左右決定企業(yè) AI 落地速度的，是能否把模型、算力、數(shù)據(jù)、工具、記憶、安全和成本統(tǒng)一起來。誰先擁抱 Runtime 、 Token 與 Data 協(xié)同的 AI 全棧云底座，誰就更有機會拿到 Agentic AI 時代的 “ 船票 ” 。
過去兩年，AI產(chǎn)業(yè)的敘事中心一直圍繞大模型展開：參數(shù)規(guī)模、訓(xùn)練效率、推理成本、模型能力邊界。
可當OpenClaw代表的Agent落地到千行百業(yè)，越來越多的問題浮出水面：一個能夠理解任務(wù)、調(diào)用工具、訪問數(shù)據(jù)、編排流程、持續(xù)執(zhí)行的智能體，需要的不僅是基礎(chǔ)算力和模型，而是一套完整的運行體系。
問題在于，什么是適合Agent的運行體系呢？
5月22日的KADC2026鯤鵬開發(fā)者峰會上，天翼云聯(lián)合鯤鵬給出了清晰的答案——構(gòu)建Runtime、Token與Data協(xié)同的AI全棧云底座。
很多企業(yè)做AI應(yīng)用，本質(zhì)上是在“調(diào)接口”：前端套一個聊天框，后端接一個大模型API，再接幾個業(yè)務(wù)插件。
這樣的模式，曾是兩年前的主流思路，但在Agent時代已經(jīng)行不通。
因為企業(yè)業(yè)務(wù)不是單輪問答，常常是跨系統(tǒng)、跨角色、跨流程、跨權(quán)限的連續(xù)任務(wù)，一個真正可用的Agent，既要能理解任務(wù)，也要能調(diào)用ERP、OA、CRM、知識庫、瀏覽器、代碼環(huán)境等工具。折射到企業(yè)的IT架構(gòu)上，AI不能停留在“外掛能力”的階段，必須變成云原生架構(gòu)中的一層運行時。
天翼云公有云事業(yè)部研發(fā)專家周望在演講中提到，天翼公有云當前的AI全棧產(chǎn)品體系被劃分為三個模塊。
第一個是Agent Infra，提供Agent Runtime、Agent沙箱、流程模式、中間件、Serverless底座等核心運行能力。可以理解為智能體運行的“水電煤”，解決了任務(wù)怎么拆解、工具怎么調(diào)用、狀態(tài)怎么保存、異常怎么回滾、權(quán)限怎么隔離、多個Agent之間怎么協(xié)同等應(yīng)用和運行問題。
第二個是AI Infra，包含異構(gòu)算力池化調(diào)度、推理加速、密態(tài)計算、智算網(wǎng)絡(luò)等算力與引擎能力。簡單來說，就是為Agent提供穩(wěn)定、高效、低成本的“動力系統(tǒng)”，解決的是怎么讓每一個Token生成得更快、更便宜、更安全，怎么讓每一個Agent任務(wù)跑得更穩(wěn)、更流暢、更可持續(xù)。
第三個是Data Infra，涵蓋向量存儲、極速緩存、可信數(shù)據(jù)空間等數(shù)據(jù)服務(wù)。Agent執(zhí)行任務(wù)的過程中，需要持續(xù)調(diào)用企業(yè)內(nèi)部的知識庫、業(yè)務(wù)數(shù)據(jù)、歷史記錄和外部信息，Data Infra的價值正是讓Agent在執(zhí)行任務(wù)時能夠快速檢索、精準調(diào)用、穩(wěn)定讀寫，并且保證數(shù)據(jù)安全和權(quán)限可控。
三個模塊實現(xiàn)了上層應(yīng)用到底層算力的全覆蓋，同時也揭示了Agent時代的生存法則：影響智能體能否落地的因素，不只是模型本身，關(guān)系到運行、數(shù)據(jù)、安全與成本控制在內(nèi)的全套能力。
企業(yè)需要的不是一個個孤立的Agent應(yīng)用，而是一個能夠承載智能體開發(fā)、部署、運行、治理和運營的統(tǒng)一底座，企業(yè)的AI基礎(chǔ)設(shè)施正在從“Model Native”走向“Agent Native”。
在Model Native的架構(gòu)下，主要提供算力、模型訓(xùn)練、推理接口、API調(diào)用，目標是讓企業(yè)“用上大模型”；而Agent Native架構(gòu)的要求，進一步升維到智能體運行所需的能力，需要原生融入云基礎(chǔ)設(shè)施中，涉及任務(wù)編排、工具調(diào)用、上下文管理、長期記憶、權(quán)限隔離、數(shù)據(jù)訪問……不再是應(yīng)用層臨時拼接出來的功能，而是AI基礎(chǔ)設(shè)施的標準能力。
就像天翼云所示范的：Agent Infra解決運行框架，AI Infra解決推理效率，Data Infra解決數(shù)據(jù)支撐，三者合在一起，才讓Agent從一個“會對話的應(yīng)用”，變成了適合千行百業(yè)的生產(chǎn)力引擎。
Agent進入企業(yè)的生產(chǎn)環(huán)境后，擺在案頭的是一個更加棘手的問題：一份份近乎“天價”的算力賬單。
和AI進行對話時，每次只需要完成一次回答，但企業(yè)Agent要處理長任務(wù)、多輪交互、多工具調(diào)用、多步驟規(guī)劃。一旦任務(wù)鏈條變長，問題就會集中爆發(fā)，其中被詬病最多的瓶頸有兩個：
一個是“失憶癥”，由于初期任務(wù)信息易丟失、缺少全局最優(yōu)規(guī)劃、缺乏自我修正機制等，導(dǎo)致長序列任務(wù)準確度較低。
另一個是“成本陷阱”，因為歷史上下文不可壓縮、失敗重試與冗余路徑增加等原因，Token消耗隨對話輪次指數(shù)級膨脹。
面對橫亙在千行百業(yè)面前的難題，天翼云和鯤鵬的合作沒有止步于算力：天翼云自研的智能體應(yīng)用AgentDesk與鯤鵬智能體記憶系統(tǒng)進行了協(xié)同增強，用軟硬協(xié)同方式消除了Agent長任務(wù)場景的系統(tǒng)瓶頸。
核心思路是引入鯤鵬oG-Memory管理框架，通過記憶壓縮、上下文緩存、精細提取、按需漸進加載、歷史會話摘要、記憶共享/隔離等能力，以及openGauss的向量存儲，鯤鵬的檢索加速、Embedding CPU加速、存儲加速等能力，在保留關(guān)鍵記憶的同時，降低推理過程中的Token開銷。
以LoCoMo長序列任務(wù)測試為例，AgentDesk+鯤鵬智能體記憶系統(tǒng)組合交出了一份實打?qū)嵉母叻执鹁恚涸陂L序列任務(wù)中的準確度達到90.8%，較原生OpenClaw提升了37%，較AgentDesk提升了36%；輸入Token消耗僅236萬，比原生OpenClaw降低了68%，比AgentDesk降低了30%。
隱藏在數(shù)字背后的，是軟硬協(xié)同的融合創(chuàng)新范式。
不少Agent框架處理長期任務(wù)，采用的是“堆上下文”的方式。結(jié)果就是，任務(wù)越長，塞進去的歷史越多，Token成本越高，模型注意力越分散。看似記憶比較完整，實際效率隨著對話輪次越來越低。
天翼云和鯤鵬的實踐，沒有簡單地把歷史對話塞回上下文，而是把記憶從上下文窗口里“拆出來”，變成一套可檢索、可壓縮、可分層、可隔離、可加速的數(shù)據(jù)基礎(chǔ)設(shè)施。在Agent執(zhí)行任務(wù)的過程中，模型不需要每次吞下全部歷史對話，可以在需要時按需加載關(guān)鍵記憶。
把視角再放大一些，天翼云和鯤鵬明確了一個方向：Agent的能力邊界，不只由模型決定，Runtime、Memory與算力基礎(chǔ)設(shè)施的協(xié)同，將是AI從對話機器人走向數(shù)字員工的分水嶺。
不只是長期記憶系統(tǒng)，在Agent的安全治理方面，天翼云和鯤鵬有著相同的原則——“讓AI在邊界內(nèi)行動”。
天翼云的智能體引擎AGE打造了瀏覽器、代碼、手機等沙箱系統(tǒng)，鯤鵬超節(jié)點的沙箱系統(tǒng)進一步實現(xiàn)了快速啟動、高密部署和快速回滾，正在以雙向奔赴的形式讓Agent既能高效、準確、低成本執(zhí)行任務(wù)，且始終被限制在可隔離、可回滾、可審計的安全邊界內(nèi)。
智能體時代的AI基礎(chǔ)設(shè)施，將從“應(yīng)用中心”轉(zhuǎn)向“Agent中心”，從“模型接入”轉(zhuǎn)向“運行體系”，從“單點智能”轉(zhuǎn)向“全棧協(xié)同”。
大模型并沒有消失，而是退到了幕后，成為AI計算底座中的一項基礎(chǔ)能力。左右決定企業(yè)AI落地速度的，是能否把模型、算力、數(shù)據(jù)、工具、記憶、安全和成本統(tǒng)一起來。誰先擁抱Runtime、Token與Data協(xié)同的AI全棧云底座，誰就更有機會拿到Agentic AI時代的“船票”。
《華為的AI+制造答卷》
《數(shù)據(jù)才是具身智能的“生死線”》
《新華三定義AI基礎(chǔ)設(shè)施的系統(tǒng)級進化》
《硅谷在“造墻”，中國在“修路”》
點“推薦”，變好看哦。
