核心议题：如何实现 Agent 在企业级场景中的治理低成本、低风险运行。进化

作者｜Cynthia
编辑｜郑玄

尽管 AI 降本增效的何成叙事火热，但在 B 端市场的为企实际落地进展，似乎比预期更为迟缓。业级

一周前，两条深耕 AI 多年的生死福特汽车承认，因人工智能系统在车辆质量检测环节频繁失效，治理过去三年间不得不重新雇佣、进化晋升或召回超过 350 名资深工程师。何成

几乎同一时刻，为企曾预测“70% 的业级企业将在 2026 年底于生产环境运行 AI Agents”的 Gartner，在其最新 AI 报告中修正观点：到 2027 年，两条因 AI 裁员而裁撤客服团队的生死公司中，有一半将面临重新招聘的治理困境。

这种市场决策的反复，折射出大模型与企业级应用之间难以调和的根本悖论：大模型的智慧涌现与幻觉是一体两面，而企业级应用追求的是绝对的确定性。

福特式的失控，根源在于汽车行业的安全标准与生命安全直接挂钩。Agent 行为不可观测、权限不可控、责任不可追溯的治理缺位，直接威胁品牌历经百年建立的安全信誉。

Gartner 式的反复，则源于技术的快速迭代与需求的动态调整。将 Agent 部署至生产环境仅是起点，能否在真实业务中实现持续观测、评估与优化，才是企业能否真正捕获 AI 红利并维持战略定力的关键。

因此，如何在基础设施（Infra）层面同时解决「治理」与「进化」这两组矛盾，已成为当下行业最紧迫的命题。

01 Agent 编排轻量化，倒逼 Infra 厚重化

纵观当前主流 Agent 模式，大致可分为三类：

1. 成品黑盒方案（如 Manus）：代表早期流行模式。平台统一管控记忆、提示词、知识库、工作流及 MCP 等完整能力层，用户仅通过浏览器交互。这种厚重的架构旨在通过多层配套体系，弥补早期模型泛化能力不足、上下文腐烂及技术债累积等问题。
2. 文本协议配置方案（如 OpenClaw）：后来者居上。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，交由用户自主配置。通过兼容浏览器与各类办公 IM，将多模块工程复杂度转化为文本配置复杂度，以轻量化约束机制激发模型潜能。
3. 托管精简方案（如 Claude 托管 Agent）：进一步精简能力层至环境、会话、事件三大模块。记忆、知识库与工作流能力下沉至模型内部，由厂商定制搭建，同样支持多端交互。

随着技术进步，中间层的 Agent 编排日益轻量化。然而，后端基础设施面临巨大挑战：过去规律可预测的流量、人类主导的登录交互、对长期稳定资源的需求已成过去式。云服务必须从售卖资源与流量，进化为专为 Agent 时代打造的 Agent Native Cloud。

什么是 Agent Native Cloud？

以阿里云为例，这是相对于早期“AI Native Cloud”（服务于大模型训练与推理）的进阶概念。Agent Native Cloud 针对 Agent 的六大特性——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，分别通过运行时、编排与治理、安全、记忆、数据平面五大能力进行应对。

Agent 编排与治理的范式转移

阿里云智能集团云原生应用平台负责人周琦指出：

• 微服务时代：企业按业务部门拆分微服务，通过标准化、确定性的 API 接口实现流量、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。
• Agent 时代：微服务智能化升级，交互逻辑转为 Agent 间协同。传统静态 API 升级为具备自主理解、自主编排、动态执行能力的智能入口。治理对象从微服务接口升级为动态运行的 AI Agent。

基于此背景，阿里云在 7 月 3 日发布时刻推出了 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）。

02 企业落地 Agent，为何协作治理先行？

理解 AgentTeams，需厘清 Agent 从 C 端走向 B 端的本质变化。

周琦观察到：C 端 Agent 侧重个人创造与娱乐，缺乏统一衡量指标；而 B 端追求 ROI，关注稳定性、成本、性能及可靠性。

以客服 Agent 为例，搭建 Demo 仅需挂载简单工具，耗时数小时。但在生产环境中，需接入 CIM 系统读取上下文，打通 OA 系统闭环，并实现人与 Agent 的高效协同。更重要的是，Agent 需在事件处理后主动学习人类经验，并对自身行为的可观测性、Token 消耗合理性进行高阶审视。

此时，企业需求已从“系统能否运行”转向“如何设计权限管控与安全兜底”，以建立对 Agent 的信任。

若从企业全局视角看，问题更为复杂。以分布式创业团队为例，合伙人、远程员工及外包开发者各自维护本地 Agent 的 Prompt、工具链与上下文，导致：
* 孤岛效应：云端与本地 Agent 割裂，各自为政。
* 协同难题：Agent 间通信、分工协调及问题溯源困难。
* 资产复用率低：本地维护的资产难以在组织内共享。
* 安全风险：Agent 直连凭证带来敏感数据泄露风险，Token 消耗与成本控制缺乏监控。

基于对微服务治理经验的迁移，AgentTeams应运而生。

AgentTeams 定位：面向企业的多智能体治理与协作平台，支持在统一控制台创建和管理 AI Worker。

通俗比喻：若单个 Agent 是“AI 员工”，AgentTeams 则是“公司规章制度与运行规范”。它解决的核心问题是：权限分配、任务派发、凭证管理及责任兜底，确保 1+1+1 > 3 的协作效果。

核心能力：
1. 安全托管：无缝对接企业 IdP 体系，安全托管凭证，避免明文存储密钥；工具与 MCP 调用经平台统一拦截校验，依据策略动态放行；提供沙箱环境实现资源、网络、存储三层隔离。
2. 资产纳管：集中管理模型、MCP 服务、Skill 及 Agent 模板，提供统一鉴权与安全审核，实现 AI 资产 BYOC（Bring Your Own Cloud）自主可控。
3. 精细权限：区分 Admin 与普通用户，支持配置 TeamLeader 及 Worker 权限，实现人机协同的精细化管控。
4. IM 集成：集成钉钉、飞书、企业微信，员工可在聊天窗口发起任务、监督审批，Agent 结果回传 IM。
5. Leader 协作模式：项目负责人通过 Leader Agent 拆解复杂任务，分派给合适 Agent 执行，结果汇总后由 Leader 整合把控，最终在 IM 中交付成果，实现“人在回路”的高效协作。

AgentTeams 客户端

知识沉淀：提供独立 AI Registry 注册中心，统一管理 Skills、MCP Servers、Agents 及 Team Templates，支持跨聊天、跨个体、跨部门复用，并具备版本管理、安全审查及热加载功能。

AgentTeams 解决了组织边界与管理流程问题，但组织如何在约束中持续进化？

03 AgentLoop：驱动 Agent 持续进化

当个体聚集成组织，需建立人力资源体系以优化资源配置。AgentLoop在阿里云 Agent Native Cloud 战略中承担此角色，提供全栈观测审计、评估实验、资产管理与持续优化能力，旨在提升企业 Agent 的质量、效率、成本与安全性。

技术挑战：
微服务时代，应用输出具有确定性（同输入同输出），问题易复现。而 Agent 输出具有天然随机性，且多步骤执行中异常根源可能隐藏于数十甚至上百步的工具调用中，传统 APM 工具难以定位。

内部验证（Dogfooding）：
遵循阿里云核心产品先内部验证的传统，AgentLoop 首先应用于阿里云内部产品研发流程。借助 AgentLoop，团队对需求→Spec→代码→Review→测试→发布的端到端链路进行持续优化，提升自动化水平，人类仅在关键决策点（需求澄清、PR 合并、生产发布）介入。

AgentLoop 核心链路：

1. 观测分析：将原子化指标转化为 Agent 完整推理轨迹（Trajectory），端到端还原每一步输入输出、工具调用与执行路径，实现 Token 成本归因与全链路智能诊断。
2. 评估机制：采用 Agent-as-a-Judge机制，提供 20+ 经过工程实战验证的开箱即用评估器，基于完整推理轨迹进行深度判断。

AgentLoop 评估能力控制台

1. 持续优化：将线上真实数据自动回流为评估数据集，配合 Prompts 和 Skills 等资产，形成进化闭环。阿里云在客服、Coding、Data 等场景积累的 FDE 智能体资产，可直接反哺至 AgentLoop 经验库。

周琦总结：微服务时代的治理逻辑是为不确定性建立确定性兜底。Agent 时代，观测对象从确定性 API 变为非确定性推理轨迹，难度升级但方法论一脉相承。AgentLoop 将运行时日志转化为自我优化飞轮，使企业获得与阿里云同等的自动化运维体验。

04 尾声：规范解锁技术潜力

为何 Agent 尚未爆发，却需先定约束与进化规范？历史已给出答案。

1880 年代，电力从实验室走向生产，直流电（爱迪生）与交流电（特斯拉）展开对决。特斯拉在芝加哥世博会上点亮十万盏灯泡，证明交流电优势；爱迪生则通过公开电死动物等极端手段抹黑交流电安全性。

此后十余年，尽管交流电技术成熟，但社会基础设施滞后。电线绝缘简陋，电压不稳，频发火灾与灯泡烧毁，导致保险拒保、居民恐惧，电力未能普及。

直到 1897 年美国国家消防协会制定第一版《国家电气规范》，严格规定绝缘材质、电流负载与接地标准。该规范未发明新技术，却解锁了电力的全部潜力。有了规范，保险敢承保，银行敢贷款，建筑商敢布线，交流电才真正走进千家万户。

技术能力决定“能否做到”，治理与进化体系决定“能否低成本、低风险地复制一万次”。

如今的 AI Agent，正站在这一历史拐点。

头图来源：阿里云

本文为极客公园原创文章，转载请联系极客君微信 geekparkGO

极客一问
你如何看待 AI Agent?