AgentTeams

产品定位

• 问题: 随着目标复杂度提升，交付重点从“生成答案”转向“组织执行并完成交付”。
• 方案: AgentTeams 是一个多 Agent 协作与统一管理底座，通过统一 Team / Room / Task 语义，让不同 Runtime 各司其职，实现 Human ↔ Agent、Agent ↔ Agent、多 Human ↔ 多 Agent 的协作，并提供协作/编排/生命周期/边界治理能力。

核心技术架构

• 云原生容器架构: 同一套声明式生命周期，覆盖 Docker / Podman 本地运行与 Kubernetes 集群部署。
• Matrix 协作与身份: Human、Manager、Team Leader、Worker 都是 Matrix 用户，在同一房间围绕任务协同。
• TeamHarness 与多 Runtime 纳管: TeamHarness 定义统一协作协议，Runtime 保留各自模型、工具和执行能力。

产品生态

• AgentScope: Agent 开发框架。
• QwenPaw: 个人 Agent 产品与 Runtime。
• AgentTeams: 多 Agent 团队协作与统一管理底座。

快速体验

• 本地快速体验: 一条安装命令，通过 Element / Matrix 登录，在 Manager 房间提交任务，观察协作过程并与 Agent Team 交互。

社区进展与规划

• v1.2.0 / v1.2.1 版本动态: 协作协议升级、Plugin Schema / CLI 工程化增强、QwenPaw 2.0 支持、CoPaw Worker 平滑升级、统一品牌与产品定位、Dashboard v1.2.0 / v1.2.1 持续完善。
• 社区后续规划: 聚焦任务闭环、远程纳管、Dashboard 与 Skill 中心。
• 社区共建: 从体验到贡献，包括 Runtime Adapter 接入、TeamHarness 完善、Team Template 沉淀、生态集成。

UnifiedModel

为什么 Agent 需要语义层

• 问题: 模型虽强，但 Agent 放入真实系统后，由于缺乏语义层，如同“盲人摸象”，无法理解系统结构。
• 方案: 给 Agent 加层语义层，让模型理解系统结构，提升任务完成效率。
• 实验结果: 语义层净增益 4 个模型均提升 +10~20pp；GLM-5.2 达 50.2%。

UnifiedModel 设计与实现

• 语义层的根: 本体论，研究一个领域里有哪些类型的事物、它们之间如何关联。
• 统一原语: Set + Link + Field，将对象、数据、关系、语义建成可执行、可查询、人与 Agent 共读的对象图。
• 总体架构: 对象图语义层，Agent 原生友好，Skill / MCP 接入，渐进式披露，工具化调用，可消费上下文。

UnifiedModel 实战

• 接入流程: 定义类→ 写入实体/关系→ 成图可查。
• 展示效果: 智能读数、RCA：根因定位。

总结

• 核心观点: 语义层是 Agent 时代的基础设施，让 Agent 看懂真实世界，提升任务完成效率。
• 关键数据: 语义层净增益 4 个模型均提升 +10~20pp；GLM-5.2 达 50.2%。
• 研究结论: AgentTeams 和 UnifiedModel 为 Agent 的开发、运行和协作提供了强大的支持，是构建企业级、分布式智能体应用的理想选择。

核心观点

AI 技术的普及正在改变技能溢价的来源、持续期和获取者。知识、代码、内容、常规分析和标准化决策建议的边际供给显著增加后，“能够生成一个合格答案”更接近基础设施；仍能获得持续溢价的，是把领域知识嵌入高价价值情境，定义问题、识别模型边界、校准输出、承担责任、协调多方并把人机系统转化为可复制净结果的能力组合。

关键数据

• 全球约四分之一劳动者处于某种生成式 AI 暴露职业，但最高暴露职业约占 3.3%，工作转型比整岗替代更可能。
• 客服现场研究中，AI 访问使每小时成功解决问题数平均提高 15%，低经验/低技能员工约提高 30%，但研究没有观察个人工资变化。
• 三家企业 4,867 名开发者现场实验的合并估计为完成任务数提高 26.08%，同样没有工资数据。
• 丹麦约 25,000 名劳动者和约 7,000 个工作场所的调查—行政数据研究则显示，企业投入提高了采用并创造新任务，但两年内平均工资和记录工时效应不显著。

研究结论

• 任务价值已变、岗位工资未变，产出上升、员工收入不变或工具普及、组织结果有限等现象的过渡期。
• 专业知识不会整体贬值：它从“答案库存”转为验证、异常处置和责任判断的基础。
• 所谓判断力、创造力、共情或影响力不会因为“属于人类”就自动升值；只有在高价值、高风险、长期承诺或复杂协同情境中，并能以行为与结果识别，才形成溢价。
• 价值创造与价值分配是两条链：AI 提高某项任务绩效，并不保证员工获得基本工资、奖金、晋升或稳定性回报。
• AI 可能先压缩执行差距，再扩大高阶杠杆差距。
• 初级岗位与学徒链是未来三年必须主动管理的风险。
• 生产率来自互补组织资本，而非许可覆盖率。
• 外部 AI 工资溢价不能直接成为内部加薪系数。
• 中国企业的下一轮优势是“关键能力密度”，不是人才数量的简单延伸。

总结

AI Agent技术的快速发展带来了新的安全挑战，阿里云提出“Agent原生安全”防护模式应对这些挑战。该模式以Agent为第一安全主体，构建覆盖开发态与运行态的纵深防御体系，系统化解决AIAgent时代资产不可见、身份不可管、行为不可控三大核心矛盾。

Agent安全重构
AI产业正从被动响应转向主动执行，Agent成为智能体“上岗履职”的起点。传统安全防御机制失效，安全必须升维，从依附于模型的“附加项”跃迁为内生于Agent的“原生基因”。

AI Agent安全风险
Agent带来的核心风险变化是攻击路径从“利用系统缺陷”扩展为“影响智能体决策”，风险结果从“输出不可信内容”升级为“调用真实系统能力”。典型风险类型包括提示词注入、过度自主性、工具误用、供应链风险、上下文污染和敏感信息泄露。

阿里云AI Agent安全体系
阿里云Security for Agent安全覆盖Agent全生命周期，聚焦应对AI Agent数量爆发带来的挑战。体系包含统一管控、供应链安全、输入输出安全、自动化攻防演练、身份安全、网络安全和办公安全等关键能力。

阿里云安全实践
阿里云通过多层防护体系覆盖Agent全生命周期，包括资产与供应链层、身份与访问层、行为检测与防护层。具体实践包括：资产全量识别与血缘关联、模型输入输出防护、机器身份安全、网络流量检测与管控、办公场景下收敛自研和三方Agent风险、以及Agentic Native安全重塑管理与运营产品体系。

未来发展
未来需围绕事前治理、事中防护、事后响应三大阶段构建全生命周期防御体系。具体落地路径包括：事前治理通过供应链SPM、AI-AST、AI-BAS实现；事中防护通过Agent安全中心、云安全中心、Agent防火墙、WAAP等实现；事后响应通过AgenticSOC实现。

核心观点与关键数据

• Agent安全不再是可选的附加项，而是业务成功的必要条件。
• 传统安全工具难以监控海量Agent，导致盲区扩大。
• 超过70%的Agent产品缺乏有效的自我反思和错误恢复机制。
• 80%企业已遭遇Agent自主决策带来的“危险操作”。
• 阿里云Agent安全中心实现秒级动态测绘，纳管模型、Tool、MCP、API等资产。
• Agent ID Guard为每个智能体颁发唯一数字身份，实现最小权限动态鉴权。
• AI Guardrails 2.0融合Skynet大模型长上下文推理能力，精准阻断复杂攻击手法。
• 阿里云Agentic SOC将威胁发现从14天降至2.3小时，研判时长从数天压缩至18分钟，处置从37小时缩至47分钟。
• 办公网Agent资产纳管率从35%提升至95%以上，数据外泄事件同比下降78%。

研究结论
AI Agent技术的广泛落地正重构企业数字化架构，但也带来了前所未有的系统性风险。以AI Agent的核心能力全面重塑安全产品，构建能够从容应对Agent时代“威胁与防护”双重挑战的新型安全体系，已成为当务之急。未来，安全防御的范式将彻底从“人对抗机器”转向“机器对抗机器”，让AI Agent在保障安全底线的同时，成为驱动业务创新的强大引擎。

企业面向智能体的建设趋势与混合云架构

企业AI应用正从以“模型能力”为中心转向以“业务任务与流程”为中心的智能体驱动，并逐步由单智能体应用往多智能体协同快速演进。企业数据全面迈入多模态时代，数据应用从人工分析到智能体自主决策，数据管理升级为知识本体化治理。企业面临智能体催生攻击面放大、链式传导、追责难等新型安全挑战，安全能力成为准入门槛。

混合云架构成为企业实现智能体私有化部署的最佳架构，帮助企业建立完整的智能体开发、训练与运行环境，实现数据不出域、安全可控以及核心能力自主掌握。企业智能体落地主要有两种模式：完全本地化模式和基于混合云的智能体协同模式。基于混合云的智能体协同模式更为主流，企业核心数据、业务流程和智能体运行在本地，同时通过大模型网关、运营管理与安全治理能力，安全调用公有云最先进的MaaS服务、MCP工具以及Skill能力。

Agent-Native赋能层

智能体发展核心趋势包括能力范式跃迁（从被动问答推理走向主动执行、持续自演进）、产业场景渗透（从个人场景全面转向企业级深度落地）以及智能体效果对场景敏感、性能、成本、稳定性工程化难题突出。

智能体规模化落地核心挑战包括高低码协同能力不足、资产标准化与复用性差、异构系统集成难度大以及智能体新型安全风险凸显。

企业级智能体体系化建设思路包括：构建一站式、高低码协同、原生Harness的智能体开发平台；打造高性能、极致弹性的智能体运行时环境；搭建AgentOps驱动的智能体快速迭代运维平台；构建端到端、多层次的全链路安全防护体系；构建云上云下一体化协同创新体系。

AI-Native使能层

大模型网关是企业统一AI能力中枢，构建湖仓融合多模一体的AI数据湖底座，打通数-训-推-强全流程闭环，实现高质量私域数据+RL驱动模型的自主迭代升级，实现Token模式标准化AI能力，全域业务都能安全普惠AI能力。同时建设大模型网关，实时安全调用公有云最先进的MaaS服务、MCP工具以及Skill能力。

训推一体使能平台覆盖数据加工、模型微调、部署监控、评估反馈的全流程，将模型开发标准化、工程化，支撑业务快速演进。平台应具备高质量数据集生产能力、数据基础治理能力、数据合成与增强能力、监督微调训练能力以及强化学习训练能力。

AI多模数据湖是构筑企业级智能体的数据基石，为AI提供高质量企业私域数据集，并推动企业数据体系迈向支撑自主决策的新阶段。平台应具备多模态数据处理与跨模态检索能力、智能体专属状态与记忆存储能力、混合云任务调度与分级运行能力以及基于分布式调度框架的异构算力统一调度能力。

Agile云基础设施层

智能体规模化落地驱动企业基础设施形成通算与智算融合管理、通算智算弹性伸缩、多云算力统一纳管以及多代次硬件统一管理四大核心发展趋势。

企业需构建敏捷云原生（Agile,Cloud-Na-tive）基础设施，原生支持长任务编排、状态持久化、上下文管理、工具治理与全链路追踪；同时适配智能体全新算力架构，实现通算承载业务调度、智算支撑AI推理决策的深度融合，推动IT架构从单一资源池升级为通智一体化算力底座。

Assured智能化安全可信

围绕混合云环境下智能体全生命周期，打造开发、部署、运行、审计一体化多层次安全防护方案，系统性化解新型安全风险。开发阶段践行安全左移理念，集成代码扫描、依赖审计、风险检测工具，从源头规避配置漏洞、权限冗余、数据泄露等隐患。部署阶段严格落地最小权限原则，通过细粒度权限管控、角色隔离、接口白名单等机制，最大限度收缩攻击面。运行阶段实现行为实时监测、异常智能识别、风险自动阻断，内置安全护栏、提示注入防护、数据脱敏能力，防范越权操作、恶意调用与风险链式扩散。配套全链路安全审计体系，完整留存智能体决策、调用、操作日志，做到安全事件可溯源、责任可界定，全面满足企业合规要求。

Administrable智能化运营治理

智能体运维运营体系建设应按照“统一监控、自动运维、量化运营、安全合规”的路径逐步推进，形成覆盖资源、模型、智能体的全流程管理闭环。构建统一智算运维监控平台，整合算力资源监控、模型服务监控、业务链路监控和智能体运行监控能力，构建统一的全景监控视图。建设自动化一体运维体系，面向智能体部署、运行、升级和故障处置过程，建设自动化运维能力，落地故障自动检测、根因分析、自动恢复、版本灰度更新、策略回滚和资源自动调度等功能。搭建精细化智算运营体系，建立面向智能体的精细化计量与运营分析机制，对算力使用量、Token 消耗、模型调用次数、工具调用频次、资源利用率和业务产出效果进行统一统计。完善安全合规治理规范，建立统一的权限管控、身份认证、日志审计、数据流转追溯、风险预警和应急处置体系，保障智能体在模型调用、工具使用、知识访问和业务执行过程中的安全可控。