AI Agent 发展趋势与架构演进

作者:张乎兴(望陶)

编程范式的演进

随着技术与发展,编程范式不断演进。OpenAI 前创始人,特斯拉自动驾驶负责人 Andrej Karpathy 在提出过类似观点。在软件 1.0 时代,我们通过计算机的编程语言对计算机进行编程,大家熟悉的 Java、Python 等语言都在做这个事情。在 2.0 时代,我们通过神经网络参数权重的调整来对神经网络进行编程。

image

大模型时代出现以后,我们的编程范式发生了非常深刻的变化,软件 3.0 时代随之到来。它体现在我们的编程对象变成了大语言模型(LLM),LLM 是在 GPU 上运行的,而不是我们原来传统的在 CPU 上运行的计算机。而我们的编程语言不再是 Java、Go、Python 这样的一些语言,而是用提示词。编写的提示词运行在大语言模型上,所以我们是通过提示词对大语言模型进行编程,编程出来的应用我们叫做 AI 的原生应用。这种转变使我们对开发范式和应用开发的理解有非常多的思维转变。

AI 原生应用的核心概念

对于这样一个全新概念,很多开发者对于 AI 原生应用的定义是模糊的,也不知道 AI 原生应用的架构是什么样的。为了解决这一疑问,阿里云定义了的一个 AI 原生应用开发全景图,帮助大家更好地理解与探索实践。接下来,我们分块进行解读。

AI Agent 想要运转起来,需要几个非常核心的能力,其中包括:

  • 感知:它需要去感知内部外部的环境,从而做一些输入和输出;
  • 大脑:也就是通过大模型去帮我们做决策;
  • 工具:去调用外面的工具,包括使用 MCP 工具来执行一些必要的动作;
  • 记忆:这个记忆包括长期和短期的记忆,在模型应用执行中的上下文是非常关键的。

image

在了解上述基础概念之后,我们该怎么开始去开发 AI Agent 呢?

首先,我们需要一些称手的开发框架来生成 AI Agent 的核心部分,主流开发语言拥有非常多开发框架,来帮简化开发步骤。与此同时,随着 AI Coding 工具不断成熟,比如通义灵码、Cursor、Claude Code 等工具,让低代码也成为生成 Agent 的新方式、新可能。

AI Agent 生成后,需依赖计算资源执行任务,其运行时环境可基于 Kubernetes(K8s)或其他计算范式(如函数计算)。具体而言,任务执行所需的模型推理及 MCP 工具链的运作,均需依托底层运行时环境的资源调度能力。

构建运行时环境后,Agent 的底层架构需依赖通用中间件能力以支撑核心服务。比如通过 Nacos 实现 Prompt 提示词的统一管理及 MCP(模型控制器)的动态注册与发现;通过 AI 网关对多模型和 MCP 实施集中代理;同时借助消息队列完成长周期、多阶段任务的异步化改造

构建 AI Agent 时,其运行时的可观测性是确保系统稳定性与优化能力的关键环节。由于 Agent 的运行逻辑具有动态性与不确定性(如多轮推理、事件驱动行为等),需通过数据采集探针实时监控其内部状态。比如 LoongSuite 开源探针去采集 token 消耗、模型输入输出等等。有了这些东西,我们可以对 AI Agent 的性能、成本和质量进行分析。

以上就是我们的全景图。

AI Agent 开发的关键问题

讲解完基础概念之后,那么我们来聊聊 AI Agent 在开发过程中,需要关注的关键问题。

Workflow 模式 vs Agent 模式:搭建 Agent 的时候,我们该用哪种模式?

image

Workflow 模式其实很简单,我们在编排业务时把一些固定的流程,通过预定义的步骤,通过低代码或高代码平台的方式编排出来。好处就是确定性很高。传统的业务流程、一定不能出错或者确定性强的业务流程,我们可以通过这种模式进行。但在面对复杂场景或任务时,Workflow 就会显得捉襟见肘。比如需要完成非常高不确定性任务的 Agent,会不知道某环节的下一步该怎么走,在这种场景下,可以通过 Agentic 模式,通过大模型来告诉你下一步应该如何执行,完成规划和执行。好处就是灵活性会比较高。比如说现在常见的 Deep Research,还有 Coding Agent,使用的就是 Agentic 模式。

在业务实践中,技术选型往往需要在准确性与成本效率之间进行权衡。当业务对结果准确性有硬性要求(如图像识别中的关键字段提取、发票信息结构化等),需采用 Workflow,通过预定义规则链实现可验证的处理逻辑,以牺牲灵活性为代价换取可预期的准确率。与此同时,面对复杂文本信息提取等任务时,大模型虽具备更强的语义理解能力,但其计算成本显著高于传统方案。实测数据显示,GPU集群处理此类任务的成本可达CPU方案的10倍以上。这个时候我们需要去权衡到底用 workflow 模式还是 Agentic 模式,但最后也可能是通过混合架构设计实现平衡。

单 Agent vs 多 Agent:我们需要单 Agent 还是多 Agent?

image

第二个话题是单 Agent 和多 Agent,什么情况下应该用单 Agent,什么情况要做多 Agent。在目前实践中,针对简单、目标明确的场景,我们推荐使用单 Agent 方式。单 Agent 的好处是开发和维护相对简单,但也存在一些局限性,比如模型上下文窗口是有限的,当 Agent 越来越复杂,一步一步执行的时候,每次会带越来越多上下文。当上下文达到一定窗口的情况下,这个模型会出现一些幻觉,甚至出现一些不确定行为。这时候我们就要考虑是不是通过一个 Agent 就能够完成,因此我们要考虑做一些拆分。原则就是说在如无必要的情况下,勿增实体,也是奥卡姆剃刀原理,总的来说在正常情况下尽量使用单 Agent。

当然,在明确发现任务执行起来非常复杂,需要复杂协作的场景,建议用多 Agent 来完成。而且多 Agent 有个好处,在完成同样编码任务,用同样的模型时,如果使用多个 Agent 的协作,相比单 Agent 模式,可以大大提升复杂场景准确率。这是经过实验或者各方面的实践验证出来的效果。

比如示例的 Deep Research 就是多维性的典型场景,有一个  Leader 负责把任务进行拆解,把任务中具体的调研设计任务分配给子 Agent,然后再由他把子 Agent 结果进行汇总并返回给用户。

提示词工程 vs 上下文工程:提示词工程如何实现,还是选择流行的上下文工程?

image

第三个就是提示词工程和上下文工程。提示词工程是之前比较火的概念,主要解决怎样跟模型交互,提出正确问题,让模型能够准确地回答这个问题。核心关注点是提示词要包含比较清晰的上下文以及示例,另外还有一些关键词等等,构成我们的提示词。

但发现最近 Context Engineering 这个概念越来越流行。原因在于 Agent 越来越复杂,Agent 在执行过程中有很多不确定性,再加上模型的上下文又是有限的。因此,我们要解决如何在有限的上下文窗口里给模型最有效的信息。

在复杂场景中,模型输入需要整合多源信息,包括提示词、RAG 检索的文档、工具调用结果及当前上下文状态,这一过程被称为上下文工程。这些内容需精准筛选并组装相关信息,确保模型能基于完整且高效的上下文执行任务这就成为一门很讲究的艺术了:我们要怎么去把这些东西组装成在一起提供给模型。同时,推理效率与 KV 缓存密切相关:通过前置固定内容(如通用模板、常量参数)并后置动态数据(如实时输入),来提高缓存命中率,减少重复计算开销。这样的话,其实在前面很多的内容是固定的情况下,能够去命中 KV Cache 在推理的时候的缓存。这种对信息层级和缓存机制的精细化管理,已成为提升 AI 代理性能的核心方向。上下文工程也成为目前比较需要大家关注的方向。

AI 原生应用参考架构

image

在解读完上面的三个问题,接下来介绍一下 AI 原生应用的参考架构。以 AI Agent 为核心,其运行依赖于多种技术组件协同。Agent 本身可通过不同开发框架构建,并部署于计算实例中,通过调用数据库或向量数据库获取外部数据支持决策。用户请求首先经过 API 网关接入系统,随后转发至 Agent 模块,该模块通过统一 AI 网关与模型进行交互。AI 网关作为关键代理,承担多模型调用的协议转换、token限流等通用能力,尤其在多模型并存的场景下,有效协调不同模型接口的差异性。在模型交互过程中,它承担重要角色,通过 Nacos 实现对公有和私有服务的统一注册与动态提示词管理,确保模型调用的灵活性与可扩展性。对于涉及长周期处理的异步任务,系统依赖消息事件机制完成状态管理,通过事件驱动的方式解耦任务执行与响应流程。所有组件产生的可观测性数据(如性能指标、调用链路)均通过标准 OpenTelemetry 协议采集,由 LoongSuite 探针统一汇聚至可观测平台,用于实现系统诊断、模型效果评估及运行时优化。

接下来的话我会介绍一下这几个关键的组件。

Spring AI Alibaba

image

第一个 Spring AI Alibaba,它基于开源的 Spring AI 组件,封装了更多能力,比如支持 workflow、Agent 的模式,以及单 Agent 多 Agent 的一些抽象配置,帮助 Java 应用开发者去更好的开发 AI 原生应用。在此基础上,我们构建了更上层的业务场景,也就是通用的 Agent 叫 JManus,就是 Java 的 Manus 实现。还有一些典型垂直类的 Agent 场景,比如 Deep Research、Data Agent 等等。Spring Al Alibaba 对于 Java 开发者来说,是开发 AI 应用时,能立刻上手、功能相对完整的框架之一。

Nacos

image

在 AI 原生应用场景中,Nacos 作为动态配置管理与注册中心的角色进一步延伸至 MCP 服务治理领域。当 Agent 需要访问传统微服务或第三方工具时,可通过本地启动的 Local Server 将服务转换为 MCP 接口,或通过远程 MCP Server 调用传统服务。对于涉及企业敏感数据或内部业务逻辑的 MCP 服务,需通过私有化部署的 MCP 注册中心实现统一管理。既满足了 AI Agent 对异构服务的灵活调用需求,又保障了企业级服务治理的安全性与可控性。

Higress

image

Higress 是 AI 网关的核心角色。中间的这块东西就是我们的 AI 应用和模型之间有一个核心的 AI 网关的代理能力,它可以做到一些核心的 AI 能力,比如 LLM 缓存,向量的一些检索,还有像 token 的一些限流。在安全方面包括一些协议的适配,我可能要去适配多个 OpenAI 模型的协议,以及 API 的统一管理。然后最近在做的主要就是 MCP 代理的这块,就是怎么把一些私有化或者公共的 MCP 服务统一地暴露给 Agent,并且做一些细粒度的认证,以及动态发现等一些能力。另外,协议转换也是比较重要的一块能力,就是把一些传统的 OpenAPI 的协议转成标准的 MCP 协议,都是可以通过这个 AI 网关和 MCP 网关来承接的。

Apache RocketMQ

image

在 AI Agent 的复杂交互场景中,Apache RocketMQ 通过消息队列机制解决了多轮对话中的状态恢复与重试成本问题。当 Agent 与模型进行多阶段交互时,中间结果(如阶段性响应、流式输出)通常以临时状态形式存在,一旦网络中断或服务异常,传统架构需从头发起 GPU 计算的重试流程,其成本可能是 CPU 时代微服务场景的十倍以上。RocketMQ 创新性地将 AI 框架下的会话(session)映射为消息队列的 Topic,将所有中间状态实时写入队列存储。例如,网关作为消费者订阅该 Topic 并逐步将结果推送给客户端,若当前网关节点故障,系统可动态切换至备用消费者节点,新节点可通过订阅同一 Topic 获取已存储的中间数据,从而实现断点续传式的恢复能力。这种设计避免了 GPU 资源的重复消耗,同时通过消息队列的持久化特性保障了长周期任务的可靠性。

可观测性解决方案

image

接下来是可观测性的一些介绍。在应用 AI 应用的开发过程中,总结下来可观测性有三大痛点。第一个怎么把它用起来,第二个是怎么用的省,第三个是怎么用的好。

第一个问题是,当我们把这些应用搭起来,调用模型的过程中发现,推理过程特别慢,特别卡,或者是有报错,不知道卡在哪里,它解决要怎么把它用起来的问题。然后第二个就是发现用了一段时间之后,怎么这个账单突然一下子就爆炸了,或者这个 token 怎么消耗这么多,到底消耗在哪了,不知道怎么把它用得更加经济节省。然后第三个就是模型回答的质量好不好,我们也不清楚,需要对它进行评估,就怎么把它用得更好,解决这三个问题。

image

解决这三个问题,首先要在整个 Agent 运行的整条链路中,通过可观测数据的采集探针,把这些可观测数据给采上来。这些数据包含什么呢?包含我们的所有的链路信息,从端侧到 API 网关,到 AI Agent,再到 AI 网关,再到我们的模型内部,每个环节到底发生了什么,我们都希望能把它记录下来。这里面包括调用的输入输出,token 的消耗,tools 的使用等等。第二个就是收集一些关键指标,能够反映当前的运行行为。第三个是通过模型采集数据,对 Agent 的行为进行质量分析和评估。

这里我们通过 OpenTelemetry 开源的标准,它这里面既包括了开源的 SDK ,也有提供的探针的方案。就是说把一些探针动态地挂载到这个 AI 应用里面。例如像 Java、Python 构建的这些 AI 应用,都可以通过探针挂载到这个应用里面去,它能够动态地采集上述的可观测数据。另外,在模型侧,我们发现很多模型都是通过 vLLM、SGLang 这种推理加速框架去拉起来的模型,它其实也是个 Python 应用,我们可以把探针挂载进去,采集在模型内部的推理的一些流程和细节的信息。同时在 GPU 层面,也可以去采集这些 GPU 的使用率等信息。有了这些数据的话,我们可以进行上述的三个处理。

image

这里简单介绍一下我们应该关注哪些关键指标。首先在应用里面,在 Agent 里面,原来的微服务时代,我们的黄金三指标可能是 RED,是 Request、Error、Duration。但是现在我们发现在 AI 应用里面,更关键的是我们的 Token 消耗。新的黄金三指标是 TED,Token、Error 和 Duration 是最关键的三个指标。

在模型推理加速时,有两个非常关键的指标需要关注。一个叫 TTFT(Time to First Token),一个叫 TPOT(Time Per Output Token)。TTFT 取决于什么呢?上下文 input 给到模型,到模型吐出第一个 token 的时间,这个叫做首包延迟时间,它决定了我们的模型推理的流畅度。TPOT就是从第一个首包出来以后,再到它把所有的包都出完,再除以它的耗时,得到的指标数据叫做 TPOT,就是说首包延迟以后,后续平均的每包的传输时间,这反映了模型在 decode 阶段的关键性能。所以这两个指标是一定要关注的。在一些模型推理的关键阶段,KV Cache 的缓存命中率以及 GPU 的一些利用率等等,包括一些吞吐的能力也是需要关注的。在评估的场景下,主要是要关注准确性、偏见、毒性等指标。

image

刚才说了指标,另外一个重要方面是 Trace。它能够帮我们非常清晰地看到模型推理调用内部一个实时的运行状况到底经过了哪些节点。在这里怎么看呢?比如说我们通过标准的 OpenTelemetry 的 Tracing 协议,可以采集到每个关键的环节。这个截图里面使用一个 Dify 构建起来的一个 workflow,去调用一个 vLLM 的一个模型。那么通过这个调用链,可以看到它的时间,总的 token 消耗以及它的 input 和 output 是什么。每一个 Dify 下面的 workflow 的关键节点信息,以及它的耗时分别是什么。因此我们可以看到耗时比较长的是在这个 LLM 调用这个阶段,在这个阶段它的 token 消耗是这么多,然后再到模型内部,通过全链路追踪的能力,把模型内部的调用过程也会反映出来。通过这个 trace 能够准确地看到每一次执行的情况。

image

最后就是评估,评估是在 AI Agent 这个场景下非常重要的概念。它相当于传统软件开发里的回归测试。这个流程是循环结构,而不是一次性行为。

我们在开发阶段开发出 Agent 之后,通过 tracing 记录模型的输入输出,对它进行初步评估。这个评估有两种类型,一种叫做人工评估,它比较适合在 AI 应用开发的前期去进行。需要人为核对 AI 应用的结果是不是符合预期。首先挑选一些固定的 case,我们明确知道这个模型的返回结果的那种 case,然后人为地去评估这个运行的结果是不是满足预期。当到达一定的稳态以后,我们可以把它转为 LLM 评估,就是用第三方的模型来帮我们进行评估,这样的话可以更好的提升扩展性和效率。这个流程从评估完成以后到线上部署,我们会线上持续地去追踪这个线上的数据,就刚才说的指标 tracing 以及日志等等一些能力,去反馈和优化我们的 Agent。然后再通过 Agent 的不断地去迭代,循环往复。

在评估的时,有哪些重点要关注的地方?分三个阶段,一个叫 Planning。Planning 就是模型在拆分任务,或者说 Agent 在拆分任务的时候,它到底拆分的准不准确,有没有重复的,或者有没有拆分的足够准确,是否绕了弯路等等。这些方向是我们在评估时需要重点考虑的一些要素。

还有一块是工具的调用。很多时候模型的输入不稳定,是因为 tools 调用有问题,没有选择正确的 tools。第二个是可能在 tools 参数识别的时候识别的不准确,传递了错误的信息。这些东西都是要在评估阶段关键考虑的。还有像 RAG 阶段,在召回的过程中,需要关注语料的一些召回是不是有相关性,是不是有重复等等。

有了这些以后,我们可以把这些数据送到可观测平台。这个平台里面我们可以去持续的自动化的定时地去抽取一些线上的运行的数据,然后对它进行评估。我们定义好了这些评估模板以后,就可以自动化的线上持续运行了。然后通过评估可以把这些结果打出分数,帮助我们数字化分析。

开源项目规划

image

最近我们刚刚发布了开源项目 LoongSuite。Loong 是中文的龙的意思,Suite 是采集套件的意思,我们希望在开源的 OpenTelemetry 社区基础上,提供针对 AI Agent 开发所需要的各种框架的一些自动化采集探针能力。比如说有 Java 的,有 Go 的和 Python 的探针。这探针针对我们刚才说的用不同语言开发出来的 Agent,能够去自动捕获它的一些数据,包括指标 trace,还有日志 input、output 这些东西可以送到开源的一些存储,支持任何以 OTLP 协议,也就是标准的 OpenTelemetry 协议兼容的控制台,比如说 Jaeger 或者是 Elastic Search。这些也可以上报到云服务上面,通过云平台来帮你完成这些数据存储和展示以及托管。基于此来完成性能成本和质量分析与评估。

image

最后简单介绍一下刚才提到的几个开源项目的一些规划。

  • Spring AI Alibaba ,后面会去做一些包括 A2A 协议的支持,还会做一个评估控制台来提升整体的开发调试和评估效率。

    https://github.com/alibaba/spring-ai-alibaba

钉钉搜索群号 94405033092 加入社区。

  • Higress 的,会增强我一些 AI 插件,还有一些 RAG 的插件。

    https://github.com/alibaba/higress

钉钉搜索群号 107690002780 加入社区。

  • Nacos 3.x 版本里面会提供动态 prompt 还有 A2A 协议的支持能力。

    https://github.com/alibaba/nacos

钉钉搜索群号 120960003144 加入社区。

钉钉搜索群号 21982288 加入社区。

  • LoongSuite ,会针对更多的主流的开源框架,比如说 Python 的一些框架提供完善的支持。最近在做 Dify 的可观测性的支持,很快就会发布。然后 A2A 协议,还有端到端的可观测性的一些支持。

    https://github.com/alibaba/loongsuite-python-agent

钉钉搜索群号 101925034286 加入社区。

相关推荐

推荐一款好用的刷题工具

为了帮助正在准备求职季的开发者提升备战效率,阿里云特别推出“通义灵码陪你备战求职季”活动,精心挑选百道历史校招技术面试/笔试题,借助通义灵码智能问答、代码智能生成、代码优化等核心功能,帮助开发者更加准确地了解程序员职业所需的核心技能,加强对问题解决思维和解题能力的练习。

阿里巴巴云原生的博客 1385

通义灵码 Visual Studio 下载安装指南(附安装包)

本安装步骤适用于 Windows 10 及以上操作系统中安装和使用通义灵码。

阿里巴巴云原生的博客 4438

决策模型 Jev 可以直接上生产?用实验和公式理解 logit 调优与训练要领

本文的前半部分转载并整理自 Hamel Husain 与 Antaripa Saha 合著的《How To Use Decision Models for Evals》。后半部分是作者的一些洞见和见解。

阿里巴巴云原生的博客 58

阿里云智能体白皮书开源进展

![1](https://img2024.cnblogs.com/blog/1411156/202611/1411156-20261113183315580-502702075.png)![2](https://img2024.cnblogs.com/blog/1411156/202611/1411156-20261113183334678-741777744.png)![3](https://img2024.cnblogs.com/blog/1411156/202611/1411156-20261

阿里巴巴云原生的博客 16

万联智策基于 AgentCore 构建数字员工团队,800+智能体规模化落地

1 个智能 Leader,带领 4 个专家级智能“员工”,配套约 800 个随时可调用的 AI 数字员工,这样一个 AI 团队能帮企业做什么事?

阿里巴巴云原生的博客 196

关于 DeepSeek 的 SuperAgent,以及我们的实践

DeepSeek 的 SuperAgent 发布之后,行业内的普遍观点是 Agent 的设计基本收敛,对于我们也是一样,本文除介绍 DeepSeek SuperAgent 设计之外,会重点谈谈我们类似 SuperAgent 的技术和产品化探索。

阿里巴巴云原生的博客 105

生产更可信,订阅更耐用丨Higress 社区进展报告

阿里巴巴云原生的博客 147

让 Agent 成为企业生产力丨Alibaba Cloud AgentCore 企业智能体构建与治理沙龙·杭州站精彩回顾 & PPT 下载

近日,让 Agent 成为企业生产力丨Alibaba Cloud AgentCore 企业智能体构建与治理沙龙·杭州站圆满落幕。本场活动吸引了 100+ 名技术从业者深度参与,深度分享了企业 Agent 趋势、AgentCore 构建与治理、Agent 观测与优化、STAROps 智能运维及 AI 网关等相关议题,并设置了动手实操环节。

阿里巴巴云原生的博客 190

如何用 STAROps Elasticsearch 智能助手看穿“搜索变慢”

某电商平台的商品搜索服务使用一台 6 个数据节点的 Elasticsearch 实例。周五北京时间 20:00 起,业务陆续反馈搜索变慢。业务监控中的搜索接口 P99 从平时约 200 ms 升到 2s 以上,部分请求超时。值班工程师打开控制台:集群状态为 Green,没有未分配分片,集群平均 CPU 约 40%,乍看不像资源已经吃紧。

阿里巴巴云原生的博客 350

满帮基于阿里云 AgentCore 打造生产级 SRE 稳定性数字人

满帮基于阿里云 AgentCore 构建“稳定性数字人”:满帮提供业务知识、专业工具与处置流程,AgentCore 提供智能体运行、协作和治理支撑。数字人已在核心链路的巡检与根因分析中得到应用,受控处置能力也在持续建设,让满帮积累的稳定性能力能够在具体任务中得到复用。

阿里巴巴云原生的博客 278

稳定复现超 70% 的缺陷,报警到自动修复的 Agent 流水线实践

本文将分享我们在 PolarDB-X 团队做的一些工程实践:让 Agent 从一条报警或工单出发,自主完成排查、复现、修复和验证,再把结果交给研发评审。

阿里巴巴云原生的博客 313

从“自证清白”到“因果链条”:智能体如何重塑运维排障效率

STAROps 做全域关联分析,把范围从「五个团队依次自证清白」收拢到一条具体链路;证据指向对象存储后,OSS Agent 接手,基于真实配置、访问日志和用量数据往下挖,给出根因和支撑它的证据链。你面对的始终是一个对话框:路由归它管,说清现象、拍板方案归你。

阿里巴巴云原生的博客 148

TechTalk丨从能买奶茶到能进企业,Agent 绕不开同一组问题

史明伟所在的 Alibaba Cloud AgentCore 是企业级 Agent 构建和治理平台,为 Agent 在业务场景下的规模化落地提供基础设施,所以这场对话,他和 Datawhale 主持人从个人助理一路聊到企业 Agent:权限该怎么一步步放开?进了企业,账号打通、数据权限、沙箱隔离又会带来哪些新问题?没有强技术团队的企业,该从哪里起步?

阿里巴巴云原生的博客 220

AgentCore + Codex 构建生产级 Agent 的原理与实践

本文章演示 AgentCore[1]的自定义代码/镜像能力,目的是展示如何基于自定义的 Harness 框架(Codex) 结合 AgentCore 提供的身份、模型、工具、技能、凭证 、观测评估等能力实现一个端到端的 Agent 应用,内容包含两个部分,技术方案和实践教程,文末附相关源码和本次的测试数据,可以根据需要自行查阅。

阿里巴巴云原生的博客 193

让复杂任务由团队完成:阿里云 AgentCore 多 Agent 协作架构及实践

Alibaba Cloud AgentCore 以身份、通信、团队和任务为基础,让专业 Agent 与人类成员共同参与业务协作。企业可以按职责组合知识、工具、Skill 和模型,用任务系统持续追踪工作,再结合 AgentLoop 评估效果、优化配置。

阿里巴巴云原生的博客 382

易点天下:AI 驱动 IT 运维组织提效的实践

易点天下作为一家专注品牌全球化的营销科技公司,由智能营销、全域增长、智能变现三大引擎驱动。公司旗下拥有“整合营销服务”与“广告平台业务”两大业务线。

阿里巴巴云原生的博客 307

阿里云可观测 2026 年 10 月产品动态

阿里云可观测 2026 年 10 月产品动态

阿里巴巴云原生的博客 212

用 Nacos 3.3.0 ARD 让 Agent 按任务发现工具和 Skill

如今,工作中用 Agent 帮忙已经越来越常见。研发同学用 Coding Agent 写代码、补测试、排查问题,业务同学用 Work Agent 整理资料、分析表格、制作演示文稿。不少过去需要自己一步步操作的事情,现在可以把需求交给 Agent,让它协助完成。

阿里巴巴云原生的博客 328

HiRoute 新版本发布:结合自己的真实工作选择最佳模型

HiRoute[1]是一个开源、运行在本地的 Agent 智能路由引擎。你继续用 Codex、Claude Code、Qoder、Pi、OpenCode、Hermes、DeepSeek Harness 等熟悉的 Agent,由 HiRoute 判断每一步交给哪个模型。

阿里巴巴云原生的博客 394

用户说 App“下不了单”:用 Session Replay 看清流程卡在哪一步

Session Replay(会话回放)将采集到的页面变化重建为可回看的过程。研发可以沿着这次会话,查看操作前后的界面变化,先确认流程停在了哪里,再结合当时的事件、日志和代码检查原因。

阿里巴巴云原生的博客 56

欢迎报名丨Alibaba Cloud AgentCore 企业智能体构建与治理八城巡回沙龙 · 杭州站开启

欢迎报名丨Alibaba Cloud AgentCore 企业智能体构建与治理八城巡回沙龙 · 杭州站开启

阿里巴巴云原生的博客 158

运维走出控制台:阿里云 AgentCore AI Native 运维实践

UModel 让现场能够被关联,运维数字员工让经验能够被调用,AgentCore Team 让分析能够协作,AgentLoop 让质量能够被检验。这些建设共同服务于一件事:让团队对系统的理解,成为每个人处理问题时都能接上的能力。

阿里巴巴云原生的博客 312

从长程 Agent 到 Super-agent,解锁更多场景

Deepseek Harness 提升了架构的透明度,但也带来了工程上的复杂度。这次开源的dsh-superagent-prototype,是对 Agent “连续实体”能力的工程拆解。

阿里巴巴云原生的博客 242

排查提效 50%:淘大集新核心系统的观测护航之路

供应链运维,缺的不是更多机器,是“一条能把指标、日志、链路串起来的线”。阿里云 ARMS+SLS+云监控2.0+STAROps 重构观测底座。

阿里巴巴云原生的博客 149

概率、插座与 5000 个爱因斯坦:专访阿里云研发副总裁周琦

这次访谈发生在 2026 年云栖大会之后。大会期间,阿里云发布了智能体构建和治理平台 AgentCore,将企业级 Agent 基础设施进一步标准化和托管化。

阿里巴巴云原生的博客 157

Agent 数据飞轮平台的选型和实践

用统一标准判断修改效果,积累覆盖不同路径的测试样本,沿执行记录排查失败,并将典型问题纳入后续回归。而这也是宙斯接入 AgentLoop 要解决的问题。

阿里巴巴云原生的博客 35

Durable Agent 详解:如何让 Agent 在云端长期稳定运行

本文使用一个具体的用户任务示例“向五位客户发送通知邮件”,解释为什么保存聊天记录还不够,再以 AgentScope 构建的 Agent 为例,展开任务状态、持久提交和故障恢复的通用设计,最后结合 Alibaba Cloud AgentCore 已有的 Harness 托管与节点恢复能力,讨论共享状态、可靠调度及 Brain / Hands 分离如何支撑更完整的长期托管服务。

阿里巴巴云原生的博客 338

Qoder × AgentLoop:智能体规模化应用,敏感数据保护如何跟上?

智能体观测与优化平台 AgentLoop 持续分析已采集的 Qoder 审计日志,将发现的风险线索关联到具体会话、工具调用、成员和环境,帮助安全团队回查任务过程、明确需要整改的环节,并复查处理效果。

阿里巴巴云原生的博客 297

完整还原已经服务千家企业的 AIOps Agent 的评测和调优实践

阿里云 STAROps 是一个生产运维 Agent,通过连接多域数据、运维工具与专家经验,从被动响应走向智能自治,7×24 保障业务连续、稳定运行。本文将分享 STAROps 的评测和调优实践。

阿里巴巴云原生的博客 202

阿里云云原生四项 AI 应用工程化实荣获“鼎新杯”优秀案例

第五届“鼎新杯”由中国通信标准化协会主办、中国信息通信研究院承办,自2026年05月正式启动,历时近 5 个月,聚焦国内政企数智化转型领域的创新成果,旨在为行业提供可复制、可推广的实践参考。

阿里巴巴云原生的博客 335
上一篇: 拥抱 AI 原生!8月29日深圳,企业实践工作坊火热报名中
下一篇: 使用 MSE 流量防护轻松面对运行态流量不确定风险的最佳实践
阿里云云原生
阿里云云原生 企业官方账号 企业官方账号
博客等级 码龄8年 1万+粉丝 3155原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值