安筱鹏：从把事做好到把事办成——多智能体协作的5大要素

非常荣幸有机会跟大家分享我们从一线的观察，关于多智能体协作整个技术架构的演进趋势。

先看三个来自一线的数字：今年 8 月，智能体对 token 的消耗已经相当于人类的五倍。OpenAI 的科学家中，token 消耗排名前十位的人，每天消耗的 token 约合 7000 美元。从阿里云的实践看，过去一年数据库实例增长了 400 倍，这 400 倍的增长中，80% 的实例由智能体搭建。

这三个数字说明一件事：智能体不再是实验性的玩具，而已经成为算力与数据消耗的主力。

年初 OpenClaw 的出现，意味着单一智能体的能力到了一个拐点。这个拐点的核心是：从去年 5 月份，随着 Claude Code 这类产品的出现，软件编程领域的智能体能力大幅提升。过去一个软件工程师可以编写 200 行代码，在 AI 的支持下可以写 1 万行，而且这 1 万行的质量可能比 200 行还要高。类似的，OpenClaw “小龙虾”的本质，是把全球 3000 万软件工程师的红利，拓展到 12 亿白领。

春节期间，我测试了各种各样的智能体。大半年来，我得出的最重要的结论是：今天的单一智能体，不是提高了我的工作效率，而是提高了我的工作能力——这是我最大的体会。效率，是把同一件事做得更快；能力，是能做过去做不了的事。两者的区别，正是这一轮变化的分量。

今天的智能体落地在哪里？大体有三类。第一类是生产力入口，比如今天在电梯、机场广告里经常看到的千问办公、WorkBuddy 等。第二类面向特定行业或工作环节，比如金融、编程、法律、医疗。第三类量大面广：每个企业都可能需要基于一个平台，搭建面向自身行业与业务场景的智能体。如阿里云支持兰州石化、一汽、牧原搭建各种面向高价值场景的智能体。

为什么单一智能体的能力在春节前后出现了这样的跃升？因为过去一年多，五项核心技术取得了突破：模型、Skills、CLI 交互、定时触发，以及长短期记忆。把这些能力封装到一起，单一智能体就跨过了从量变到质变的拐点。

单一智能体的能力拐点只是第一步。更关键的问题是：我们今天处在智能体形态演进的哪一个阶段？

从人使用智能体的方式看，可以划分为三个阶段。第一个阶段是辅助智能：智能体像一个人的“外挂大脑”，行动能力极其有限。第二个阶段是单体智能：独立的垂类 Agent 可以调用复杂工具，但智能体之间的交互仍然有限。第三个阶段是群体智能：人向一个智能体提出需求，由它调用多个智能体，共同完成任务，智能体之间形成协作网络。

那这个阶段，实际的商业场景上到底发生了什么变化？AI 时代软件三条出路：被增强、被降级、被吞噬。所谓被降级，业界有位专家提出过一个观点，听起来有些危言耸听，却值得思考：AI 正在对软件发起一场“斩首行动”——把软件的脑袋砍掉，把软件的躯体保留下来。换句话说，现有的软件体系正在被全面重构。

怎么重构？已有的软件功能会不断原子化，再为这些原子化的能力做手术，安装一个新的大脑。第一，形成超级智能体这一生产力入口；第二，通过 Skill 化、MCP 化、CLI 化，让软件逐步演变为智能体；第三，企业数据层也要与 AI 结合，进行新一轮迭代和升级。

所以，生产力入口、原子化并安装新大脑的软件，以及数据层，三者的持续迭代与协同演进，是未来的发展趋势。

那么，今天在实际的业务场景中，智能体跟智能体到底是怎么协作的？

满帮是一个连接 500 万货主与 1000 万司机的平台。围绕“我有一票货”这个需求，一群智能体如何协作，完成货主与司机之间的交易？货主只需提出一句委托：我要把货送到南京，找一个 13 米的车，运费别超过 1800。

首先是货主智能体，负责理解需求、分派任务。这里的核心是模型能否精准识别语义。它还要把“可协商项”和行业知识的“标箱”写入上下文，让后续每一步协商都有依据。接下来，任务交给找车智能体：它多路并行找车，进行 1 到 N 的检索匹配，再汇总、比价、排序，找到合适的司机和车辆。随后，货主智能体通过 MCP、API 网关和事件总线对接交易系统，经货主授权，在沙箱中执行，并由人工确认下单，进入交易系统。

这里需要两项非常重要的技术：一是通信，即智能体之间的协作协议；二是身份识别，进行智能体的识别和鉴权。

下单并不是流程的终点，后面还需要全程 7×24 小时地跟踪这单货。后面还需要两个智能体。一个是跟单智能体：由下单事件唤醒，7×24 小时盯盘，发生异常时自动重新规划。另一个是客服／判责智能体：由纠纷投诉事件唤醒，调取轨迹证据、裁定责任，客服人员兜底。

这背后需要的关键技术是运行时，需要沙箱、运行时、可观测、行为可审计。这是一个实际业务场景，不是演示。

从这个案例再往下看：多智能体协作需要哪些关键要素？我们认为有五个核心的要素。

第一，智能体身份信任。你是谁？我凭什么信任你？这一层要解决三个问题：身份识别——给智能体发“身份证”，并核验身份与主体是否对应；任务授权——明确它代表谁执行什么任务，相当于开一份“委托书”；权限核验——确认它在本次任务中能够调用哪些资源、执行哪些操作。

第二，智能体网络互联。怎么找到你？怎么可靠、实时、精准地触达你？核心是可靠触达，以及有状态、确定性的信息传输。

第三，智能体协作的语义层。这一层解决的不是网络连接，而是智能体之间如何调用、如何传递信息。协议就像插座：智能体之间通过 A2A 协作，智能体与工具、软件之间通过 MCP 连接。连接打通之后，还要通过协商契约明确质量与格式要求。再往上，则需要实时观测对方的运行状态，通过状态看板支持智能体编排。

第四，智能体协作编排与运行时。也就是 Harness，负责事件流的协作编排与执行。

第五，上下文工程。它直接决定多智能体协作的质量。在身份信任层，上下文体现为记忆的可见性与来源可信；在网络互联层，体现为上下文传递时的实时装配、一致性同步与多模态融合；在语义层，体现为上下文的统一表示、读写接口与反馈。

这五个要素，共同支撑起多智能体协作的复杂网络。

再看一个金融级场景。某券商的投顾人员问：某家公司近两季的盈利动能是否走弱，还能推荐客户购买这家公司的股票吗？

第一步，亮证开门。首先由持牌投顾人员向智能体授予本次任务所需权限，相当于发“身份证”。智能体查询行情数据库等数据源时，行情数据平台要验证它的凭证与授权范围，相当于查证件。这里的要求极其严苛：每次查询、每个字段都要核验授权，而不是授权一次、管一整天。

第二步，精准拆解任务、找对工具。接到任务后，智能体要先拆解，再依照协作标准与协议执行。任务契约是“立规矩”：明确执行要求，比如某项指标交给概率模型，还是交给数值计算工具。能力注册与匹配是“安插头”：从行情数据平台提供的 400 个 MCP 工具、A2A 接口中，找到所需的财务指标查询、财报分析等接口。同时，哪些任务交给 AI、哪些交给人，也要划分清楚。金融语义复杂、合规要求严格，任务不能随意分派，工作规矩不能自由发挥。这里就需要 Harness、上下文工程、 MCP 等等协议。

第三步，统一口径。“盈利怎么样”这样的问题，背后首先是指标口径。例如，“净利润”有十几种口径，涉及扣非／非扣非、单季／累计等区别，必须事先统一标准；再定义映射词典，明确自然语言对应的唯一指标口径。智能体对话的“语义格式”不能有任何模糊。

第四步，取数分析。指令要有序、可靠地传递，数据也要实时回传，再进行分析判断。这个过程中，网络抖动、丢包与时延都很重要：这里不允许网络抖动，因为它可能导致指令乱序、丢包；也不允许高时延，因为它可能导致数据过时、上下文不一致。那就需要网络本身的迭代——确定性的网络、超低延迟。

第五步，留痕对账。智能体的每一个行为都要能够回溯：给客户的每个数字，都能追溯到数据源、版本与时间戳；谁查询、谁签字，全程留痕。只有这样，才能满足金融级的审计要求，支持后续审计与调证。

这五步，对应前面讲的五个要素：亮证开门是身份信任，指令传递与数据回传是网络互联，任务拆解与口径对齐涉及协议语义、协作编排与上下文工程，留痕对账则体现了运行时的可观测与可审计。

这些协作需求，正在倒逼软件、硬件、云计算等一整套基础设施的迭代和升级。

软件层，需要智能体身份管理软件（如阿里云 Agent Identity）、智能体 Harness 与智能体治理平台（如阿里云 AgentCore）；协议层，需要智能体身份标识标准，以及 MCP、A2A 等协作协议；网络层，需要确定性网络（如阿里云HPN、TPN）、超低时延网络与数据中心全光直连；数据层，需要湖库一体与上下文工程。此外，硬件层也出现了新的机会：Agentic AI 为 RISC-V打开了新的应用空间。

把这些协作需求映射到技术栈，可以看到五个层次：智能——模型与智能体编排；数据——上下文与记忆；通信——A2A、MCP、网关；身份——识别与授权；运行——沙箱、运行时、可观测与行为可追溯／审计。智能体给每一个细分领域都带来了新的商业机会，从全球来看，尤其是在美国，会有一批 AI 原生的技术产品解决方案公司涌现。

一批搜索、网站和邮件产品正在面向智能体而非人类用户设计，成为真正的智能体原生产品。

看图表中的两组数字。一组是收购交易数：智能层 1 笔、数据层 4 笔、通信层 7 笔、身份层 9 笔、运行层 12 笔，五层都在发生并购。另一组是融资规模与估值：运行层融资规模达 17 亿美元，智能层 9 亿美元，数据层 6 亿美元，身份层 2.9 亿美元，通信层 1.7 亿美元。

它们在不断地快速变化，小企业不断地被并购。代表企业中，Modal 估值 157.5 亿美元，Temporal 为 125.5 亿美元，LangChain 为 30 亿美元，Exa 为 22 亿美元。收购方也在进场，CrowdStrike 收购 SGNL，Dynatrace 收购 Arize，Nebius 收购 Tavily。

我想表达的是：多智能体协作背后，是一个巨大的市场空间。技术快速迭代，既有体系不断升级，新的需求不断出现，也为原生技术与产品创造了新的商业机会。

面向未来，单一智能体的技术仍在迭代，多智能体协作的趋势也将持续演进。我们正处于“旧假设失效、新标准未定”的窗口期。在这五个层次中，旧体系都要升级，新问题也都在等待原生解法。

智能层，大模型更加聚焦智能体的任务能力，包括编程与长程复杂任务能力；用于智能体自主认知和执行的原生多模态刚刚起步，RSI 自主迭代仍在推进，模型迭代从按两个月、一个月，走向按周、甚至按天，模型与智能体协同演进。

数据层，数据库、存储与数据计算都要升级，走向湖库一体、统一数据源与即起即停；实时上下文与记忆则要求按任务动态装配、跨智能体共享、全程可审计；智能体正在成为数据的第一用户，企业级数据上下文，创新空间巨大。

通信层，网络需要面向智能体负载升级，HTTP 要升级为有状态连接，超低时延网络；而能力发现、异步协商与跨域协作等智能体协作协议仍处于早期；智能体与系统之间的“机器协议”，如A2A远不成熟，广域互操作也存在多种技术路径。

身份层，IP／用户名／证书构成的身份体系需要升级，从回答“谁在请求数据”，转向回答“谁代表谁行动”；可信验证不再是一次性的身份认证，而是持续的行为监测；身份体系正走向动态授权，数字员工与区块链、Web3 的结合空间巨大。

运行层，系统规模与安全防护强度需要升级，以应对百万卡算力、超大规模并发和 AI 安全需求；训练与推理加速、Harness、运行时、沙箱等 AI 原生与 Agent 原生基础设施，以及智能体原生操作系统与治理体系，正在诞生。

技术快速迭代、标准尚未定型，在这样的窗口期，宜采用审慎包容的治理态度。

回到开头的问题，单一智能体的能力跨过拐点之后，价值创造的重心正在从“一个智能体把一件事做好”，转向“一群智能体把一件事做成”。支撑这种协作的身份、网络、语义、编排与上下文五个要素，正在推动新一轮基础设施革命。这类似于云计算时代从虚拟化走向云原生的演进，只是这一次，变化围绕智能体展开。

对每一家企业而言，问题已经不再是“要不要用智能体”，而是软件、数据、身份与网络体系，何时准备好被智能体调用，以及如何支撑协作真正走进高价值场景。