文章核心观点 - 企业级AI Agent（文中代称“龙虾”）落地面临普遍困境，其根本原因在于企业试图用“以人为中心”的旧有思维和IT架构去承载“以Agent为中心”的新范式，导致Agent无法真正融入业务流程 [3][4][6] - 实现Agent成功落地的关键在于完成思维跃迁，从“人在中心操控AI”转变为“Agent在中心干活，人是驾驭者”，并围绕Agent重构工作流、权限体系和基础设施 [10][14] - 行业存在技术惯性认知误区，例如用管理传统无状态微服务（如K8s）的方案来管理有状态、异质、长时运行的Agent，这会导致失败 [16][18][20] - 云服务的使用主体正从“人”转向“Agent”，这要求基础设施进行范式转移，提供原生的、能消灭偶然复杂度的Agent运行环境（如腾讯云Agent Runtime）和安全体系 [22][24][30] - 通过腾讯云与MiniMax在Agentic RL训练上的深度合作案例，展示了为Agent量身定制、重构底层计算与存储基础设施的必要性和巨大价值，支撑了模型能力的快速迭代 [31][34][36] - 对于从业者，建议破除偏见、建立AI Native工作模式、并立即开始实践构建，从小处着手将Agent用透，是抓住Agent时代机遇的关键 [39][40][43] 企业Agent落地失败的根本原因 - **思维模式错误：** 企业普遍试图在不改变原有工作流和系统架构的前提下，将Agent当作“插件”强行嵌入现有的“以人为中心”的IT体系中 [6][7] - **不恰当的比喻：** 这种做法如同将F1赛车开上乡镇公路并要求其遵守家用轿车规则，无法发挥Agent的真正能力 [8] - **腾讯内部教训：** 初期尝试将Agent接入以角色分工为核心的TAPD系统而未改变工作流，被证明完全走不通 [11][12] 成功落地所需的思维与工作流变革 - **核心转变：** 企业必须从“人在中心操控AI”跃迁至“Agent在中心干活，人是驾驭者（Harness）” [10] - **工作流重构：** 真正Agent Native的企业需要围绕Agent重新组织工作流，使代码、文档、文件命名等均转为“面向Agent友好”的结构化模式 [10][14] - **权限与信息流：** 需消除冗余审批节点，赋予Agent能够自闭环的权限，并确保Agent能获取人所能获取的所有信息 [13] - **实践成效：** 腾讯研发团队转变思维，以Git仓库为唯一真源进行工作，成功消除了落地门槛，使Agent自然落地 [13] 技术实施层面的认知误区与挑战 - **技术惯性误区：** 云厂商和IT团队常错误地将Agent视为下一个微服务升级，试图用K8s等传统方案硬性承接 [16] - **本质差异：** 传统Docker/K8s假设应用是无状态、同质化、可快速伸缩的；而Agent是有状态、异质、且需要7x24小时长时运行的 [19][20] - **错误后果：** 用解决静态问题的旧工具处理自主、不确定的Agent，注定失败 [21] - **基础设施需求转变：** 过去几十年的IT基础设施核心服务对象是“人”，而AI Agent带来了范式转移，使用云的主体变成了“Agent” [22] 面向Agent的基础设施解决方案 - **原生基础设施目标：** 如腾讯云Agent Runtime，其核心设计逻辑是消灭偶然复杂度，让大模型公司专注模型，企业客户专注业务，基础设施解决运行环境、状态保存、权限管控、系统通信等复杂问题 [24] - **安全体系重构：** 需构建Agent时代的安全沙箱和授权体系，而非因担忧安全而停滞不前 [26][28][30] - **具体技术方案：** 腾讯云通过Agent网关解决连接问题，并计划开源Cube安全沙箱技术，提供全隔离运行环境、精细化权限管控和全链路操作追溯能力 [24][30] 深度合作案例：腾讯云与MiniMax的Agentic RL训练 - **技术挑战：** Agentic RL训练需在真实沙盒环境中进行，要求底层Infra能支持秒级启动十万甚至几十万个并发、高度稳定的异构沙盒 [31][32] - **传统方案失效：** 使用传统K8s无法支撑，几万个并发就能将Master节点拉垮 [32] - **腾讯云的定制化重构：** - **计算调度：** 深入内核级进行锁优化和快照技术攻关，实现海量异构沙盒秒级并发启动 [35] - **存储加速：** 针对数十万异构镜像分发痛点，自研块级去重、多级缓存、按需加载的专属加速存储方案，利用内存映射等技术实现磁盘瞬间挂载，可支撑分钟级数十万沙箱快速拉起，并发能力随集群平行扩展 [35] - **快照与回滚：** 打造自研的CoW快照存储设施，支撑Agent秒级的暂停恢复与快照回滚能力 [36] - **合作成果：** 在此Agent-centric的极速算力基础设施支撑下，MiniMax实现了模型能力的月级别快速迭代，在复杂人设保持、长程任务执行上达到比肩甚至超越国际顶尖模型的水平 [36][37] 给从业者与企业的行动建议 - **破除偏见：** 坚信Agent适用于任何有重复性工作的岗位，坚定相信是落地的第一步 [39] - **建立AI Native工作模式：** 企业落地第一步是让每个员工在具体岗位上把Agent用起来，形成内部分享插件和know-how的“大集市”，沉淀企业AI资产 [40][42] - **立即开始构建：** 不要等待完美系统或公司指令，应从解决一个小Bug、回复一类邮件等具体任务开始，使用现有工具搭建属于自己的Harness [43] - **未来效率衡量：** 未来衡量工程师或企业效率的标准，可能变为每天能同时让多少个Agent工作，以及每月能烧掉多少有价值的Token [44]