了:Agent。Agent 不再是录屏脚本,而是一个能听懂"帮我处理一下这个告警"的人——它会查文档、调工具、做判断、给结论。
但单 Agent 又有它的天花板:上下文窗口有限,工具调用复杂度上去后容易崩,遇到需要多角色协作的真实业务场景(产品提需求、研发写代码、测试跑回归、文档同步发布)就力不从心。
自然的下一步就是多 Agent 协同。问题是:让多个 Agent 跑起来 ≠ 让它们像一个团队一样工作。没有组织结构就没有稳定的分派关系,没有通信策略就没有可控可审计的消息边界,没有共享状态和统一网关就没法把 LLM 和工具(MCP)安全地接进来。
AgentTeams 就是来解决"多 Agent 怎么真正像一个团队一样工作"这件事的。
二、什么是 AI Native?
为什么我们要做 AI Native?
很多人听说过 Cloud Native(云原生)——一套围绕"应用就是围绕在云上跑而设计"的方法论:容器化、微服务、声明式 API、持续交付、Kubernetes 编排。它的核心是"应用不再需要适配云,而是天生就长在云上"。
AI Native 是同一思路的下一代延伸:系统不再是"额外集成了 AI 能力",而是"天生围绕 AI Agent 来设计"。
维度 | Cloud Native | AI Native |
基本单元 | 容器 / Pod | Agent / Worker |
编排对象 | 应用、副本、网络 | 智能体、协作关系、对话拓扑 |
声明式资源 | Deployment / Service / Ingress | Worker / Team / Human / Manager |
控制循环 | kube-controller reconcile | hiclaw-controller reconcile |
网关 | Ingress / Gateway API | AI 网关(LLM / MCP 凭证收敛) |
协作底座 | Service Mesh | Matrix Rooms(多方在场、可审计) |
为什么要做 AI Native?因为只有把 Agent 当作"一等公民"来声明、编排、治理,才能解决三个老大难:
可复制——一个能跑的 Agent 团队,下一个业务团队拿过去就能用,而不是每次都从零搭。
可治理——谁能
@谁、谁能调哪个 LLM、谁能用哪个 MCP,都是策略,不是约定。可演进——今天用 OpenClaw,明天换 CoPaw(商业化语境中也称 QwenPaw,下文统一称 CoPaw),后天接 OpenKruise Agent Sandbox,业务编排不用动。
这就是 AI Native 的价值,也是 AgentTeams 要做的事。
三、AgentTeams 是什么
先把名字理一下,避免误会:
HiClaw:开源项目地址(
github.com/agentscope-ai/HiClaw),未来也会更名为 AgentTeams,社区里能看到的所有 CRD、controller、Helm Chart 都来自这里。AgentTeams:HiClaw 在阿里云上的商业化云产品,提供托管版的多智能体协同平台。
为了简化表述,下文统一称为 AgentTeams。
AgentTeams 的官方定位非常清晰:协作编排治理平面(Collaboration Orchestration Plane)。它不替代 Agent 运行时(OpenClaw / CoPaw 这一层),也不替代推理服务(LLM 提供商)和工具服务(MCP Server),它专注做一件事——让多个 Agent 像一个真正的组织一样运转起来。
类比一下:
层 | Cloud Native | AI Native (AgentTeams) |
工作负载运行时 | containerd / CRI-O | OpenClaw / CoPaw |
编排控制面 | kube-controller-manager | hiclaw-controller |
服务网关 | Ingress / Envoy | Higress AI Gateway |
共享存储 | PV / PVC | MinIO / OSS(S3 兼容) |
通信底座 | Service Mesh | Matrix(Tuwunel homeserver) |
用户终端 | kubectl / Dashboard | Element Web / 钉钉客户端 |
如果你已经熟悉 Kubernetes,AgentTeams 可以很快熟悉。
四、架构:平台 Manager+业务 TeamAdmin
→TeamLeader→Workers
AgentTeams 最重要的一个设计决策,是把"组织结构"做成了声明式 CRD,且把平台管控和业务协作显式分层。所有 API 资源都在 apiVersion: hiclaw.io/v1beta1 下,核心四种 Kind:
Kind | 类比 | 一句话定位 |
Manager | 平台管控者 | 平台级管理 Agent,能创建 Team / Human / 平台资源。商业化版本中平台管控动作由控制台 UI 承接,默认禁用。 |
Team | 部门 | 一个 TeamAdmin(Human Owner)+ 一个 TeamLeader(Worker)+ 若干 Worker,是真正"做事"的单元 |
Worker | 员工 | 最小执行单元:容器 + Matrix 账号 + MinIO/OSS 空间 + Gateway Consumer |
Human | 真实用户 | 真人 + 权限层级(L1/L2/L3),决定能进哪些房间、能 @ 哪些 Agent;其中某个 Human 可被指定为某 Team 的 TeamAdmin,代表业务方"老板"角色 |
真实的协作链:谁跟谁说话
很多人第一眼看到 Manager 会以为它是"老板",其实不是。Manager 是平台管控角色——负责创建 Team / 创建 Human / 维护平台级配置。在商业化版本里,平台管控动作由产品控制台 UI 承接,业务协作链路收敛为 TeamAdmin → TeamLeader → Workers,Manager 不直接与 Worker 对话;而 HiClaw 开源侧仍保留 Manager 作为协调 Agent 的通用能力,开源用户可根据场景自行决定 Manager 的参与方式。
真正"老板派活给经理、经理带员工干活"的链路在 Team 内部,由 TeamAdmin(业务方真人)→ TeamLeader(Worker)→ Workers 串起来:
Manager(平台管控) │ 仅做平台级动作:建 Team、建 Human、配权限 │ ✗ 不直接和任何 Worker 对话 ▼ ──── 平台 ──────────────────────────────────── ──── 业务 ──────────────────────────────────── TeamAdmin(业务方 Human Owner,真人) │ 提需求、给反馈、确认成果 ▼ TeamLeader(一个特殊的 Worker,本质是 Agent) │ 拆任务、@ 派活、汇总结果 ▼ ┌──────────┬──────────┬──────────┐ ▼ ▼ ▼ ▼ worker worker worker worker(具体执行任务的 Agent)
几个关键边界,直接决定了它"像一个团队"而不是"一堆 Agent":
Manager 不进 Team Room、不
@Worker(商业化版本)—— 平台管控动作由控制台承接,业务协作链路收敛为 TeamAdmin → TeamLeader → Workers。类比 Kubernetes 里的 clu…