从个人生产力到企业生产力，阿里云发布企业级 Agent 平台 AgentCore

个人生产力提升了，等于企业的生产力也提升了吗？似乎，大家比以前更忙了。

我们用 AI Coding 写代码，用办公 Agent 处理各类文档需求。个人生产力被大幅提升，每个岗位都在左移和右移，越来越多的人成为企业内的多面手。但是员工间的协作效率并没有提升，反而因为每个人生产力提升带来的协作中间产物增多，导致协作负担变重。你用 AI 加大输出，我再用 AI 简化输入。

软件的本质，是解决规模化带来的复杂度问题。企业不止是个人的简单叠加，还涉及目标、理解、协作、组织设计等等，企业生产力的提升，复杂度远高于个人生产力的提升。

云栖大会期间，阿里云发布了企业级 Agent 平台 AgentCore，旨在通过更加原生的人机协作方式，以及更完整的 Agent 构建和治理的平台能力，提升企业的生产力。

阿里云 AgentCore 服务的对象是企业，由企业 AI 中台或类似定位的技术团队基于 AgentCore 构建新的智能体、统一治理企业内的多源智能体，包括员工使用的 Coding 和办公智能体、各部门团队自建的智能体、外采的智能体服务等。

从下方控制台界面看，是作为平台型产品，AgentCore 围绕智能体生命周期提供了构建、运行、治理和调优的能力。

此外，不同于其他 Agent 平台型产品，AgentCore 还提供了 Team 协作空间，使用 IM 这种更加原生的协作方式，通过创建“岗位角色”，组织长期工作，而非通过“任务”来满足短期需求。

Coding Agent 和办公 Agent 加速了企业对智能体的认知，但是智能体要成为企业生产力，依旧存在以下三大挑战：

• 工程化挑战：从概率智能到可靠生产力，Agent 需要能够承担关键任务。

• 规模化挑战：稳定、安全、性能、成本，从单点试验到智能基础设施，Agent 需要能够被大规模部署。

• 组织化挑战：从 Agent 孤岛到智能组织，Agent 需要能够进入核心业务流程。

企业生产力的进化，经历了三个阶段：个人经验、流程和软件、智能化能力。我们目前正处于智能化能力的前期。当 Agent 真正进入生产链路、承担真实工作，需要重新定义组织的流程、角色、协作与度量方式。

例如，在构建与准入阶段，企业要对多源智能体进行身份和鉴权、隔离环境执行、网关和外部系统管控。在组织与交付阶段，人机协作中要设计任务拆解、协作规则、分配上下文、成员角色管理和结果汇总，并要求过程可干预。评测与进化阶段，要做智能体调优，例如数据接入、智能体轨迹、评估目标和任务设定、实验回测等。沉淀与复用阶段，要构建企业智能资产，包括 Skills 与工作流、知识与记忆、工具契约，评测集与质量基线等。

AgentCore 以统一构建、统一纳管、统一治理三层能力，加上企业智能资产广场，覆盖上述生命周期。对智能体运行所需的基础组件进行统一构建，把不同技术栈的智能体接入同一套运行与管控体系进行统一纳管，对身份、权限、观测、评测与审计提供一致策略，负责企业自有 Skill、MCP 与 Agent 的登记与分发。

应对工程化挑战：让 Agent 承担关键任务

Agent = Model + Harness，大量事实证明，Agent 承担关键任务不可靠，并不是因为模型智力问题，而是不恰当的工程设计导致的。

企业关键任务通常运行时间长、涉及多次工具调用和执行分支，AgentCore 的 Harness 层通过管理上下文、模型、工具、持久状态与故障恢复，以及运行时权限，使任务在中断后可以恢复而不是从头重来；所有执行发生在运行时沙箱中，代码沙箱、浏览器沙箱与通用沙箱提供会话隔离与弹性运行。任务完成率超 99%。

在此之上，AgentCore 把每次执行变成可验证的证据链。Trace 记录任务轨迹与工具调用，配合用户反馈定位失败发生在哪一步，线上故障响应时间缩短至 1s 以内。评估环节由具备工具与领域知识的 Agent Judge 进行自动化评估，经测试，准确性 >90% 人类专家，同时保留必要的人工复核。

失败案例、上下文与专家结论，可以在平台上继续沉淀为版本化 Dataset，对 Prompt、Skill、模型与上下文的调整都经过实验、回归和灰度验证后再发布。企业由此可以判断一个 Agent 是否达到承担关键任务的标准，而不是依据演示效果做决定。

应对规模化挑战：让 Agent 被大规模部署

规模化的前提是不为每个团队、每种技术栈重复建设。AgentCore 统一构建把智能体运行所需的基础组件收敛为共享底座：运行时沙箱提供隔离执行环境，记忆库提供长短期记忆并可对接多个记忆服务，知识库以 RAG 方式接入百炼与 RAGFlow，模型服务支持多模型统一接入并兼容百炼与 BYOK，网关统一接入并管控 OpenAPI 与 MCP 调用。

统一纳管让高代码 Agent（LangChain、LangGraph、Google ADK、AgentScope）、开源 Harness Agent（OpenClaw、QwenPaw）与商业化 SaaS Agent（Claude Code、Codex、Qoder、QoderWork）进入同一套运行与治理体系，自研、托管与外部引入的智能体不必各建一套配套能力，100% 覆盖主流 Agent。

稳定、安全、性能与成本在同一套治理策略下约束。AgentCore 拥有独立、可管理的工作负载身份，按最小权限与联合授权承接任务并访问能力；调用外部系统经由网关完成凭证转换、访问控制与调用额度控制，越权拦截率超 99%；运行时权限与预算把成本约束前置到执行环节，例如临时探索的分支可以在完成后释放，稳定任务可以形成按需编队，长期稳定的能力可以注册为可发现、可调用的服务，生命周期由任务特点决定，可以显著降低 Agent 长时任务中的闲置算力成本，TCO 下降可达 70%，观测与审计保留完整证据，可以追溯谁发起了任务、使用什么身份、调用了哪个工具、影响了哪些资源，支持面向长任务秒级审计，并为容量规划与成本归属提供依据。模型服务的多模型接入使企业能够按任务难度与成本要求选择模型，而不是让所有任务使用同一档能力。

应对协作化挑战：让 Agent 进入核心业务流程

Agent 进入核心业务流程，要同时解决协作与责任。AgentCore 提供原生的协作方式，通过创建“岗位角色”，组织长期工作，而非通过“任务”来满足短期需求。以构建一个 AI 用量与成本分析平台的 Web 应用为例，在 AgentCore Team 协作中设定产品经理、研发、测试、运维的 Agent 岗位角色，再通过 Leader Agent 拆解任务、分配上下文并汇总证据，日志调查、链路调查与变更核验 Agent 并行推进；任务之间隔离上下文，同一任务内共享必要信息与结论；人定义目标、补充信息、确认关键操作，并在异常时接管。我们来看一段多人多 Agent 的协作视频。

应对工程化挑战：让 Agent 承担关键任务

Agent = Model + Harness，大量事实证明，Agent 承担关键任务不可靠，并不是因为模型智力问题，而是不恰当的工程设计导致的。

企业关键任务通常运行时间长、涉及多次工具调用和执行分支，AgentCore 的 Harness 层通过管理上下文、模型、工具、持久状态与故障恢复，以及运行时权限，使任务在中断后可以恢复而不是从头重来；所有执行发生在运行时沙箱中，代码沙箱、浏览器沙箱与通用沙箱提供会话隔离与弹性运行。任务完成率超 99%。

在此之上，AgentCore 把每次执行变成可验证的证据链。Trace 记录任务轨迹与工具调用，配合用户反馈定位失败发生在哪一步，线上故障响应时间缩短至 1s 以内。评估环节由具备工具与领域知识的 Agent Judge 进行自动化评估，经测试，准确性 >90% 人类专家，同时保留必要的人工复核。失败案例、上下文与专家结论，可以在平台上继续沉淀为版本化 Dataset，对 Prompt、Skill、模型与上下文的调整都经过实验、回归和灰度验证后再发布。企业由此可以判断一个 Agent 是否达到承担关键任务的标准，而不是依据演示效果做决定。

应对规模化挑战：让 Agent 被大规模部署

规模化的前提是不为每个团队、每种技术栈重复建设。AgentCore 统一构建把智能体运行所需的基础组件收敛为共享底座：运行时沙箱提供隔离执行环境，记忆库提供长短期记忆并可对接多个记忆服务，知识库以 RAG 方式接入百炼与 RAGFlow，模型服务支持多模型统一接入并兼容百炼与 BYOK，网关统一接入并管控 OpenAPI 与 MCP 调用。统一纳管让高代码 Agent（LangChain、LangGraph、Google ADK、AgentScope）、开源 Harness Agent（OpenClaw、QwenPaw）与商业化 SaaS Agent（Claude Code、Codex、Qoder、QoderWork）进入同一套运行与治理体系，自研、托管与外部引入的智能体不必各建一套配套能力，100% 覆盖主流 Agent。

稳定、安全、性能与成本在同一套治理策略下约束。AgentCore 拥有独立、可管理的工作负载身份，按最小权限与联合授权承接任务并访问能力；调用外部系统经由网关完成凭证转换、访问控制与调用额度控制，越权拦截率超 99%；运行时权限与预算把成本约束前置到执行环节，例如临时探索的分支可以在完成后释放，稳定任务可以形成按需编队，长期稳定的能力可以注册为可发现、可调用的服务，生命周期由任务特点决定，可以显著降低 Agent 长时任务中的闲置算力成本，TCO 下降可达 70%，观测与审计保留完整证据，可以追溯谁发起了任务、使用什么身份、调用了哪个工具、影响了哪些资源，支持面向长任务秒级审计，并为容量规划与成本归属提供依据。模型服务的多模型接入使企业能够按任务难度与成本要求选择模型，而不是让所有任务使用同一档能力。

应对协作化挑战：让 Agent 进入核心业务流程

Agent 进入核心业务流程，要同时解决协作与责任。AgentCore 提供原生的协作方式，通过创建“岗位角色”，组织长期工作，而非通过“任务”来满足短期需求。以构建一个 AI 用量与成本分析平台的 Web 应用为例，在 AgentCore Team 协作中设定产品经理、研发、测试、运维的 Agent 岗位角色，再通过 Leader Agent 拆解任务、分配上下文并汇总证据，日志调查、链路调查与变更核验 Agent 并行推进；任务之间隔离上下文，同一任务内共享必要信息与结论；人定义目标、补充信息、确认关键操作，并在异常时接管。我们来看一段多人多 Agent 的协作视频。

如果说企业生产力是产出，那么和平台如何分工就是企业的投入策略了。

过去一两年，Agent 开发的变化速度，可能超过了很多团队的预期。不少团队都有类似经历：一开始自己写 Agent Loop，后来接入 LangChain、LangGraph 等框架，再后来又开始关注模型公司提供的 Agent SDK 和 Harness Runtime。每一次模型能力升级，似乎都伴随一次架构调整。

以前需要业务团队自己实现的 Planner、Memory、Router、重试和状态管理，正在逐渐变成模型或平台的通用能力。于是，一个现实问题摆在面前：如果模型、Harness 还会继续变化，今天投入建设的 Agent，哪些部分能够真正留下来？

Agent 的建设可以拆成两条增长轴：

横轴代表通用智能，包括 Memory、Planner、Managed Runtime、Agent 协作等能力。这些能力是模型公司和云平台持续投入的方向，企业应该跟进，并尽量复用，避免重复制造已经逐渐成为基础设施的东西。横轴上的能力，未必适合作为企业长期资产。

纵轴代表业务深度，包括企业持续产生的业务事实，业务对象之间的关系，企业内部统一的业务语义，具体流程和规则，行业知识与业务经验。这些内容不会因为模型和云平台升级替企业完成，仍然需要企业在业务侧沉淀。

模型公司沿着通用智能的方向不断向前，企业沿着业务深度的方向持续向上，获得的智能面积越大，企业生产力的 ROI 越高。

Skills 与工作流、知识与记忆、工具契约、评测集与质量基线，这些都是企业的 AI 资产，企业基于平台持续的构建、优化和沉淀 ，模型越强，Agent 基于这些资产的推理和行动，就会更可靠。

本文来源：阿里云云原生