金磊 發(fā)自 凹非寺
量子位 | 公眾號(hào) QbitAI

龍蝦（OpenClaw）的火，是真的火，整個(gè)行業(yè)都在為這個(gè)能真正干活的Agent瘋狂。

但真用起來的尷尬，也是真的尷尬。

因?yàn)楹枚嗥髽I(yè)跟風(fēng)All in Agent，砸錢接入了頂尖大模型，搭好了看似炫酷的Demo，可一到規(guī)�；涞鼐皖l頻翻車——

要么卡在系統(tǒng)對(duì)接上，要么困在權(quán)限安全里，最后變成只有少數(shù)工程師會(huì)用的內(nèi)部玩具，根本跑不進(jìn)真實(shí)的業(yè)務(wù)流程。

這就不免讓人發(fā)出疑問了：人人都能用的龍蝦，怎么到了企業(yè)這里就水土不服了呢？

針對(duì)這個(gè)問題，來自MiniMax的Agent首席架構(gòu)師阿島和騰訊云Agent Runtime產(chǎn)品副總經(jīng)理、專家工程師Gary，在近期一場Agent Infra熱點(diǎn)圓桌中一針見血地戳破了真相：

企業(yè)落不好Agent，是人的思維從根上就出錯(cuò)了。

用“人在中心”的舊體系，套“Agent 為中心”的新時(shí)代

在直播中，阿島和Gary達(dá)成了一個(gè)最核心的共識(shí)，這也正是絕大多數(shù)企業(yè)Agent落地失敗的首要原因：

試圖在不改變原有工作流、不調(diào)整系統(tǒng)架構(gòu)的前提下，把Agent當(dāng)成一個(gè)“插件”強(qiáng)行嵌入現(xiàn)有的企業(yè)體系中。

現(xiàn)有的企業(yè)IT系統(tǒng)是怎么來的？是為了讓人更好地分工協(xié)作而設(shè)計(jì)的。

無論是OA審批、財(cái)務(wù)報(bào)銷，還是研發(fā)管理系統(tǒng)，其底層邏輯都是“以人為中心”。系統(tǒng)里塞滿了為了防范人類錯(cuò)誤而設(shè)置的審批節(jié)點(diǎn)、繁瑣的表單規(guī)范和層層遞進(jìn)的權(quán)限控制。Gary坦言：

絕大多數(shù)企業(yè)的常規(guī)操作，是讓AI去適配這些以人為中心設(shè)計(jì)的流程。

阿島在直播中用了一個(gè)非常生動(dòng)的比喻——Harness：

Agent就像一輛馬力全開的F1賽車。你想讓它跑出極限速度，就必須為它打造適配的車身與專業(yè)的賽道。但現(xiàn)在很多企業(yè)的做法，是強(qiáng)行把這輛F1賽車開到了普通的鄉(xiāng)鎮(zhèn)公路上，還要求它必須遵守家用轎車的限速和紅綠燈規(guī)則。這怎么可能跑得快？

想要真正釋放Agent的能力，企業(yè)必須完成一次思維的躍遷：從過去的“人在中心操控AI”，轉(zhuǎn)變?yōu)椤癆gent在中心干活，人是駕馭者（Harness）”。

這意味著企業(yè)的工作流、代碼項(xiàng)目、文檔規(guī)范，甚至文件命名，都必須轉(zhuǎn)變?yōu)椤懊嫦駻gent友好”的結(jié)構(gòu)化模式。Agent需要能拿到人能拿到的所有信息，而人，退居為它的輸入和輸出節(jié)點(diǎn)之一。

Gary用騰訊內(nèi)部的親身實(shí)踐佐證了這一點(diǎn)。

在騰訊內(nèi)部，研發(fā)團(tuán)隊(duì)最初嘗試將Agent接入需求管理系統(tǒng)TAPD。TAPD的設(shè)計(jì)源自傳統(tǒng)的軟件工程，強(qiáng)調(diào)角色分工（產(chǎn)品提需求、研發(fā)寫代碼、測試抓Bug），系統(tǒng)中布滿了復(fù)雜的富文本交互和審批節(jié)點(diǎn)。

“一開始我們嘗試在不改變既有工作流的情況下，把Agent對(duì)接進(jìn)去，結(jié)果發(fā)現(xiàn)這條路完全走不通�！盙ary回憶道。

真正的破局點(diǎn)發(fā)生在思維轉(zhuǎn)變之后。當(dāng)研發(fā)人員開始思考“我一個(gè)人如何在AI的輔助下最高效地完成工作”時(shí)，奇跡發(fā)生了：

我們發(fā)現(xiàn)突然不需要那么多流程了。我們以Git倉庫為唯一真源，消除了冗余的審批節(jié)點(diǎn)，賦予了Agent能夠自閉環(huán)的權(quán)限。那一刻，所有的落地門檻都消失了，Agent自然而然地就落地成功了。
真正的Agent Native企業(yè)，一定是圍繞Agent重新組織工作流的。

技術(shù)慣性認(rèn)知誤區(qū)，正在讓Agent落地走偏

如果說“舊瓶裝新酒”是思維上的宏觀阻礙，那么在具體的執(zhí)行層面，業(yè)界普遍存在的技術(shù)慣性認(rèn)知誤區(qū)，如同隱形的枷鎖，直接決定了Agent落地的成敗。

這是目前云廠商和IT基礎(chǔ)設(shè)施團(tuán)隊(duì)最容易犯的錯(cuò)誤。很多人僅僅把Agent看作是下一個(gè)微服務(wù)或者大數(shù)據(jù)升級(jí)。正如Gary所說：

我看到同行中有很多誤區(qū)，最典型的就是拿過去做微服務(wù)的那套K8s技術(shù)方案，去硬承接AI Agent。

這種生搬硬套是致命的，因?yàn)閮烧叩牡讓蛹僭O(shè)完全相悖。

傳統(tǒng)的Docker和K8s，假設(shè)的是應(yīng)用是無狀態(tài)的、同質(zhì)化的，并且是隨時(shí)可以銷毀和快速伸縮的。

但Agent的本質(zhì)是什么？

它是有狀態(tài)的，它的記憶和當(dāng)前執(zhí)行的上下文至關(guān)重要；它是異質(zhì)的，每一個(gè)Agent基于不同的設(shè)定和進(jìn)度，都是獨(dú)一無二的；它還是長時(shí)運(yùn)行的，可能需要7x24小時(shí)不間斷地為你盯著數(shù)據(jù)或執(zhí)行任務(wù)。

拿著解決靜態(tài)、無狀態(tài)問題的舊錘子，去敲擊自主、不確定性的Agent釘子，顯然只會(huì)把釘子敲彎。

云不僅是給人用的，更是給Agent用的

思維的轉(zhuǎn)變，最終必須落地到堅(jiān)實(shí)的基礎(chǔ)設(shè)施上。

過去幾十年的IT信息化進(jìn)程，無論是單體應(yīng)用、微服務(wù)還是大數(shù)據(jù)，其核心服務(wù)的對(duì)象始終是“人”。但正如Gary所言，AI Agent帶來的是一次真正的范式轉(zhuǎn)移——它改變了用云的主體：

過去的云都是人使用的，現(xiàn)在的云，是Agent去使用的。

這意味著，傳統(tǒng)的基礎(chǔ)設(shè)施已經(jīng)無法承載Agent的需求。為了解決這個(gè)問題，騰訊云推出了Agent Runtime。

它的核心設(shè)計(jì)邏輯非常清晰：消滅偶然復(fù)雜度（Accidental Complexity）。

對(duì)于大模型公司，他們只需要專注把模型能力做強(qiáng)；對(duì)于企業(yè)客戶，他們只需要專注自己的業(yè)務(wù)know-how。至于Agent怎么在一個(gè)安全的環(huán)境里運(yùn)行、狀態(tài)如何保存、權(quán)限如何管控、怎么跟第三方系統(tǒng)打通通信，這些龐大且繁雜的臟活累活，全部交由騰訊云Agent Runtime這樣的原生基礎(chǔ)設(shè)施來解決。

在這個(gè)體系下，騰訊云打造了專門的Agent網(wǎng)關(guān)來解決連接問題，并計(jì)劃開源Cube安全沙箱技術(shù)，從計(jì)算、網(wǎng)絡(luò)、存儲(chǔ)底座重新設(shè)計(jì)，為Agent提供一個(gè)既能保留工作狀態(tài)，又能安全隔離的專屬運(yùn)行環(huán)境。

但在這個(gè)環(huán)節(jié)也存在著一個(gè)安全認(rèn)知誤區(qū)。

因?yàn)橐惶岬紸gent擁有自主操作權(quán)限，很多企業(yè)的安全部門就如臨大敵：數(shù)據(jù)泄露怎么辦？它亂操作刪庫了怎么辦？

這種擔(dān)憂很正常，但如果因?yàn)檫@種擔(dān)憂就拒絕Agent，那就大錯(cuò)特錯(cuò)了。阿島認(rèn)為，這就像15年前電商剛興起時(shí)，大家都在質(zhì)疑“郵購靠譜嗎”、“支付安全嗎”一樣。

新技術(shù)的出現(xiàn)，必然會(huì)沖擊原有的基礎(chǔ)設(shè)施，但同時(shí)也一定會(huì)催生出適應(yīng)新時(shí)代的基礎(chǔ)設(shè)施。阿島指出：

在移動(dòng)互聯(lián)網(wǎng)時(shí)代，我們孕育出了手機(jī)一鍵登錄、微信支付、支付寶這樣的基礎(chǔ)設(shè)施，才有了后來的外賣、打車和電商生態(tài)。
Agent時(shí)代也一樣。今天大家覺得安全是阻礙，但未來一年，我們一定會(huì)看到專屬于Agent身份認(rèn)證、權(quán)限委托的“時(shí)代支付寶”出現(xiàn)。

Gary對(duì)此也補(bǔ)充道：

未來智能體甚至可能會(huì)在法律或者事實(shí)上擁有某種類似于企業(yè)法人的地位和權(quán)限。我們要做的是構(gòu)建Agent時(shí)代的安全沙箱和授權(quán)體系，而不是因?yàn)楹ε戮屯磺啊?br/>

騰訊云Agent Runtime的核心設(shè)計(jì)，正是從底層基礎(chǔ)設(shè)施層面，為Agent構(gòu)建了這套原生的安全體系，通過Cube安全沙箱的全隔離運(yùn)行環(huán)境、精細(xì)化的權(quán)限管控機(jī)制、全鏈路的操作軌跡可追溯能力，從根源上解決企業(yè)對(duì)Agent安全的核心顧慮，讓企業(yè)無需再因安全擔(dān)憂而限制Agent能力的釋放。

而騰訊云這種原生基礎(chǔ)設(shè)施的能力，在與MiniMax的深度標(biāo)桿合作中，展現(xiàn)得淋漓盡致。

熟悉大模型發(fā)展的人都知道，決定Agent能力天花板的關(guān)鍵技術(shù)之一，是Agentic RL。這與過去簡單的一問一答式訓(xùn)練不同，Agentic RL需要讓模型在一個(gè)真實(shí)的沙盒環(huán)境中（比如Mac系統(tǒng)寫iOS代碼，或者Windows系統(tǒng)操作桌面）去自主探索、試錯(cuò)并獲得獎(jiǎng)勵(lì)。

這對(duì)底層Infra提出了極其苛刻的要求。

阿島透露，為了覆蓋足夠多的場景，MiniMax可能需要同時(shí)拉起十萬甚至幾十萬級(jí)別的沙盒。這些沙盒里跑著不同的操作系統(tǒng)鏡像，它們必須在秒級(jí)啟動(dòng)，而且環(huán)境必須高度穩(wěn)定、支持隨時(shí)快照保存：

一開始我們用傳統(tǒng)的K8s去跑，發(fā)現(xiàn)根本不行，幾萬個(gè)并發(fā)瞬間就把K8s的Master節(jié)點(diǎn)拉垮了。
傳統(tǒng)的Infra工程師面對(duì)這種需求，第一反應(yīng)往往是“你能不能少拉一點(diǎn)？”

但在AI的進(jìn)化速度面前，妥協(xié)意味著落后。

在這個(gè)關(guān)鍵節(jié)點(diǎn)，騰訊云展現(xiàn)了強(qiáng)大的定制化加速與底層重構(gòu)能力。

為了支撐MiniMax龐大的并發(fā)需求，騰訊云拋棄了修修補(bǔ)補(bǔ)的思路，針對(duì)Agentic RL場景將計(jì)算和存儲(chǔ)進(jìn)行了全面重塑：

• 在計(jì)算調(diào)度上： 深入內(nèi)核級(jí)進(jìn)行鎖優(yōu)化和快照技術(shù)攻關(guān)，確保海量異構(gòu)沙盒的秒級(jí)并發(fā)啟動(dòng)。
• 在存儲(chǔ)加速上： 針對(duì)MiniMax Agentic RL訓(xùn)練面臨的數(shù)十萬異構(gòu)鏡像分發(fā)、帶寬瓶頸的核心痛點(diǎn)，摒棄了傳統(tǒng)繁瑣的拷貝和復(fù)制流程，基于Cube平臺(tái)自研了塊級(jí)去重、多級(jí)緩存、按需加載的專屬加速存儲(chǔ)方案，利用內(nèi)存映射等底層技術(shù)實(shí)現(xiàn)了磁盤直接作為鏡像盤或沙盒盤的瞬間掛載，可支撐分鐘級(jí)數(shù)十萬沙箱的快速拉起，并發(fā)能力可隨集群規(guī)模平行擴(kuò)展；同時(shí)針對(duì)訓(xùn)練中高頻的CheckPoint斷點(diǎn)回放、分叉實(shí)驗(yàn)需求，打造了自研的CoW快照存儲(chǔ)設(shè)施，支撐Agent秒級(jí)的暫�；謴�(fù)與快照回滾能力，徹底解決了傳統(tǒng)存儲(chǔ)方案在大規(guī)模Agent訓(xùn)練場景下的性能瓶頸。

正是在這種真正Agent-centric的極速算力基礎(chǔ)設(shè)施支撐下，MiniMax得以實(shí)現(xiàn)模型能力的月級(jí)別快速迭代，并在復(fù)雜人設(shè)保持、長程任務(wù)執(zhí)行上達(dá)到了比肩甚至超越國際頂尖模型的水平。

Gary這樣總結(jié)與MiniMax的合作：

我們不是比別人更聰明，而是我們真正認(rèn)識(shí)到了這是時(shí)代的范式轉(zhuǎn)移，并且認(rèn)真地去重構(gòu)它。

給從業(yè)者的建議

從會(huì)聊天的工具，到能干活的生產(chǎn)力；從個(gè)人桌面的Demo，到千行百業(yè)的大規(guī)模落地。Agent正在以不可逆的姿態(tài)重塑這個(gè)世界。

阿島預(yù)測，在未來一年，Token的成本將呈指數(shù)級(jí)下降，我們將看到全模態(tài)的Agent在便攜設(shè)備中實(shí)時(shí)互動(dòng)，并且具備自主進(jìn)化、自己編寫Skill的能力。

在這樣一個(gè)近乎科幻的現(xiàn)實(shí)面前，企業(yè)和普通開發(fā)者該如何自處？

兩位行業(yè)前沿的探索者給出了最樸素也最核心的建議：

第一，破除Agent與我無關(guān)的偏見。

無論你是做前端、后端、產(chǎn)品還是行政，只要你的工作中有重復(fù)性的內(nèi)容，Agent就一定能為你提效。不要因?yàn)橐婚_始用不好，就覺得是崗位不匹配或者AI太笨。堅(jiān)定地相信它，是落地的第一步。

第二，建立AI Native的工作模式，把Agent的價(jià)值用透。

Gary分享了他自己的一種新型焦慮癥：

我發(fā)現(xiàn)我的Token根本用不完。我的Agent不需要吃飯，只需要一臺(tái)電腦和Token就能干活，但我居然沒有讓它時(shí)刻運(yùn)行起來替我打工，這說明我自己的工作模式還不是AI Native的。

企業(yè)落地的第一步，不是立刻重構(gòu)大系統(tǒng)，而是先讓每個(gè)員工在自己的具體崗位上把Agent用起來。

當(dāng)大家都習(xí)慣了Agent，內(nèi)部自然會(huì)形成分享插件和know-how的“大集市”，沉淀出企業(yè)的AI資產(chǎn)。只有底層的基建和員工習(xí)慣都Agent-friendly了，組織形態(tài)的重塑才會(huì)水到渠成。

第三，也是最重要的一點(diǎn)——Build is everything！

不要等系統(tǒng)完美了再上場，不要等公司下達(dá)指令再行動(dòng)。就從今天開始，從解決工作中的某一個(gè)小Bug、回復(fù)某一類郵件開始，用WorkBuddy、用MiniMax去搭建屬于你自己的Harness。

在這個(gè)日新月異的時(shí)代，衡量一個(gè)工程師或企業(yè)效率的標(biāo)準(zhǔn)，或許很快就會(huì)變成：你每天能同時(shí)讓多少個(gè)Agent為你打工？你每個(gè)月能燒掉多少有價(jià)值的Token？

Agent時(shí)代的入場券，不屬于那些在岸上觀望的人，只屬于那些敢于跳下水，一邊嗆水一邊學(xué)習(xí)游泳的構(gòu)建者。