AgentCore 支持 DeepSeek Harness 托管,加速企业生产化验证

作者:世如

DeepSeek Harness(简称 DSH)是 DeepSeek 于 2026 年 8 月以 MIT 协议开源的 Agent Harness。单人使用门槛不高,但推到部门时,多人各自部署会带来互不相通的会话日志、插件与凭证,缺少统一的身份、网络、数据与运维支撑。在 AgentCore 上,DSH 与 Qoder、Codex、Pi、QwenPaw 并列可选,托管要补齐的正是这层缺口。本文将按三部分展开:为何需要托管、如何接入业务、接入后如何管理,供评估团队在决策前参考。

点击链接,查看视频:https://mp.weixin.qq.com/s/7PyENhIfWep7zNck5paHbw

DSH 一个人能用,沉淀不了部门资产

▍1.1 DSH 一个人能用,沉淀不了部门资产

DSH 作为一款优秀的开源 Agent Harness,它把模型适配器、工具、会话、沙箱、界面乃至 Agent Loop 都拆成插件,注册在 Cordis 微内核上;会话日志是唯一权威事件源,轨迹可回放、可分叉;Team 以根会话为边界,子 Agent 之间可以互相发消息,共享一块带依赖关系的任务板;子 Agent 可以进程内启动,可以经 ACP(Agent Client Protocol)在独立子进程中驱动,也有直接对接 Claude Code 与 Codex 的后端;后两类各自拥有运行时、会话与工具。

这些设计让一个人很快就能跑出效果:装一份 DSH,写几个 Skill,把常用工具接上,就能跑通一个真实任务。推到部门时,人数增加并不改变这一点,十个人装十份,就是十套互不相通的会话、插件与凭证,没人能接着别人的会话往下做。DSH 的 Team 解决的是同一个操作者在根会话里带多个子 Agent,不解决多人共用一份环境。所以问题不在 Agent 够不够聪明,而在它周围缺了下面几样东西:

部门会上被问到的事DSH 单机形态
谁在用它只有 DeepSeek 个人账号,没有组织、角色、部门
跑在哪里官方写明未经安全审计,建议在一次性环境中运行;插件包校验不构成代码沙箱
数据去了哪里会话日志默认随官方 API 请求上传,含提示词快照与工具参数,可在配置里关闭
记忆由谁维护DSH 不带长期记忆,要靠第三方 MCP 插件接入,示例默认关闭
经验留给谁会话、插件、Skill 都在 ~/.dsh 个人 Profile,换人即失

托管做的不是给 DSH 包一层界面,而是把它接进企业已有的身份、网络、数据与运维体系。这层接进去之后,同一个 Harness 才能从个人工具变成部门可以依赖的基础设施。

▍1.2 云上托管带来哪些工作方式变化

下面四个场景是按平台现有能力搭出来的示例,用来说明工作方式的变化,不是客户案例。

场景一:研发改一个老服务

一个 2019 年的订单服务要补幂等。工程师让 Agent 读仓库、定位入口、改三处调用、补测试。单机形态下,他要自己把仓库拉到本地,把团队的提交规范贴进提示词,跑测试时还要处理本机依赖。

托管之后,Agent 在 VPC 内访问代码库与制品库,MCP 接内部代码检索与构建平台,Skill 里带团队的分支、提交与评审规范,访问制品库的凭证由保管库代签。任务跑到夜里也不受笔记本合盖影响;一次没做对,失败会话留在平台上,改完配置可以重跑。

团队规范从一份文档变成可执行的 Skill,环境从每个人各自搭变成一份配置,代码不出 VPC。上线后值得盯的三个数:改动一次过测试的比例、完成任务的平均轮次、回归集通过率。

场景二:月结分析从群里发起

主管在飞书群里提需求:把上月的渠道费用按区域拆开,和预算对比,出一版 20 分钟的汇报材料。以往这件事由分析师手工取数、对账、套模板。

托管之后,Agent 通过 MCP 连接数仓取数,按 OSS 里挂载的模板出稿,把口径写进 Skill,关键结论由记忆保留;财务在群里补两项数据,Agent 在原任务上更新。第二天接着做时,口径与上次的结论从记忆里取回,上一轮的取数与修改记录在会话与 Trace 里能翻到;会话按 TTL 回收,跟着跨天推进的部分交给 Team 的 Task 继续。

入口留在员工本来就在用的软件里,口径从个人经验变成团队资产,过程有记录可查。值得看的数:从提出到初稿的时间、返工次数、因口径不一致产生的返工占比。

场景三:值班排障

告警进来后,值班同学在群里让 Agent 查一下。Agent 先看服务拓扑与关联资源,再查日志与最近的变更记录,给出三个根因假设和验证步骤。涉及重启、扩容这类动作时,Agent 只给建议,执行由值班同学确认。

托管之后,排障过程留在 Trace 里:查了哪些服务、看了哪段日志、依据什么排除了一条假设。第二天复盘用同一条轨迹,不必靠口头交接;常见的排障套路可以写成 Skill,下一个人直接复用。

值得看的数:平均恢复时间、转人工处理的比例、诊断结论与事后确认根因一致的比例。

场景四:一套 Agent 服务多个客户

交付团队给不同客户做同一类助手:政策问答、工单分流、报表解读。单机形态下,每个客户复制一份配置,凭证散在各人机器上。

托管之后,每个客户一个 Workspace,凭证与 OSS 目录分开,FAQ 与交付文档做成 MCP,对外只暴露 Endpoint 与 API Key。差异放在配置与资产里,不用复制代码;客户问起数据边界,能按 Workspace 与凭证回答。

值得看的数:新客户上线时间、单客户需要改的配置项数量、审计材料一次备齐的比例。

四个场景的共同点:都不是让 Agent 更聪明,而是让它的输入可达、输出可审、过程可复用。输入是代码、数据、日志、知识,输出是改动、报告、处置、交付物,过程是会话与轨迹。

▍1.3 企业从托管到底获得了什么

方面单机形态下的实际开销托管提供的机制看哪些数
算力每人一台机器常开,峰值靠加机器一个实例承载多个 Session,Session TTL 回收空闲会话,自动扩缩容按负载调整峰值并发会话数、单会话 CPU 与内存、扩容触发次数
人力每人自己装环境、自己排障、自己记配置Agent 模板、Skill 与 MCP 的版本、平台侧观测新人跑通第一个任务的时间、重复配置的次数
风险日志随请求上传,操作没有统一留痕平台兼容模型连接与网关出口、三层身份、会话与 Trace能否回答谁在什么时候让 Agent 做了什么
资产会话、插件、Skill 都在个人 ProfileSkill 与 MCP 的版本管理、知识库与记忆托管、在 Workspace 内共享、评测集同事离职或转岗后,同一任务能否接着做

算力和人力第一个月就能看到效果:机器利用率更高,新人上手更快。 风险与资产要等具体的事发生才显现:用过这个 Agent 的同事离职或转岗,任务要由别人接手;审计或合规部门第一次来要材料;团队第一次换模型或换 Harness 版本。也正是在这些时刻,单机方案的成本会集中出现。企业采购时常说先小范围试试,该覆盖的其实是这三件事,而不是机器数量和上手时间。机器和上手时间随时能补,接入方式选错了要重做。

▍1.4 同一套托管机制,验收标准不同

这套接入方式值不值,不同的人判断标准不一样。

角色关心什么托管给什么试点期能看到什么
研发配置少、能改、跑得快配置化托管开箱用,自定义镜像保留改动,MCP 与 Skill 接内部系统当天建出 Agent 并完成一轮真实任务
平台与运维可控、可查、可追溯规格与配额、VPC、身份、观测、会话留存一次失败请求能定位到具体 Step
业务主管与财务花在哪、值不值按 Agent 与部门归因的用量、Token 配额月度用量与完成的任务量能对上

试点最容易失败的方式,是只让研发觉得好用。平台拿不到数据,主管看不到账,下一期预算很难批下来。反过来,一次试点如果同时给出当天可用、出事可查、花钱有账,推广时的阻力会小很多。

怎么把 DSH 接进业务

AgentCore 是阿里云的智能体构建和治理平台。 构建负责把 Agent 组装出来:选 Harness、绑模型、挂 Skill 与 MCP、配沙箱与规格。治理负责它上线之后怎么运行、怎么合规:实例与 Session 调度、企业身份与凭证代签、VPC 与网络出口、会话与 Trace、评测与版本管理、按 Agent 与部门核算的用量。

托管只是治理中的一部分:平台替你维护运行环境,但它的范围比运行时更大。DSH 决定 Agent 怎么思考、能调哪些工具,AgentCore 决定它用什么搭起来、跑在哪里、以什么身份跑、出了问题从哪里看。

上述能力对每种 Harness 一致:选 QwenPaw、Qoder、Codex、Pi 还是 DSH,接入方式、身份体系、观测口径与用量核算都是同一套,换 Harness 不必重做这些对接。

接下来两件事定下来,其余配置才有落点:选形态,Agent 跑在哪里、由谁维护;定入口,员工从哪里用上它。

▍2.1 DSH 接入 AgentCore 的三种形态

形态做什么适合的团队
配置化托管控制台填写配置,运行、扩缩容、观测与配额由平台负责多数团队,先用它跑通
自定义镜像或代码包把 DSH 运行时连同自己的 Profile、插件、改动打成镜像或代码包,平台注入模型连接、MCP、Skill 与凭证已经改过 DSH 配置、有存量插件的团队
本地或远端纳管DSH 继续跑在员工机器或客户环境,由 LoongSuite Pilot 采集并纳入平台观测暂时不搬运行时,先解决观测与成本

三条路径可以并存。同一个部门里,编码团队可能用自定义镜像保留自己的插件集,业务团队直接用配置化托管,运维团队先把存量机器纳管起来看数据。先跑通一条,再扩到第二条,比一次规划三条路径更现实。

配置化托管在控制台上就是一次创建,配置按四块组织:模型与提示词,绑定平台兼容的模型连接并选定模型,填系统提示词,或选模板复用角色文件;资产,添加 Skill、Subagent、MCP、知识库与凭证,并按需启用记忆插件;会话管理,选实例规格、单个实例的最大 Session 数、Session TTL 与自动扩缩容;网络配置与存储,按需开公网、接 VPC,需要读 OSS 数据时按挂载点接入。内置 Shell 与文件工具无需添加。

另外两条路径不走这个页面:自定义镜像或代码包上传后由平台注入模型连接、MCP、Skill 与凭证,纳管则在目标机器上装 Pilot 完成采集。

实例、Session 与上下文的关系值得单独说清:实例是运行 Agent 的计算环境,Session 是一组连续交互,上下文包含此前对话与工具执行结果。一个 Agent 可以跑多个实例,一个实例可以承载多个 Session。Session 从入口产生:直接调用 Endpoint、IM 渠道,以及协作实例中的聊天与 Task。这里的协作实例指加入 Team 后以 Leader 或 Worker 身份工作的 Agent 实例,它与人在任务房间里的每一轮交互各算一个 Session。

已有 Session 继续使用原实例,扩容时新 Session 优先分配给已就绪且未达上限的实例,多个可选时优先选择已有 Session 更多的实例。Session TTL 决定空闲会话的回收时机,也影响缩容节奏。

修改配置后,模型、提示词、Skill、Subagent、MCP 与凭证支持热更新;实例规格、镜像与挂载点需要重启,建议在任务结束后改。

还有一条与选型有关的前提要提前确认:三条路径共用平台提供的模型连接,而 DSH 的上下文缓存优化依赖 DeepSeek 官方 API 契约,换到其他模型提供方会失效,模型连接需要与所选 Harness 兼容。走官方 API 换缓存效果时,会话日志上传要显式关闭或按字段剥离,这一步要单独配置,托管不会默认关掉。

▍2.2 入口:Endpoint、IM 与 Team

入口不只是 Web。托管 Harness 支持直接访问 Endpoint、钉钉、飞书、企业微信,以及协作实例中的聊天与 Task。员工在原工作软件里提问,Agent 在平台上运行,账号、权限与审计留在平台侧。

外部应用按 AG-UI 协议接入,回复以事件流逐条返回,续聊沿用同一个 threadId。接入只需要 Endpoint 与 API Key,应用侧不必为每个 Agent 单独改造。

需要跨会话、跨天推进的工作,交给 TeamHarness:Agent 加入 Team 后被赋予 Leader 或 Worker,Leader 创建任务并向 Worker 分派子任务,执行转入任务房间;任务创建后用户不必保持原对话连接,状态变化由平台以 Bot 身份通知。启动超时、运行超时、会话失联与终态归档都由平台处理,不靠人盯。配置前建议先用一个真实任务走通一遍。

接进来之后怎么管

接入完成之后,管理才真正开始:从身份、凭证与网络,到观测与评测,再到落地的先后顺序,最后是需要提前知道的边界。

▍3.1 身份、凭证、网络与审计

采购评审会问的几件事,托管之后由平台侧承担,不需要每个部门自己搭。

资源按 Workspace 划分,跨部门不混在一起。在这个边界内,身份分三层:业务身份记录代表谁(uid、租户、云账号),执行身份记录在哪个会话与运行,资源身份记录可以调用哪些工具、Skill、沙箱与子 Agent。入站走 IAM 或 OAuth,出站凭据由保管库代签,应用侧不持有长期密钥。1.2 里的四个场景落到三类权限:取数、查日志对应查询,改代码对应修改,对外交付对应外部访问,这些能力最后都要落到上面三层身份上,三层对不上,权限就说不清。

网络默认收紧:公网访问要显式打开;访问 VPC 内的服务,除平台侧放通外,目标服务自己也要放通;需要读 OSS 里的数据时按挂载点接入。

用量与限流在平台侧计数:Token 配额与 Agent 维度的并发限流都在平台上设置和执行,不依赖应用自己记账。

会话日志与配置变更都留在平台侧,审计要材料时按 Agent 与会话取出。自定义镜像按版本保留,跨版本回滚与按插件粒度的版本管理仍在补齐。

▍3.2 从观测到评测,再到调优

DSH 的会话日志天然适合做观测:系统提示词、工具 schema、模型请求、流式输出、工具调用结果、权限切换与取消原因都追加在同一条日志里,轨迹被拆成 Turn、Step 与工具调用三层。短板在采集端,原生 OTLP Logs 插件默认关闭,单机使用要自己把采集插件注入 $DSH_HOME/cordis.patch.yml。

接入之后,这一步由 Pilot 完成:托管形态下平台侧代做,纳管形态下装在运行 DSH 的机器上。Pilot 发现 DSH 实例后注入采集插件,不改 DSH 源码,接入状态可用 loongsuite-pilot status 与 info 验证。数据进入平台后按三层组织:

层次对应什么用来回答什么
Session一段多轮会话这次问题属于哪个任务、谁发起的
Trace其中一轮请求这一轮慢在哪、错在哪
Span模型调用、工具调用等具体操作参数、返回、耗时、重试次数

一条 Trace 是否可用,按三条验收:步骤齐全,模型调用与每次工具调用都有 Span 且输入输出可读;嵌套正确,子 Agent 与异步任务不丢父 Span;染色正确,业务字段在传播中不丢且挂在对应 Span 上。企业已有基于 OTel Context 的自建链路系统时,需要给两套链路独立的上下文键,否则子 Agent 的 Span 会挂错父级。

评估不只靠模型打分。平台支持 Code、LLM 与 Agent-as-a-Judge 三类评估器;AgentCore 团队公开的评测实践以 terminal-bench 2.1 的 10 个任务做载体,另建三个正交的确定性评估器:任务完成度、红线规则判定与执行过程可靠性,全部用规则化脚本实现,不引入 LLM 打分的方差与宽松偏差。这样得到的结论度量的是 Harness 与模型的组合能力,换一个 Harness 也能用同一套口径比较。

四个场景里提到的那些数,之所以能算,是因为每一步都有落点:失败会话能找到 Trace,能定位到 Step,能加入回归集,改完配置或换模型之后能用同一批任务重跑。观测、评测、调优三件事就是靠这条链路接起来的:先看 Trace 找到问题出在哪一步,再用同一个评估器把改动前后的分数算出来,分数涨了才保留这次改动。任何一环缺了,效果就只能靠印象。

▍3.3 一份可复制的落地顺序

步骤做什么完成标志
1 选形态先用配置化托管跑通,再决定是否打自定义镜像控制台能创建 DSH Agent 并完成一轮真实任务
2 接模型绑定平台兼容模型连接,明确用量与配额口径请求经平台出口,用量可按 Agent 或部门归因
3 接账号把员工、Agent、服务账号映射到企业身份每个动作能回答代表谁、在哪个会话
4 装工具把内部 API 发布为 MCP,Skill 按版本发布;知识库与记忆启用平台托管的能力会话内工具表与资产版本一致,知识库与记忆都能检索到最新内容
5 接入口按需接入钉钉、飞书、企业微信或 AG-UI,跨天交付的配 Team 与 Task用户在原工作软件里发起,状态能通知到人
6 接观测打开上报,进平台做评估失败会话能定位到 Step 并加入回归集
7 立基线固定一批真实任务、模型与配置换版本或换模型时有可比的分数

时间上可以这样切:第一周跑通一个场景,第二到第四周把工具、账号与入口接上,第五周开始固定任务集、记录第一版基线。前三步决定能不能跑,后四步决定跑起来之后能不能管、能不能换。常见的卡点在第 4 步和第 6 步:工具资产没有版本,观测装了但没人看分数。

▍3.4 需要知道的边界

托管解决运行与治理,不改变 DSH 的成熟度。DSH 目前所有 tag 为 alpha 或 rc,官方明确建议在一次性环境中运行;托管提供会话级隔离与平台侧留存,但不承诺每个版本都可直接进生产主链路。

知识库、记忆、TeamHarness 与观测评估的接入按 Harness 的能力矩阵逐项开放,未列明的项以控制台实际可配为准。评估与回归能力已经可用;平台侧推送的 Harness 版本更新按灰度批次放量。

如果只是单人使用、追求 DSH 缓存带来的极致单价,或者没有合规与协作诉求,单机部署加一键脚本仍然更省成本。托管的价值要到多人共用、多任务并行、有审计要求时才显现。

判断托管是否值得,有一个简单口径:一个新人接手同一个任务,能不能接着上一个人的会话、工具、权限与评测基线继续做。能做到,Harness 才算真正进入组织。

如您对 AgentCore 感兴趣,欢迎加入“AgentCore 用户支持群”获取更多信息。钉钉群号:185130001370。

  • AgentCore 官网:https://www.aliyun.com/product/agentcore
  • AgentCore 快速入门:https://help.aliyun.com/zh/agentcore/agentcore-quick-start-1

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

把主力模型用在刀刃上:一个月 300 亿 Token、31 万行 Rust 背后的 AI Coding 实践

在阿里云 AI 网关上,我们构建了面向企业生产流量的智能路由产品。做 HiRoute 时,我把这类调度放到了开发者的本机,围绕一个编码会话的不同阶段选模型。

阿里巴巴云原生的博客 10

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 68

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 17

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 198

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 108

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 314

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 384

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 213

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 159

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 36

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 298

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
上一篇: 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
下一篇: 把主力模型用在刀刃上:一个月 300 亿 Token、31 万行 Rust 背后的 AI Coding 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 3157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