经过两年多的发展后，AI 开始加速进入 Agent 时代。
当 AI 从“被动响应”迈向“主动决策”，AI Agent 正成为连接数字世界与物理世界的核心枢纽。
从自动处理客户服务工单的企业 Agent，到协调多步骤科研实验的学术 Agent，再到管理智能家居生态的个人 Agent，这种具备推理、规划、记忆与工具使用能力的智能体，正在重塑产业形态。
但支撑其智能的，是一套复杂且精密的基础设施——它不仅包含算法与模型，更涵盖从研发到部署、从协作到运维的全生命周期支撑体系。
2025 年，AI Agentic 基础设施（Agent Infra）迎来爆发拐点。DeepSeek、Qwen 等开源大模型的突破为 Agent 提供了强大的认知“大脑”，而模型上下文协议（MCP）的生态繁荣则赋予其灵活“四肢”。
据 IDC 预测，全球 80%企业将在年内部署 Agent。“大脑”与“四肢”的协同进化，正在倒逼承载二者的“躯干”全面升级，Agent Infra 成为技术攻坚的核心战场。
Agent企业应用
面临五大痛点
利用 AI 的能力将工作流程自动化，这类产品早已有之。在生成式 AI 出现之前，就有 RPA 类产品大行其道。
但限于当时的 AI 能力还较弱，RPA 只能将简单的单一工作流程自动化，不具备真正的智能，不能解决复合化的复杂问题。
直到生成式 AI 出现，各种真正具备智能的 Agent 应用出现，人们才从 AI 自动化中获得了很好的效率提升。
Agent 本质是一个能调用各种工具的 AI。比如 Manus，它用提示词控制 AI 模型，并编排了一个精巧的工作流（Work Flow），让 AI 模型使用各种不同的工具，然后完成一个复杂的任务。
但是，无论是以 DeepResearch 为代表的研究类 Agent 应用，还是 Manus 这样的通用 Agent 应用，都是通过网页或 App 的形式对终端的用户提供。
这种提供方式，并不适合专业的 AI 开发者，AI 创业者和企业用户。因为他们的需求是让 Agent 使用专有的数据，无缝地嵌入到业务中，为业务持续提供价值。
商业化使用 Agent，首先遇到的就是终端性能，但当一个功能强大的 Agent 在用户本地的终端运行时，会遇到各种各样的问题。
首当其冲的是 AI 推理的算力限制。Agent 由一个能力强大的 AI 模型及一堆供它调用的工具链组成。
运行能力强大的 AI 模型，通常需要 AI 专用的算力，由 GPU 或 AI 专用芯片提供，几乎没有消费级的 PC 或手机能部署高精度的大模型本体。因此，目前大量的 Agent 公司都采用了云端算力的方式，将模型的训练和推理都放在云端完成。
其次是执行任务的算力。Agent 任务具有高并发、高算力需求的特点，企业在本地部署了 Agent 后，当 Agent 支持的业务量开始快速增长时，马上就需要更多算力，本地部署的速度跟不上；反过来，当这个业务闲置时，又没有那么多算力需求，会对企业造成巨大资源浪费。
比如 Manus 在初期是用本地服务器的虚拟机去做任务，这也导致它在用户大量涌入的时候，出现了性能不足、服务不稳定的情况，一定程度上影响了初期口碑。
再次是 AI 工具配置麻烦。Agent 若不能调用工具，就很难具备解决复杂问题的能力。
例如，要搭建一个销售类 Agent，它需要调用 CRM 获取客户信息，调用内部的知识库以备自动向客户介绍产品，还需要调用各种通讯工具以便直接触及到客户。
国内各地已经有不少的智算中心，可以初步缓解算力限制问题，但是这些智算中心却只提供算力，不提供搭建 Agent 需要的各种工具链。
企业要定制与业务紧密耦合的 Agent，就需要自己搭建工具链。这是一个很复杂的工程，一方面需要很高的开发成本，另一方面，在 Agent 正式部署前，需要不短的开发时间，这反而会延缓企业的业务发展速度。
当解决了算力限制和 AI 工具配置的问题后，专业 AI 开发者和企业用户马上会遇到 第三个问题是权限冲突。
开发和部署 Agent 的目的，是将其嵌入到自己的业务中。而这个过程，除了要调用各种各样的工具以外，还需要与业务中的各类软件紧密配合。
以销售类 Agent 为例，当它调用 CRM，内部知识库和对外通讯工具时，不仅会占用本地计算资源，更麻烦的是，它会抢占人类员工的访问和操作权限。
当 Agent 不是与人类协同，而是互相内耗时，反而可能拉低整个团队的整体工作效率。
对于企业用户，还有一个大问题，就是安全性差。企业使用 Agent 的目的就是要增强自己的业务，或者提高员工的效率，这势必需要使用公司的内部数据。
但是 Agent 任务执行是一个黑盒子，执行过程对于用户来说是不透明的，有可能对本地电脑文件系统进行修改、删减等操作，轻则留下垃圾文件造成系统臃肿，重则造成文件丢失或数据泄露。
更进一步，其实 Agent 在调用工具时，本身就会有安全隐患。
据统计，超过 43%的 MCP 服务节点存在未经验证的 Shell 调用路径，超过 83%的部署存在 MCP 配置漏洞；88%的 AI 组件部署根本没启用任何形式的防护机制。
当未来 Agent 的使用越来越普及，安全和信任的重要性，在 AI 时代比在互联网时代更加重要。
当真正把本地部署 Agent 用起来后，企业还会面临一个问题，就是 Agent 缺乏长期记忆。
当缺乏语义记忆和场景记忆，Agent 能完成一次性的任务，这会严重影响 Agent 在企业业务中的使用范围。
当企业用户将 Agent 用到业务中时，如果能为其赋予长期记忆，那么 Agent 除了能够完成多次任务，企业还可以根据这些记忆迭代 Agent，使其对业务或用户的理解越来越深，在特定任务上的能力越来越强。
Agent Infra乘风而来
如今，云厂商竞相推出新一代 Agent Infra 技术架构。
比如 AWS 推出 AgentCore（预览版），其基于 Lambda FaaS 基础设施深度定制和优化的全托管运行时，为 Bedrock Agents 解决了标准 Lambda 的关键限制，如长时执行、状态记录、会话隔离等。
Azure 则推出 AI Foundry Agent Service，集成 Functions FaaS 事件驱动使得 Agent Service 能够利用 Serverless 计算的事件驱动、可扩展性和灵活性，更轻松地构建和部署 Agent。
Google Cloud 推出 Vertex AI Agent Builder，官方虽未明确但普遍推断其高度依赖并优化了 Cloud Run（Cloud Functions 2nd Gen 已经基于 Cloud Run 来构建）来支撑长时运行、并发和有状态的需求。
阿里云推出函数计算 Function AI，官方明确基于 FC FaaS 的 Serverless x AI 运行时深度优化，推出模型服务、工具服务、Agent 服务，开发者可自主选择模型、运行时、工具的一个或多个以组装式设计构建和部署 Agent。
PPIO 推出国内首个 Agentic AI 基础设施服务平台——AI 智能体，该 AI 智能体平台产品分为通用版和企业版。
通用版以分布式 GPU 云底座为支撑，发布中国首款兼容 E2B 接口的 Agent 沙箱，以及更适用于 Agent 构建的模型服务。
Agent 沙箱专为 Agent 执行任务设计的云端安全运行环境，支持动态调用 Browser use、Computer use、MCP、RAG、Search 等各种工具，为 Agent 赋予安全可靠、高效敏捷的“手和脚”。目前，该沙箱已接入 Camel AI、OpenManus、dify 等著名开源项目。
这些技术共同指向同一目标——为 Agent 提供更高弹性、更低延迟、更强安全、更长会话的“躯干”，支撑其从实验室迈向千万级企业场景。
当认知与行动完成闭环，Agent Infra 的技术代差将决定企业 AI 创新和转型的落地速度与质量。
Agent 开发范式的演进对底层基础设施提出了全新要求。
各大云厂商的新一代 Agent Infra 聚焦长时运行、会话亲和、会话隔离、企业级 IAM 和 VPC 及模型/框架开放等技术突破，本质上是为满足三类核心 Agent 形态的共性需求。
首先是 LLM Agent 连续调用工具的强诉求。LLM Agent 需连续调用工具链完成复杂推理，可能跨越数分钟甚至数小时。
传统 Serverless 的执行时长限制（如 AWS Lambda 的 15 分钟上限）会强制中断任务，因此新一代 Agent Infra 必须突破该限制，支持长时运行。
同时，为维持多轮对话的上下文一致性，需会话亲和确保同一请求路由到同一计算实例，避免状态丢失。
其次，Workflow Agent 对状态管理的依赖。自动化工作流（如数据处理 Pipeline）需持久化记录执行状态。
传统 Serverless 的无状态特性无法保存中间结果，而新一代 Agent Infra 通过提供有状态会话保障工作流的原子性和可恢复性。会话隔离则确保多租户或高并发场景下任务互不干扰，满足企业级安全合规要求。
第三，Custom Agent 的灵活性与生态整合。Custom Agent 需集成异构工具（API、领域模型、数据库、Code Interpreter、Browser Use 等），要求新一代 Agent Infra 支持模型/框架开放（如 AutoGen、LangChain、AgentScope）。
封闭式架构会限制 Agent 能力扩展，而云厂商通过解耦计算层与框架层，可提供插件化集成接口。
新一代 Agent Infra 在保留 Serverless 核心优势（全托管免运维、轻量弹性更经济）的同时，通过关键功能（长时运行、会话亲和/会话隔离）和技术突破（状态持久化、冷启动优化、开放集成），解决了 LLM Agent 的持续推理、Workflow Agent 的复杂状态流转、Custom Agent 的灵活定制等核心需求。
这标志着 Agent 开发正从“手动拼凑传统组件”转向“利用原生 Infra 实现高效、安全、可扩展的开发部署”这一全新的技术路径。
随着 Agent 应用进一步加速，Agent Infra 成为模型公司、云厂商、初创公司都在积极拓展的领域。除了云巨头外，创业公司在这个领域也有不小的机会。
首先，是在已有 Infra 中寻找有 AI-native 需求的环节。这种需求可以是 Agent 开发对该环节的某些性能提出了更高的要求，例如 Sandbox 需要更快冷启动速度、更强的隔离性；这种需求也可以是需要和 AI workflow 结合的更好，有更多 AI-native 的功能点，例如增加 RAG 功能，或者和某些 AI 开发者常用的语言或 SDK 有更好的结合。
其次，抓住 Agent 开发中的新痛点。Ag ent 开发要追求 R&D 和时间投入的 ROI，对降低开发门槛和工程量的 Infra 产品有较大需求，因此一套易用性高且价格合理的 Infra 就有机会被广泛采用。而且 Agent 生态是一个强调共建的生态系统，而 Infra 的持续创新，正在大力推动这种生态的构建。
当开发一个 Agent 变得像组装乐高积木一样便捷，当 Agent 协作网络渗透到社会的每个角落，我们将不再争论“这是风口还是泡沫”，因为这是一个正在到来的新未来。
