报告行业投资评级 - 报告未提供明确的行业投资评级 [1][3][103] 报告的核心观点 - 报告核心观点为：智能体（Agent）技术正从简单的检索工具向具备自主规划、执行与反思能力的“Agentic”智能体演进，这代表了AI应用发展的新阶段 [1][7][10] - 报告认为，构建成熟的AI原生应用需要覆盖从开发框架、运行时、评测优化到可观测性、数据采集与治理的完整技术栈 [367][370] - 报告通过阿里资产总裁助手Agent的案例，展示了从传统RAG、目录索引、知识图谱到Agentic工作流的技术演进路径，是解决企业复杂、非结构化数据决策问题的有效实践 [377][430] 根据相关目录分别进行总结 AgentScope智能体框架 - AgentScope是通义实验室推出的开源智能体框架，作为百炼Agent平台的技术底座，提供开发、训练、部署和管理的生产级解决方案 [3][103] - 框架围绕“Agentic”理念构建，提供模型能力集成、多智能体编排、智能上下文管理和工具管理四大核心功能 [7][10][15] - 模型能力集成支持本地部署，涵盖文本、视觉、语音、全模态等多种模型 [14] - 智能上下文管理支持Mem0、ReMe等记忆方案，实现自主存储与检索 [17][18] - 工具管理支持StreamableHTTP、SSE、STDIO等类型，以及有状态/无状态工具和Anthropic Agent Skill [20][22] - 多智能体编排提供MsgHub、pipeline等语法糖，支持动态图编排 [25][26][28] AgentScope-Runtime与部署 - AgentScope-Runtime提供Agent-as-a-Service能力，支持将智能体封装为可独立调用的API服务，实现灵活部署、降低成本和快速迭代 [30] - 支持多种部署方式，包括Docker、K8S ACK、云Serverless（FunctionCompute）及自定义MCP，并提供统一的生命周期管理 [30] - 内置工具沙箱，提供代码执行环境、浏览器控制、文件系统服务和评测沙箱 [30] AgentScope-Studio与智能体观测 - AgentScope-Studio提供智能体观测能力，包括运行时的数据统计、项目管理以及全链路的数据追踪 [34][35][46][69] - 观测数据显示，在统计周期内总调用次数为15,961次，消耗总Token数为161,208,111个，平均延迟为7.75秒 [41][52][64][86] - 支持评测结果的分析可视化，并提供可以快速开发的智能体模板 [37][49][59][71][82][91] AgentScope-智能体优化 - AgentScope通过Trinity-RFT提供面向Agentic应用的强化学习训练能力，支持智能体应用的快速迭代和优化 [99] - 全面支持SFT、GRPO、GSPO、PPO等前沿强化学习算法 [100] - 具备智能样本筛选机制，能根据训练目标自动优选高价值训练样本，提升收敛效率 [100] - 实现动态数据-奖励协同管理，通过实时联动训练与奖励信号，形成反馈闭环驱动的训练优化 [100] 开箱即用的智能体应用 - AgentScope提供多种开箱即用的智能体，包括通用型智能体Alias、交易智能体EvoTraders、深度调研、金融分析、问答智能体、Data-Juicer Agent、语音智能体、浏览器使用智能体、数据科学智能体等 [4][104][124] - Alias是基于AgentScope构建的通用智能体应用平台，能够通过自然语言交互成为用户的数字化助手，理解需求、记住偏好、执行复杂任务 [113] - Alias内置五种智能操作模式，包括通用对话、浏览器自动化控制、深度研究分析、金融数据分析、数据科学处理等专业场景 [117] - EvoTraders是金融投资模拟分析智能体，支持实时股市行情介入、回测与实盘双模式，并配备可视化面板 [124][126] - Data-Juicer Agent基于Multi-Agent协作架构，用户通过自然语言交互即可完成工业级数据处理全流程 [124][128] - Voice Agent结合实时语音交互与ReAct范式，覆盖TTS、语音和实时语音API三种服务场景 [124][130] - QA Agent基于Multi-Agent多智能体协作与Agentic RAG检索增强技术，能够动态规划、自主决策并提供精准回答 [124][130] Apache RocketMQ for AI - Apache RocketMQ面向AI应用提供了异步解决方案，以应对AI场景下异步架构的新挑战 [135][136] - AI应用具有行为模式主动、业务时长不可预测、交互次数多、运行成本高等特点，传统消息队列模型易导致消息堆积和队头阻塞 [146][150] - 消息中间件需向支持差异化任务通道、数据恢复（结果复用）和大消息体传输等方向演进 [154] - LiteTopic是面向AI场景的轻量级事件载体，支持自动创建与清理、百万级队列、差异化订阅和独占订阅，解决了传统Group消费模型的瓶颈 [157][164][167] - 基于LiteTopic可实现用户级的物理隔离和精细化流控，避免慢任务阻塞整体系统，提升资源利用公平性 [178][185] - 基于LiteTopic可构建全异步AI会话网关，简化架构，支持会话粘性和断连恢复，无需复杂的广播和缓存同步 [198][201][204] HiMarket AI开放平台 - HiMarket定位为企业私有化AI开放平台，旨在帮助企业构建AI应用协作机制，实现AI应用货币化，是企业落地AI应用架构的最短路径 [224][229][242] - 平台旨在解决企业落地AI时面临的高频场景识别、多Agent/MCP/模型管理、权限与成本分摊等通用问题 [237][239][241] - HiMarket架构包含AI场景（如HiChat）、AI市场（Agent/Model/MCP/Prompt市场）、AI治理（统一监管、权限、计量、接入）和AI网关等核心模块 [243] - AI市场支持多市场共享能力与资源，提供体系化的统一权限管理、内容审核、可观测和计量能力 [252][254][256] - 平台采用开源模式，核心参与者包括阿里云、蚂蚁数科、高德、淘天等团队，提供开箱即用的企业级AI接入管理能力 [261][264][277] 数据采集与建模（LoongSuite & UModel） - 在Agent架构下，数据采集是保障服务可靠性、提升可用性和控制Token消耗的核心基础设施 [297][298] - LoongSuite是一套开源的数据采集开发套件，由主机探针LoongCollector和进程级探针LoongSuite Agents构成 [313][314] - LoongSuite具备多维度数据统一采集、极致性能与稳定性、灵活部署与智能路由三大优势 [317][322][325] - 仅有数据采集不够，需要数据建模来建立数据的认知地图，以应对Agent架构放大的数据鸿沟效应 [329][332][337] - UModel是一种基于图模型的通用可观测数据建模方法，通过定义节点、属性和关系，实现复杂数据的统一表示和智能分析 [344][355] - 数据采集与数据建模共同构成Agent持续优化和改进的数据飞轮前提 [304][366] 企业实践案例：阿里资产总裁助手Agent - 该Agent的业务背景是管理覆盖办公、商业、酒店等近150个项目/园区，总建筑面积超2100万方，需从海量非结构化数据中辅助高层快速、基于事实的决策 [377][379] - 项目起点面临传统向量检索的局限性，如Chunk大小难定、无法发掘隐含关联知识等 [385][386][393] - 第一阶段通过自建基于业务逻辑的目录索引，解决了70%的单点园区信息查询问题 [394][396][400] - 第二阶段为应对跨园区横向事务查询，引入知识图谱技术，通过AI执行、人工校验、迭代优化的流程构建业务图谱 [402][406] - 第三阶段为应对“分析最具商业价值的园区”等抽象发散问题，演进至基于AgentScope的Agentic工作流，模拟人类的分析-假设-验证过程 [415][416][422] - 技术演进本质是从Searching（搜索）到Thinking（思考）的跨越，未来方向是构建统一语义层，让Agent更懂业务 [430][434]