本文摘自《云棲戰(zhàn)略參考》，這本刊物由阿里云與鈦媒體聯(lián)合策劃。目的是為了把各個行業(yè)先行者的技術(shù)探索、業(yè)務(wù)實踐呈現(xiàn)出來，與思考同樣問題的“數(shù)智先行者”共同探討、碰撞，希望這些內(nèi)容能讓你有所啟發(fā)。
當(dāng)前，2025 年進(jìn)入尾聲，AI Agent（智能體）的熱度依然不減。
據(jù)Gartner預(yù)測，AI Agent領(lǐng)域預(yù)計將在2024- 2030 年間迎來顯著增長，市場規(guī)模將從 51 億美元攀升至 471 億美元。
AI Agent 的走紅，不僅是源于技術(shù)層面的成熟，還因為它給了產(chǎn)業(yè)一個新的想象空間：大模型不僅能回答問題，還能調(diào)用工具、執(zhí)行任務(wù)，擁有更長的記憶，與其他智能體協(xié)作，甚至還能預(yù)知風(fēng)險。這不僅是從“會說” 邁向“會做”，而是真正進(jìn)入物理世界，成為我們工作和生活中的一部分。
在云棲大會上，阿里巴巴集團(tuán) CEO 吳泳銘認(rèn)為：“未來幾乎所有與計算世界打交道的軟件可能都是由大模型產(chǎn)生的 AI Agent。”
今年以來，越來越多企業(yè)的智能化業(yè)務(wù)正從“調(diào)用模型” 邁向“構(gòu)建可執(zhí)行任務(wù)的 AI Agent”。甲子光年智庫在《2025 AI Agent 行業(yè)價值及應(yīng)用分析》報告指出，AI Agent 已經(jīng)分化出“前端交互的大腦顧問”“專家級的數(shù)字員工”“貼心反饋的靈感伙伴”和“讓想象力落地的創(chuàng)造者”四種核心角色，它們在不同場景中各司其職，共同構(gòu)成了企業(yè)智能化的新圖景。
企業(yè)不僅需要智能化工具，更需要一整套企業(yè)智能化升級的基礎(chǔ)設(shè)施。前兩年是圍繞大模型，而現(xiàn)在是圍繞 AI Agent。
想要深入到這場技術(shù)變革中，就必須直面一些問題再：什么是 AI Agent？AI Agent 是否走進(jìn)了真實業(yè)務(wù)中？AI Agent 落地要跨越哪些鴻溝，又應(yīng)面向哪些場景？如何為企業(yè)應(yīng)用 AI Agent 提供支持？
這屆云棲大會給出了一些答案。
新興技術(shù)的出現(xiàn)，總會伴隨著術(shù)語洪流和流派之爭，帶來認(rèn)知摩擦。
到底什么是 AI Agent ?
其實，我們可以把 AI Agent 理解為一個以大語言模型為核心的、將具體目標(biāo)轉(zhuǎn)化為具體行動的系統(tǒng)，這個系統(tǒng)具有如下特征：
Agent 理解自然語言、規(guī)劃復(fù)雜任務(wù)的特征已經(jīng)在諸多企業(yè)中落地。
例如，好未來將 AI Agent 定位為教學(xué)流程的“大腦”，構(gòu)建了一個數(shù)據(jù)驅(qū)動的教學(xué)閉環(huán)。在這個閉環(huán)中，AI Agent 首先收集和分析學(xué)生完成作業(yè)后產(chǎn)生的大量學(xué)情數(shù)據(jù)。隨后，它進(jìn)行雙向賦能：一方面，將分析結(jié)果反饋給教師，輔助其進(jìn)行更具針對性的教學(xué)設(shè)計；另一方面，直接向?qū)W生推薦個性化的學(xué)習(xí)任務(wù)，實現(xiàn)精準(zhǔn)輔導(dǎo)。
尤為值得一提的是其“AI 試卷分析”功能。它不僅僅是判斷對錯，而是通過分析學(xué)生的錯誤選項，來推斷其背后可能陷入的“思維陷阱”或“知識誤區(qū)”，這已經(jīng)高度模擬了資深教師的診斷式教學(xué)思維。通過將“備課”、“學(xué)情分析”等復(fù)雜任務(wù)拆解成上百個細(xì)分的 Agent，好未來展示了如何通過精細(xì)的任務(wù)規(guī)劃，讓 AI Agent 真正融入教學(xué)的每一個環(huán)節(jié)。
同時，由于 Agent 的運行方式通常是“通過工程代碼，循環(huán)執(zhí)行同一個 LLM 節(jié)點，但每一次執(zhí)行時，提示詞都多出上一輪的結(jié)果”，因此強(qiáng)大的記憶能力也是 AI Agent 不可或缺的特征。
在兒童教育企業(yè)叫叫的實踐中，其推出的“AI 學(xué)伴”智能體，就生動展示了記憶能力如何與規(guī)劃、行動能力深度耦合，成為孩子學(xué)習(xí)軌跡的智能伙伴。
叫叫 CTO 彭首長在云棲大會上介紹，其 Agent 具備了短期和長期記憶能力，并驅(qū)動 Agent 的決策與行動。他舉了一個例子：當(dāng)一個孩子前一天因為感冒請假，傳統(tǒng)的系統(tǒng)第二天可能會機(jī)械地提醒“該學(xué)習(xí)了”，這顯得非常冰冷。而具備記憶能力的 Agent 則會規(guī)劃出完全不同的行動——它會首先主動發(fā)起關(guān)懷：“寶寶感冒怎么樣了，是不是好一點呢？”再基于與用戶的對話，進(jìn)一步?jīng)Q策后續(xù)的學(xué)習(xí)提醒應(yīng)當(dāng)在何時進(jìn)行推送。
更進(jìn)一步，這種“記憶 - 規(guī)劃 - 行動”的閉環(huán)體現(xiàn)在整個學(xué)習(xí)流程中。叫叫的“AI 學(xué)伴”會在孩子完成當(dāng)天的學(xué)習(xí)后，主動發(fā)起一個視頻通話，回顧學(xué)習(xí)過程中的亮點和遇到的問題，并進(jìn)行交流。彭首長分享道：“30% 的用戶會跟它聊滿 6 分鐘，這也是我們現(xiàn)階段設(shè)置的通話時長上限。”這種長時間的深度對話之所以能夠持續(xù)，正是因為 Agent 的每一次互動都基于對孩子過去行為的記憶和理解，并為此規(guī)劃出最合適的交流策略，真正做到了“比閨蜜更了解你”。
過去，AI 更多被視為工具，但現(xiàn)在，AI Agent 已經(jīng)在一些場景應(yīng)用中進(jìn)入業(yè)務(wù)決策的核心層，成為驅(qū)動業(yè)務(wù)流程再造的引擎。它不再被動地響應(yīng)指令，而是主動地進(jìn)行感知、理解、規(guī)劃并作出決策，實現(xiàn)了從“被動響應(yīng)”到“主動決策”的升級。
這種自主決策、規(guī)劃和執(zhí)行任務(wù)的能力已經(jīng)體現(xiàn)在工業(yè)領(lǐng)域。
中石油蘭州石化榆林化工有限公司在乙烷制乙烯生產(chǎn)智能化轉(zhuǎn)型過程中，就基于中控技術(shù)的時間序列大模型 TPT 2 打造了能主動識別異常、智能評估風(fēng)險并自主決策執(zhí)行的智能體。TPT2已經(jīng)具備“感知-識別-決策- 執(zhí)行” 的全鏈路閉環(huán)能力。它不再局限于單一裝置或單一場景，而是可以在更復(fù)雜的工業(yè)環(huán)境中發(fā)揮作用。目前，AI Agent 不僅保障了生產(chǎn)安全，還讓單爐乙烯收率提升 0.373%，這意味著單爐每年新增凈效益 315.5 萬元，每年整體效益提升超過 1500 萬元。
在工業(yè)之外，零售也是 Agent 自主決策與執(zhí)行的重要場景。以生鮮電商領(lǐng)域的頭部玩家叮咚買菜為例，他們面臨著一個經(jīng)典難題：如何在減少損耗和避免缺貨之間找到平衡？這不是簡單的算法優(yōu)化問題，而是要熟悉經(jīng)營策略，需要 AI Agent 具備真正的自主規(guī)劃能力。
為此，叮咚買菜構(gòu)建了一個完整的閉環(huán)管理體系——從實時監(jiān)控指標(biāo)，到缺貨和損耗的精確歸因，再到人機(jī)協(xié)同的策略調(diào)優(yōu)。
面對從農(nóng)場到餐桌的超長鏈路，叮咚買菜首先構(gòu)建了全鏈路數(shù)字化體系，為 AI Agent 的應(yīng)用打下堅實基礎(chǔ)。在此之上，AI Agent 最初的應(yīng)用聚焦于供應(yīng)鏈的極致效率——通過“供需協(xié)同”的 AI Agent 架構(gòu)，自動化處理從供應(yīng)商管理、銷量預(yù)測、庫存優(yōu)化到即時履約的全流程。
在庫存管理上，叮咚買菜的 AI Agent 構(gòu)建了一套“監(jiān)控 - 歸因 - 策略調(diào)優(yōu) - 仿真”的閉環(huán)自優(yōu)化體系，完美體現(xiàn) 了 “Planning Skills（任務(wù)規(guī)劃）” 的特征。它能夠根據(jù)實時數(shù)據(jù)動態(tài)調(diào)整策略。比如，當(dāng)系統(tǒng)預(yù)測某個前置倉的某種蔬菜可能出現(xiàn)缺貨時，它會自主規(guī)劃一系列行動：首先評估將庫存從 100 調(diào)整到 150 的風(fēng)險收益比，預(yù)測缺貨率可能從 15% 降到 3%，但損耗風(fēng)險會相應(yīng)增加；然后通過仿真系統(tǒng)（Sandbox）驗證策略效果；最后將優(yōu)化建議推送給相關(guān)人員決策，真正做到在損耗與缺貨之間找到了最佳平衡點。
最后，得益于 MoE 架構(gòu)和專家模型的快速進(jìn)步，Agent 之間互相協(xié)作和調(diào)用外部工具的能力也得到加強(qiáng)。
微醫(yī)基于阿里云通義千問等 SOTA 大模型作為其臨床醫(yī)療大模型底座，通過結(jié)合海量高質(zhì)量醫(yī)學(xué)知識和高質(zhì)量數(shù)據(jù)集，并使用深度訓(xùn)練微調(diào)、強(qiáng)化學(xué)習(xí)等技術(shù)手段打造了行業(yè)領(lǐng)先的臨床醫(yī)療大模型。這為智能體提供了強(qiáng)大的醫(yī)療領(lǐng)域自然語言理解和生成能力，使其能夠與醫(yī)生和患者進(jìn)行流暢的交互。
在醫(yī)療健康場景中，微醫(yī)構(gòu)建了“4+1”AI 智能體體系：四個專業(yè)智能體（AI 醫(yī)生、AI 藥師、AI 健管、AI 智控）和一個用戶專屬智能體（面向 C 端用戶的 AI 健康管家）。 這些智能體之間形成了一個高效的協(xié)作網(wǎng)絡(luò)，各司其職又緊密配合，實現(xiàn)了醫(yī)療服務(wù)的全流程智能化閉環(huán)。
同時，微醫(yī)整合了通義千問等通用大模型作為其臨床醫(yī)療大模型的底座。這為智能體提供了強(qiáng)大的自然語言理解和生成能力，使其能夠與醫(yī)生和患者進(jìn)行流暢的交互。
為了確保決策的專業(yè)性和準(zhǔn)確性，微醫(yī)通過 RAG（檢索增強(qiáng)生成）技術(shù)，深度融合了過去平臺積累的高質(zhì)量數(shù)據(jù)，高效整合國內(nèi)頂尖科研及醫(yī)療機(jī)構(gòu)能力。當(dāng) AI Agent 需要做出臨床決策時，它會首先從這些海量的、經(jīng)過脫敏處理的真實診療數(shù)據(jù)中檢索最相關(guān)的信息，再結(jié)合大模型的能力生成精準(zhǔn)的回答和建議。
這些實踐表明，這樣的 AI Agent 已經(jīng)不再是大模型的功能延伸，而是能夠自主決策、深度協(xié)同、價值重構(gòu)的“業(yè) 務(wù)主角”。
然而，盡管有一部分 AI Agent 已經(jīng)成為了企業(yè)運營中的“業(yè)務(wù)主角”，但是從總體上來說，企業(yè)在規(guī)?；涞?AI Agent 時仍然面臨著技術(shù)選型、場景融合、安全合規(guī)與商業(yè)回報衡量等多重挑戰(zhàn)。
首先，在技術(shù)方面，有企業(yè)就表示，當(dāng)前的 AI Agent 技術(shù)在處理單一文本任務(wù)時已表現(xiàn)出色，但一旦涉及復(fù)雜的行業(yè)場景，技術(shù)瓶頸便顯現(xiàn)出來。
比如，工業(yè)質(zhì)檢 AI Agent 需要融合視覺（識別產(chǎn)品瑕疵）、聽覺（檢測設(shè)備異響）等多模態(tài)能力，并深度理解特定產(chǎn)線的工藝知識圖譜。如何讓 AI Agent 的大腦（大語言模型）與它的“眼睛”、“耳朵”（多模態(tài)感知能力）高效協(xié)同，并將海量的、非結(jié)構(gòu)化的行業(yè) Know-How 內(nèi)化為可執(zhí)行的知識，是當(dāng)前的一大技術(shù)難題。
一旦解決了這一難題，企業(yè)級 AI Agent 就會帶來躍升。
例如，中控技術(shù)已累計為流程工業(yè)提供了 10 萬套控制系統(tǒng)，累計產(chǎn)生的數(shù)據(jù)量約為 100EB，是大語言模型訓(xùn)練數(shù)據(jù)的一萬倍以上。同時，中控技術(shù)建立了強(qiáng)大的工業(yè)數(shù)據(jù)解讀能力，能夠深度挖掘場景，更好地用人工智能技術(shù)為流程工業(yè)提供技術(shù)、產(chǎn)品和服務(wù)。
其次，在場景方面，大型企業(yè)和中小企業(yè)在落地 AI Agent 時存在差異。大型企業(yè)有充足的資源進(jìn)行深度定制開發(fā)，但廣大中小企業(yè)的需求呈現(xiàn)出高度“碎片化” 和“個性化”的特點。
比如，一家小型電商的客服 AI Agent 需求與一家本地維修店的派單 AI Agent 需求截然不同，其業(yè)務(wù)邏輯、數(shù)據(jù)接口、工作流程千差萬別。傳統(tǒng)的標(biāo)準(zhǔn)化 SaaS 模式難以滿足這種多樣性，而完全定制的成本又令中小企業(yè)望而卻步。如何在標(biāo)準(zhǔn)化帶來的規(guī)模效應(yīng)與個性化滿足的業(yè)務(wù)契合度之間找到平衡，提供既能快速部署又能靈活適配的 AI Agent 解決方案，是阻礙其在中小企業(yè)中普及的關(guān)鍵矛盾。
以金融行業(yè)為例，盡管 AI Agent 在智能客服和智能投顧等場景中已實現(xiàn)成熟應(yīng)用，但在文案和代碼內(nèi)容生成、智能文檔處理等業(yè)務(wù)場景中的應(yīng)用仍然很有限，那些來自各行各業(yè)、各個公司的貸款合同、上市招股書等，更得讓法務(wù)團(tuán)隊通宵逐字核對。
此外，在金融、醫(yī)療等受到嚴(yán)格監(jiān)管的行業(yè)，數(shù)據(jù)隱私與合規(guī)是不可逾越的紅線。如何確保 AI Agent 在高效決策的同時，保障數(shù)據(jù)安全、實現(xiàn)決策過程的透明可追溯，是落地過程中必須解決的合規(guī)性難題。
如何確保 AI Agent 在高效決策的同時，保障數(shù)據(jù)安全、實現(xiàn)決策過程的透明可追溯，是落地過程中必須解決的合規(guī)性難題。
國泰產(chǎn)險首席技術(shù)官朱建平特別強(qiáng)調(diào)了金融行業(yè)的挑戰(zhàn)：“在金融領(lǐng)域，一旦全流程自動化出錯，就意味著大批量的資金打錯。”為此，他們不得不投入大量精力構(gòu)建風(fēng)控體系，確保 AI 的每一個決策都可追溯、可審計。
為了讓 Agent 更加安全、有效地運行，微醫(yī)率先提出了“AI 健共體”的概念，以人工智能總醫(yī)院為核心，連接區(qū)域內(nèi)二、三級醫(yī)院，與基層醫(yī)療機(jī)構(gòu)形成了責(zé)任共同體、管理共同體、服務(wù)共同體和利益共同體。在 AI 健共體建設(shè)運營過程中，微醫(yī)通過本地化數(shù)據(jù)存儲及大模型部署、加快實施和構(gòu)建安全可信空間等方式保障業(yè)務(wù)流程中的數(shù)據(jù)安全。
最后，商業(yè)回報仍是熱議話題：企業(yè)決策者最關(guān)心 ROI，但 AI Agent 的價值往往難以直接量化。例如：在制造業(yè)，部署 AI 驅(qū)動的產(chǎn)線需大量前期投入，周期長、見效慢，短期難見回報。
因此，如何建立科學(xué)可信的評估體系，向決策層清晰展現(xiàn) AI Agent 的長期戰(zhàn)略價值，而非僅限于成本節(jié)約，成為項目推進(jìn)的關(guān)鍵難題。
西門子正直面這一挑戰(zhàn)。西門子工廠自動化戰(zhàn)略產(chǎn)品管理部總監(jiān) Nicholas Hansen 在云棲大會上強(qiáng)調(diào)，制造業(yè)邁向自適應(yīng)與自主化的根本驅(qū)動力，始終是“在生產(chǎn)過程中實現(xiàn)盈利”。他指出，AI Agent 不能停留于技術(shù)概念，必須轉(zhuǎn)化為客戶可感知的商業(yè)成果。
為此，西門子將 AI 應(yīng)用與核心生產(chǎn)指標(biāo)直接掛鉤。Nicholas 分享多個案例：通過 AI 實現(xiàn)閉環(huán)控制，某產(chǎn)線效率從 89% 起步持續(xù)提升，帶來“數(shù)千甚至數(shù)萬美元” 額外收益；在高良品率的壓鑄場景中，AI 整合全參數(shù)優(yōu)化控制，進(jìn)一步提升質(zhì)量穩(wěn)定性與成品率。目前，西門子已在超 100 個項目中驗證該模式，成功關(guān)鍵在于綁定產(chǎn)量、良品率、損耗等直接影響財務(wù)的硬指標(biāo)。
然而，“四條鴻溝”——技術(shù)、場景、合規(guī)與商業(yè)回報——仍橫亙在多數(shù)企業(yè)面前。僅靠“調(diào)用模型”的淺層應(yīng)用， 已無法系統(tǒng)性解決智能化轉(zhuǎn)型的深層問題。
當(dāng)企業(yè)不再滿足于將 AI 視為一個“聰明的聊天框”時，一場從“調(diào)用模型”到“構(gòu)建 Agent”的根本性范式轉(zhuǎn)變，便成為了跨越鴻溝的必然選擇。
面對前述的四條鴻溝，企業(yè)發(fā)現(xiàn)簡單的模型調(diào)用已無法提供系統(tǒng)性答案。真正的破局之道，在于一場深刻的范式轉(zhuǎn)移：從“調(diào)用模型”邁向“構(gòu)建可執(zhí)行任務(wù)的 AI Agent”階段。
這個從“調(diào)用”到“構(gòu)建”的轉(zhuǎn)變，本質(zhì)上是從使用一個“超級能力接口”升級為打造一個“自主數(shù)字員工”，其工程復(fù)雜度和系統(tǒng)性要求呈指數(shù)級增長。
在這個過程中，企業(yè)構(gòu)建 Agent 不能唯“大模型”論。而是應(yīng)該帶著行業(yè)理解，在具體的場景中尋找答案。
阿里云按照產(chǎn)品力、生產(chǎn)力、創(chuàng)新力、勞動力給 AI Agent 的落地場景劃分了四個象限。
在云棲大會上，阿里云智能集團(tuán)公共云事業(yè)部解決方案架構(gòu)部副總經(jīng)理婁恒表示，企業(yè)應(yīng)該優(yōu)先選擇那些有著新業(yè)務(wù)模式的（如新藥、新材料研發(fā)）、簡化重復(fù)性工作的（如客服、質(zhì)檢、危險工作）、提升客戶體驗的（如 AI 硬件、智能眼鏡等）、提升企業(yè)生產(chǎn)經(jīng)營效率（如知識管理、辦公協(xié)作）的場景優(yōu)先落地 AI Agent。
除了四象限，阿里云還提出了 AI Agent 落地場景選擇的“三維價值矩陣”。
首先，在業(yè)務(wù)價值維度上，應(yīng)遵循“三多原則”——用人多、用時多、省錢多。以客服工單生成為例，引入 AI Agent 能夠自動完成工單的填寫與生成，顯著提升客服人員的工作效率。類似的價值已在研發(fā)、營銷、風(fēng)控等多個關(guān)鍵業(yè)務(wù)環(huán)節(jié)得到驗證，AI Agent 正逐步成為企業(yè)智能化轉(zhuǎn)型的核心驅(qū)動力。
中國工商銀行總行金融科技部副總經(jīng)理金海旻在云棲大會上透露，工商銀行打造了“工銀智涌”大模型技術(shù)體系，并利用大模型在 20 多個業(yè)務(wù)領(lǐng)域、400 多個場景實現(xiàn)端到端賦能，打造了上千個專業(yè)領(lǐng)域的智能體，累計調(diào)用量達(dá) 15 億次，日均消耗 80 億 token。
其次，在技術(shù)難度維度上，要選擇適合大模型擅長的工作范圍。婁恒強(qiáng)調(diào)，大模型的優(yōu)勢在于高泛化性場景，“一個儀表廠要讀表，原來一個表要做一個模型訓(xùn)練，當(dāng)表盤設(shè)計變了或引入新規(guī)格時，要重新訓(xùn)練。但大模型很好地解決了泛化性，1 個表和 100 個表都是一樣的讀法。”婁恒說。同時，對于低時延要求的場景，仍應(yīng)保留小模型或規(guī)則引擎。
以西門子為例，Xcelerator 工易魔方智能機(jī)器人攜手通義大模型，可以高效完成 AI 對話，實現(xiàn)智能機(jī)器人控制，節(jié)約現(xiàn)場不同場景機(jī)器人程序調(diào)試時間，大幅節(jié)約了工廠運營成本并提高穩(wěn)定性。
第三，在數(shù)據(jù)可得維度上，要優(yōu)先選擇有豐富數(shù)據(jù)支撐的場景。“模型在 ICPC 信息學(xué)競賽 12 道題都能答滿，IMO 能夠拿金牌，但企業(yè)內(nèi)部場景往往做得不那么理想。這是因為外部有大量公開數(shù)據(jù)做強(qiáng)化訓(xùn)練，而企業(yè)內(nèi)部 的術(shù)語、黑話、業(yè)務(wù)邏輯，模型并不了解。”婁恒說。 因此，選擇既有公開數(shù)據(jù)又有高質(zhì)量內(nèi)部知識庫的場景，更容易成功。
例如，微醫(yī)的“AI 健共體”之所以能實現(xiàn)精準(zhǔn)決策，除了行業(yè)領(lǐng)先的 AI 能力、豐富的醫(yī)療服務(wù)場景以及高效整合的科研、醫(yī)療機(jī)構(gòu)能力，十多年來積累的高質(zhì)量脫敏臨床真實診療數(shù)據(jù)發(fā)揮了重要作用；同樣，工商銀行的成功也離不開其海量的金融業(yè)務(wù)數(shù)據(jù)。這些高質(zhì)量的私域數(shù)據(jù)，構(gòu)成了企業(yè) AI Agent 最堅實的護(hù)城河。
從簡單調(diào)用 API 到在特定化場景中精細(xì)化構(gòu)建 AI Agent，這一轉(zhuǎn)變也意味著企業(yè)面臨的挑戰(zhàn)已從“算法問題”轉(zhuǎn)變?yōu)?ldquo;系統(tǒng)工程問題”。過去，企業(yè)或許只需關(guān)注如何選擇最好的模型、寫出最好的提示詞；而現(xiàn)在，企業(yè)必須思考如何設(shè)計一個集成了記憶、規(guī)劃、工具調(diào)用、安全風(fēng)控和可觀測性的復(fù)雜系統(tǒng)。
面對構(gòu)建復(fù)雜 Agent 系統(tǒng)的工程挑戰(zhàn)，答案是明確的：企業(yè)需要先“修路”，再“跑車”——即先構(gòu)建規(guī)范化、標(biāo)準(zhǔn)化的 AI 基礎(chǔ)設(shè)施，再讓 AI Agent 安全、高效地在業(yè)務(wù)流程中運行。
除了前文提到的“四象限”和“三維價值矩陣”的方法論。阿里云還提供了一套完整的 AI Agent 構(gòu)建、部署和運行解決方案。該解決方案以“一套模型服務(wù)、兩種開發(fā)范式、七大企業(yè)級能力”為骨架，一次性交付從模型到 AI Agent 應(yīng)用的完整技術(shù)棧。
一套模型服務(wù)，指的是通義千問大模型；兩種開發(fā)范式，指的是阿里云百煉平臺提供的從低代碼到高代碼的全鏈路開發(fā)工具；平臺還集成七大企業(yè)級能力——多模態(tài)處理、工具連接、智能記憶、安全沙箱、鏈路可觀測、資源調(diào)度與計費結(jié)算，實現(xiàn) AI Agent 從開發(fā)到商業(yè)化的全鏈路閉環(huán)。（更多詳細(xì)內(nèi)容請見本刊文章《邁向 ASI，阿里云以全棧 AI 服務(wù)能力開拓智能新版圖》）
在云棲大會現(xiàn)場，婁恒特別提醒：“大模型不是萬能 的，它一定有自己的能力邊界。”因此，阿里云提出了 “大小模型混編”的工程化解決方案——Top 80% 高頻場景用小模型或規(guī)則引擎（毫秒級、零幻覺），長尾 20% 泛化場景用大模型覆蓋，再用規(guī)則兜底校驗。“不用推倒重來，把原來收不進(jìn)的業(yè)務(wù)單收進(jìn)來，ROI 最高。”
這種工程化思路的轉(zhuǎn)變，要求企業(yè)必須從一開始就規(guī)劃好 AI 的整體架構(gòu)。由此，阿里云提出了“AI Landing Zone”的概念——從賬號、安全、數(shù)據(jù)工程、部署、集成等方面一次規(guī)劃、分步實施，避免“100 個場景 30 套技術(shù)棧”的混亂局面。
在選定了場景、明確了模型、構(gòu)建方法后，確定要做什么種類的 Agent 也很重要。因此，阿里云也提出了企業(yè)構(gòu)建 AI Agent 的六大確定性方向：一是生態(tài)集成：通過 MCP、A2A 等協(xié)議，實現(xiàn) AI Agent 之間的互聯(lián)互通；二是知識檢索與分析：構(gòu)建企業(yè)專屬的知識圖譜和檢索能力；三是深度研究：像 Deep Research 那樣進(jìn)行多步驟、深層次的信息挖掘；四是代碼生成：自動化開發(fā)流程，提升研發(fā)效率；五是語音交互：讓 AI Agent 更自然地融入日常工作；六是圖像多模態(tài)：處理視覺信息，擴(kuò)展應(yīng)用場景。
除了解決方案本身，規(guī)?；涞?AI Agent，離不開開放生態(tài)。阿里云 MCP 市場已匯聚眾多 AI 服務(wù)商，博查搜索 CTO 翁柔瑩表示，其 AI 能力在 MCP 轉(zhuǎn)化率達(dá) 70%-80%，服務(wù)超 2.5 萬家企業(yè)、10 萬個 AI Agent，持續(xù)推動 AI 能力的共享與進(jìn)化。
未來已來。AI Agent 不只是一個轉(zhuǎn)瞬即逝的技術(shù)趨勢，而是決定未來十年企業(yè)競爭力的核心戰(zhàn)略變量。對于所有企業(yè)而言，擁抱“Agent-First”時代的路徑已經(jīng)無比清晰——始于價值場景、精于業(yè)務(wù)融合、成于生態(tài)共創(chuàng)。（本文原創(chuàng)首發(fā)于甲子光年，作者丨王藝，編輯丨王博）
本文摘自《云棲戰(zhàn)略參考》總第20期
掃碼查看最新雜志
↓↓
快報
根據(jù)《網(wǎng)絡(luò)安全法》實名制要求，請綁定手機(jī)號后發(fā)表評論