最近，Personal Agent「千问Go！」掀起了一阵热潮，参与测试的用户经历被反复转发：用户只说了一句“帮我沟通赔偿”，它就去查订单、核对航班动态、联系客服，甚至把平台原本只肯给的代金券，争取成了70元现金。而这并非孤例：市场上也正推出同类产品，Meta的Muse、Manus的Cue，以及国内多家厂商的产品密集面世。这一系列信号正在印证，Agent已经从走出演示阶段，走进日常事务，规模化落地已经开始。今年5月，Gartner预测，AI智能体软件支出将从2025年的864亿美元，增至2026年的2065亿美元，并于2027年达到3763亿美元。但要实现规模化，需要满足一个更为现实的前提：上一个技术时代，云原生成为了应用运行的标准，也定义了云的技术形态。如今，Agent开始规模化落地，需要的是“另一朵云”。区别在于任务的形态：一个回答问题的应用，可以在返回文本后结束请求；一个替用户办事的Agent，要等待外部系统响应，在中途生成文件，再根据反馈调整下一步，用户关掉界面，任务也未必结束。当这样的任务以亿为单位运行，云要交付的就不再只是算力和模型，而是一套能让Agent持续运行的环境。国际领先的云厂商已经开始集体换道。研究机构Omdia在《Agentic AI Cloud Titans in Asia &Oceania,2026》报告中，把AWS、阿里云、Google Cloud和微软Azure评为Agentic AI云的四家领导者，他们几乎在同一时间完成判断，并开始调整自己的技术栈。Google Cloud在Next大会上宣布从Cloud Native转向Agent Native，AWS推出Bedrock AgentCore，微软Azure的Foundry Agent Service正式商用，阿里云更是明确提出Agentic Cloud。以阿里云为例，自今年5月提出向Agentic Cloud转型之后，其技术栈就开始快速调整和迭代，短短四个月后的云栖大会上，阿里巴巴CEO吴泳铭把方向说得更直接，“芯片负责生产Token，云负责把Token送到每一个需要它的地方”，要建设的是“为模型和Agent持续运行而设计的AI云”。在他的判断中，这朵云还会形成网络效应，计算资源与工具得到联合优化之后，更多用户和Agent会加入，进一步扩大网络。这提供了一个类似梅特卡夫定律的观察角度，该定律用网络价值与用户数量平方之间的关系，描述连接可能产生的价值。Agent能使用的工具越多，能够获得的业务信息越充分，彼此协作越顺畅，它可以承担的任务就会倍增，创造的经济价值也越大。同一场大会上，阿里云CTO李飞飞进一步解释了这套体系如何建设，“一个是生产智能，一个是创造价值”，前者决定模型能力如何被生产和供给，后者回答这些能力怎样在企业里用起来。而两者之间，就是Agentic Cloud需要交付的内容。Agent规模化落地，云要交付的不再只是资源Agent基础设施会成为云厂商共同投入的领域，是因为它交付的不是一个调用一次就结束的平台接口，而是一段能跑到结束的运行过程。这类任务的数量还在增长。Gartner预测，到2028年，33%的企业软件应用将内嵌Agentic AI，2024年这一比例不足1%，届时至少15%的日常工作决策将由智能体自主完成。市场上各家给出的路径并不相同。一些超大云厂商把智能体的运行环境与企业级编排做成了云上的标准产品，另一些厂商则从沙箱、运行时、Token供给这些单点切入。方向是一致的，都在把云改造成能承载Agent的基础设施。对企业来说，用不用这些现成的能力，取决于自己搭建的代价。自行搭建，就要连接模型和业务系统，管理状态与权限，处理异常，并为每次改动建立评测机制，应用越多，维护这些连接的工作越重。云厂商提供的基础能力，能够替企业承担这部分工作，企业仍然需要定义业务规则和验收结果，但不必为每个Agent重新建设运行环境。阿里云的选择是做Agentic Cloud，把这些共性工程一起纳入云的交付范围。这一决策源于对用户需求的洞察，既要考虑模型如何被生产，也要考虑企业如何构建和使用智能体。李飞飞表示，模型能力决定智能决策水平，Context提供决策依据，Harness为执行和持续迭代提供保障。但要实现文章开头吴泳铭提到的AI云的网络价值，前提是单点足够可靠。一个模型作出错误判断，可能是推理能力不足，也可能是拿到了旧数据；一个计划没有执行成功，原因则可能出在工具调用或运行环境。只提高模型分数，并不能自动解决其他环节的问题。阿里云因此把能力建设延伸到模型训练与推理，智能体的构建与运行，以及企业数据的组织和使用，相比采购一项产品，企业得到的是一套可以共同工作的基础设施。Agentic Cloud如何接住企业交给Agent的是一项完整任务，能不能把活儿干好，取决于模型要判断怎么做，上下文要提供准确的业务信息，Harness则要组织工具调用，并根据执行反馈调整步骤。任何一环跟不上，都可能让任务停在半路。Agentic Cloud要解决的，就是让这三个要素在构建与运行中配合起来，并支持后续的治理和迭代。李飞飞在云栖大会上进一步拆解了这个问题，结合客户反馈和落地实践，他将企业级智能体需要的支撑归纳为四大能力支柱。第一项是全域认知引擎，解决Agent依据什么作出判断的问题。Agent的判断质量，很大程度取决于它能看到什么数据，而不只是模型有多强。企业通常有大量数据，却未必能直接用于任务，资料分布在不同系统里，同一个概念可能有不同表达，业务状态也在不断变化。模型需要知道哪些信息有效，哪些内容与当前任务有关，以及它是否有权使用这些信息。阿里云通过数据库和大数据能力处理这类需求，OpenLake提供全域多模态数据湖仓，解除引擎和数据的绑定，支持数据和AI引擎可控平权消费同一份数据。 ApsaraLakebase以湖库一体、数智融合的架构，将数据湖与数据库能力结合，并支持数据版本管理。Agent Context的上下文工程进一步把散在各处的资料整理成任务需要的信息，能被Agent直接使用。数据还要持续更新，一次人工修正，一条新的业务规则，都可能改变下一次任务的判断依据，企业需要管理的因而包括原始资料，也包括执行过程中积累的经验。第二项是自主运行与持续进化，对应Harness的主要职责。Agent运行不是一次调用就能完成的，中间要跨多个工具、多轮执行。Harness提供的正是执行框架，通过组织模型进行工具调用、安排执行步骤，再根据结果调整下一步。阿里云构建了面向企业级智能体的构建与运行平台AgentCore，把Agent需要的基础设施标准化、托管化，支持长任务、失败重试、断点恢复和异步执行，主要能力包括：执行环境中的沙箱负责隔离，存储保存状态与文件，监控则帮助团队了解任务经过了哪些步骤。这些能力解决的是不同问题，但需要共同工作：任务中断后，如果文件和状态无法恢复，Agent就可能重新执行已经完成的操作；调用失败后，如果缺少记录，团队也很难判断应该修改模型提示，还是调整工具与环境。第三项是可信协作与治理，对应权限层。Agent用的是企业的系统和数据，企业要先弄清楚它是谁、能碰什么，才敢把业务真正交给它。Agent进入企业系统后，需要明确身份及权限，它代表谁执行任务，哪些操作允许自主完成，哪些必须经过确认，都要有具体规则，多个Agent共同工作，还会涉及信息如何共享，以及责任如何追溯。阿里云的智能体身份服务Agent Identity负责为身份与授权提供支撑，结合安全机制约束Agent的实际操作，可观测产品则帮助企业分析调用过程和异常，它们共同决定企业能够在多大范围内放手使用Agent。李飞飞表示，“信用、信任以及支付能力非常关键，我觉得这一层的重要性将会越来越凸显。”一个任务是否被正确授权，调用了什么工具，产生了什么结果，都应当可以检查。第四项是智能实时决策，解决的是让前三项能够真正接入业务现场。当业务信息能够及时进入上下文，模型具备判断能力，运行与治理机制也准备就绪，Agent才能在企业工作流中根据实际状态采取行动。要实现上述系统化运转，就要考验底层能力：模型响应要快，推理成本要低，Agent才能在业务节奏里反复调用。阿里云通过灵骏支撑模型训练和推理，CPFS处理大规模训练中的数据读写——训练要保存检查点，故障后再恢复，读写速度决定了昂贵的计算资源的利用率，推理环节则需要处理资源调度和长上下文等问题，如果请求在队列里等太久，前面的判断再准也用不上。上述四项能力分属不同层面，李飞飞也强调，沙箱和存储提供执行条件，Harness组织任务及反馈，企业数据形成上下文，如果将它们全部归入某一个工具，反而无法解释实际工程中需要解决的不同问题。工程落地才是试金石能力体系是否成立，要看它在真实业务里的表现，而真实业务考验的是工程。模型给出的判断是概率性的，同一个模型接进不同的系统，结果差别可以很大；企业要的是任务被稳定完成，从数据的组织、任务的执行，到出问题后的定位与修复，每个环节都要靠工程补齐。三家企业，三种工程难题，比架构图更容易说明，这些能力为什么需要配合着使用。稀宇科技（MiniMax）与阿里云的合作覆盖了从模型训练到推理应用落地的完整链路。强化学习需要让模型自己进入环境改代码、编译、跑测试——失败了基于反馈修改，成功了保存完整轨迹进入下一轮。数据由此从静态变为动态，对沙箱的需求远超传统云计算：千万级沙箱快速加载、启动销毁压缩到几秒之内、应对一分钟从十万级到百万级的弹性波动。阿里云Agent Sandbox可以每分钟十万级并发拉起、支撑百万级并发运行，启动约一到两秒，热加载在一百毫秒以内。判断模型是否真的变强了，同样依赖基础设施。评测要让模型进入真实环境完成复杂任务，每个检查点都要拉起大量沙箱反复采样；计算和存储不稳定，就分不清失败来自沙箱抖动还是模型能力。MiniMax研发工程师、开发者关系负责人李元说，弹性控制成本之后，就能以足够低的成本知道模型到底是变强了，还是只是分数变高了。模型能力还要变成稳定的产品。Agent和聊天机器人最本质的区别，是有没有执行环境和状态——用户写了一半的代码、中间的文件和上下文，都需要完整保存。MiniMax此前采用对象存储方案，随着用户文件量增加，等待时间增长到十几秒，变得不可接受；向阿里云反馈需求几个月后，AgenticFS发布，每个用户拥有独立的性能配额，可直接挂载Agent Sandbox。李元说，最有价值的不是买云产品，而是云基础设施可以和团队一起快速迭代。小鹏集团则是与阿里云共建企业数据底座，把分散的业务知识组织成Agent可用的上下文。小鹏集团AI前瞻专家伦致远介绍，随着Agent进入实际工作流程，团队需要处理不断增长的知识，支持不同Agent的数据空间，并让记忆覆盖更多业务信息。这个数据底座覆盖业务知识和训练数据等需求，ApsaraLakebase是其中的支撑之一。业务规则和历史资料经过组织后，Agent才可能准确理解请求并完成操作。据伦致远现场披露，小鹏集团相关实践中的缺陷发现到修复耗时，由两天缩短至十分钟，在设计场景中，团队把历史素材和评审过程，以及设计师的理念提供给Agent，单次生成合规率达到83.3%。海尔盈康一生与阿里云通过可观测体系建设和Harness优化，解决了任务定位和成本匹配的问题。海尔盈康一生CAIO倪永全介绍，企业级办公助手小盈已经服务约13000名员工。应用规模扩大后，团队需要知道任务在哪一步出现问题，也要避免为简单请求使用成本过高的模型。为此，海尔盈康一生基于阿里云AI网关和AgentLoop建设了可观测与分析体系。在每一次推理可观测的基础上，构建了“观测、评估、优化”的Harness工程闭环，并根据用户意图选择模型，使计算投入与任务难度相匹配。目前，相关机制使任务成功率提升10个百分点，平均模型调用成本下降超过30%。AgentCore被用作运行底座，配合沙箱隔离、安全检测与授权制来约束实际操作。这种效果的提升来自多个环节的系统性共同调整，而非某一项产品的单一提升。此外，海尔盈康一生还把内部应用的业务能力提供为Agent可调用的工具，把流程经验沉淀为技能，应用产生的数据则进入企业数据湖，供其他工作继续复用。这种能力的复用，与AI云的网络效应直接相关。一项业务能力建设完成后，如果能够被更多任务调用，其价值就不局限于最初的应用。但连接必须有用，信息共享也需要符合权限边界；简单增加Agent数量，无法保证业务收益的同步增长。三家企业分别把问题落到了模型运行环境的工程供给、企业上下文建设和Harness工程闭环，它们需要解决的细节不同，共同之处是持续投入工程，才能让模型能力稳定地用于业务。Agentic Cloud的经济价值就体现在这里，企业的目的是让工作以更可靠、更经济的方式完成，阿里云已经通过产品体系和工程实践，将模型、Harness与上下文的协同落实到真实业务。对企业而言，当交付周期缩短了，任务成功率提高了，成本下降了，Token才在企业的账上有了明确的价值。（本文首发于钛媒体APP）更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App