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。Agent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。
