云厂商集体转向 Agent 平台
阿里云在 8 月将 Agent 相关能力升级为企业级全栈服务平台 Agent Studio，并上线阿里云百炼，核心指向并不只是“拖拽搭 Agent”，而是把企业反复自建的运行、工具接入、记忆、检索和治理能力收拢到云平台。
过去一年，全球云厂商动作趋同。Microsoft Foundry 在 Build 上补充 Hosted Agents、Toolboxes、Memory 等面向生产的能力；Google Cloud 推出 Gemini Enterprise Agent Platform，把 Build、Scale、Govern、Optimize 放进一套平台；AWS Bedrock AgentCore 则将 Runtime、Memory、Gateway 等拆成可组合服务。行业关注点正在从 Agent 能做什么，转向 Agent 如何稳定、低成本、可治理地运行。
这种变化源于同一个现实：Agent 数量增加、任务变长、调用链复杂后，传统应用基础设施不够用了。Agent 指能自主拆解任务、调用工具并持续执行的智能软件；它不只是聊天机器人，执行一次任务可能持续数小时甚至数天，还要保存状态、读写文件、调用外部系统。
真正成本不只在模型
企业部署 Agent 的瓶颈往往发生在模型之外。麦肯锡今年 7 月的 Enterprise AI FinOps 调研显示，当企业从零散 AI 用例走向更大范围部署，整体 AI 支出接近增长到原来的四倍，93% 受访组织表示 AI 支出已超预算。波士顿咨询也将 Agentic AI 成本拆为一次性建设成本和持续运行成本，后者受模型调用、编排方式、工具调用频率、监控强度和系统集成影响。
这意味着企业账单不能只用 Token 解释。计算、存储、数据接入、工具服务、运行时、运维治理都会产生费用，其中不少投入很难形成业务差异。
业内目前大致有三条路线：
- 完全自建：DoorDash 将 Memory、模型访问、Tracing、Evaluation、Rollout Controls 等抽象为共享平台，并通过 Agent Gateway 统一身份、权限、凭证、限流和审计。其 Reservations Agent 复用既有生产链路后一周上线，速度提升 10 倍，新 Agent 统一使用 Tracing 也可节省近一个月可观测性建设。
- 使用开发框架：LangChain、LangGraph、AutoGen、CrewAI 等降低了搭建门槛。Lyft 曾用 LangGraph 编排多个客服 Agent，将原本约半年开发周期压缩到几周。
- 采用企业级 Agent 平台：云厂商、企业软件平台和数据平台把开发、运行、工具、记忆、治理纳入统一服务，减少企业重复造轮子。
Agent Studio 接管哪些工程“脏活”
Agent Studio 的 Managed Agent 可理解为托管式 Agent Runtime，即企业定义 Agent 要做什么，运行、隔离、状态、凭据等底层工作交给平台。Anthropic 今年 4 月复盘过类似问题：最初将 Session、Agent Harness 和 Sandbox 放入同一 Container，运行后发现故障隔离、状态保存和网络扩展都成问题，最终重新拆分。云平台试图把这类返工变成可直接调用的服务。
阿里云披露的保单条款审查案例显示，复杂保单原本需核保人员完成解析、条款对齐、风险定级和合规检查；封装为 Managed Agent 后，流程在云端连续执行，人只处理关键确认项。一份审查从三四小时缩短到约 15 分钟，效率提升十倍以上，核保员每日处理量提升数倍，单份成本为 0.12 元。
据介绍，Managed Agent 背后包含五层能力：
- 运行时底座：托管会话状态、沙箱、工具执行、事件记录和 Agent Harness，支持长任务中断后继续；
- 上下文管理：复用文件、代码仓库和跨会话记忆；
- 工具扩展：通过 MCP 和 Skills 接入外部系统；
- 安全层：负责沙箱隔离和密钥托管；
- 可观测与集成：记录执行和工具调用过程，并通过 API、Deployment 接入业务系统。
其中，MCP 是一种让模型或 Agent 连接外部工具与数据源的协议。它降低了接入成本，但没有完全消除账户注册、API Key、鉴权和账单管理。Agent Studio 的 One Key Service 试图用统一 API Key 压缩多条认证链路。阿里云称首批 One Key MCP 接入 14 家云市场合作伙伴，覆盖电商、地理信息、金融、法律、产业研究和物流等领域，后续接近 50 家 MCP 生态服务商将进入体系。
搜索、记忆与云服务入口之争
复杂任务不仅要接工具，还要知道“现在缺什么”和“过去知道什么”。Agent Studio 引入 Agentic Search：先理解意图并拆分子问题，再去对应知识库检索；若信息不足，会改写 Query、更换检索策略或重试工具，并支持章节浏览、章节精读、页面浏览等方式。传统 RAG 是“检索增强生成”，即先从知识库找资料再让模型回答；Agentic Search 则更强调多轮搜索和动态调整。
阿里云此前已推出 Knowledge Studio，支持多模态搜索回答、Agentic Search、多库混合检索问答，并支持 15 个知识库联合检索。记忆能力也被组织为 Memory Studio，拆成观察记忆、用户记忆和技能记忆，分别回答发生过什么、用户是谁、过去如何完成任务。
Agent Studio Playground 则把 Flow Agent、Managed Agent、RAG、Memory、MCP 和 Skill 放进统一体验中心，并预置场景模板；开发者可先运行场景，再查看背后能力，也可用 Vibe Builder 通过自然语言生成工作流和 Agent。
行业判断：竞争焦点转向运行底座
**Agent Studio 的野心不在单个 Agent Builder，而在成为企业 Agent 消费云服务的新入口。**未来一次任务完成时，Agent 会经过谁的平台、调用谁的服务、把状态和数据沉淀在哪套生态里，这些都可能比单次模型调用更重要。
但这一路线仍有不确定性。可靠性、权限控制、审计定位和跨平台标准尚未完全解决；MCP、A2A、Skill 虽在降低连接成本，不同平台在身份、运行时、记忆和治理上的差异仍会影响协作。短期看，企业级 Agent 平台最现实的价值，是把重复、昂贵、难形成差异的工程工作平台化；长期看，谁能让企业放心把更多运行链路交出去，谁就更可能在下一轮云服务入口竞争中占据位置。