如何让 Agent 低成本、低风险地在企业级场景运行。作者|Cynthia
编辑|郑玄
AI 降本增效的故事,在 B 端的进展,似乎比预想的要更慢一些。
就在一周前,深度拥抱 AI 多年的福特汽车承认,过去三年,由于人工智能系统不够完善、频频在车辆质量检测上掉链子,福特已经雇佣、晋升或重新召回了超过 350 名 经验丰富的工程师。
几乎同一时间,给出 70% 的企业将在 2026 年底在生产环境运行 AI Agents 预测的 Gartner,也在最新的 AI 报告中写下:到 2027 年,因为人工智能裁掉客服的公司,有一半需要重新招人。
市场决策的反复横跳背后是大模型与企业级应用之间难以磨灭的根本悖论:大模型的智慧涌现能力与幻觉是一体两面;但企业级应用需要绝对的确定性。
其中,福特式失控的根本在于汽车行业安全标准与司乘性命直接挂钩,而 Agent 行为不可观测、权限不可控、责任不可追溯的治理缺位,会直接影响品牌用百年时间塑造起的安全形象。
Gartner 式反复的根本,则是在于技术不断变化,需求也在持续调整,把 Agent 放进生产环境只是开始,它能不能在真实业务中持续被观测、被评估、被优化,才决定了企业能否真正吃到 AI 红利,并将 Agent 战略持续下去。
相应的,如何在 infra 层面同时解决「治理」与「进化」这两组矛盾,就成了当下行业最重要的命题。
01
*Agent 编排越来越简单,*
*需要 infra 越来越厚*
让我们先把目光投向更宏观的行业全貌,当下市面上的各种主流 Agent,不外乎三种模式:
最早爆火的 Manus 代表了行业早期流行的成品黑盒方案。这一时期的产品,平台会统一管控记忆、提示词、知识库、工作流、MCP 等完整能力层,用户仅可通过浏览器交互界面进行操作。这种厚重完整的能力栈架构,本质上是用多层配套体系来弥补早期模型泛化能力不足、上下文腐烂、技术债累积等问题。
今年后来者居上的 OpenClaw 选择了一条不同的路——它将能力层拆解为 agent.md、soul.md、User.md 等文本协议,搭配心跳、技能、会话管理模块,交由可以用户自主配置调试。并通过交互兼容浏览器与各类办公 IM 工具,把多模块工程复杂度简化为文本配置复杂度,以轻量化约束机制来发挥模型自身能力。
而最近爆火的 Claude 托管 Agent,则将能力层进一步精简为环境、会话、事件三大模块。它不再单独设置记忆、知识库与工作流,相关能力下沉至模型内部,由厂商根据需求定制搭建——同样支持多端交互。
随着时间的推移与技术的进步,位于中间层的 Agent 编排正变得越来越轻量化。
相应的,在后端的基础设施层,从前规律可预测的流量,人类为主导的登录交互模式,对长期稳定资源的需求,彻底成为过去式。云服务也需要从过去的卖资源、卖流量,进化成为一朵专门 Agent 时代打造的Agent Native Cloud。
那么,如何理解 Agent Native Cloud 的概念?
以阿里云为例,这是一个与早期提出的「AI Native Cloud」相对的概念。AI Native Cloud 服务的是大模型厂商的训练与推理;Agent Native Cloud 则向前再走一步,针对 Agent 的短生命周期、无规律突发负载、动态环境依赖、任务级安全管控、大规模动态编排、复杂数据模态六大特性,分别用运行时、编排与治理、安全、记忆、数据平面六大能力来进行应对。
具体到Agent 编排与治理上,阿里云智能集团云原生应用平台负责人周琦分享:
过去,企业会按销售、运营等业务部门拆分为销售、订单、运营的独立微服务,客户需求流转依靠各微服务互相调用协作完成闭环。这一时期,治理上,需要完成标准化、确定性的 API 接口做流量、稳定性、权限与运行态治理,解决结构化、固定规则下的服务管控问题。
但步入 Agent 时代后,原有微服务体系完成智能化升级,服务间的交互逻辑转化为 Agent 与 Agent 之间协同通信。传统静态 API 接口也被 AI 智能体赋能,从确定性调用升级为具备自主理解、自主编排、动态执行的智能能力入口,治理对象也从微服务接口升级为动态运行的 AI Agent。
这也是不久前 7 月 3 日阿里云飞天发布时刻,发布 AgentTeams(企业级多智能体协作与治理平台)与 AgentLoop(企业级智能体一站式自进化平台)的核心背景。 02
*企业落地 agent,*
*为什么需要协作治理先行?*
要理解 AgentTeams,就需要先思考清楚一件事,Agent 从 C 端走向 B 端,到底什么变了?
周琦分享了一个有意思的观察:To C 场景的 Agent 使用,更多偏向于个人创造与娱乐(没有统一的衡量指标);但是在 B 端,企业需要追求 ROI,稳定性、成本、性能、可靠性等一系列指标。
他举了个简单例子,一个客服 Agent 的 demo,使用 AI coding 挂载一些简单工具,可能几个小时就能搭建完成。
但是要将它在生产环境中,我们需要把它接入 CIM 系统来读取更多的上下文,那些为人设计的 OA 系统,要如何将 Agent 纳入闭环?人又要如何与 Agent 协同?
更进一步,我们还需要在一次事件处理结束后,让 Agent 能够主动学习交互中人提供的经验,并以更高维度去观察整个客服交互过程中,agent 的行为是否可以被观察、token 的消耗是否合理……
在这一背景下,企业的需求,早就从能这个系统能不能跑,变成了如何设计权限管控、安全兜底机制,让我们能够更加信任的把任务交给 Agent。
这还仅是单 Agent 落地企业场景面临的顾虑,从完整的企业视角出发来看,面临的问题还要更加复杂。
以小型创业公司为例,…