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:

  1. 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。

  2. 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。

  3. 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…

— 以上为试看内容(约 40%),开通会员后阅读全文 —