ITPub博客

前提：你已经在 AgentRun 上有一个跑起来的 Agent。如果还没有，先看 5 分钟上手 AgentRun。一、Agent 做好了，然后呢？Agent 在控制台测试面板里对话正常，下一步就是接到自己的系统里——后端服务、IM 机器人、小程序、内部工具，都行。但一般到这一步，事情会变多：多数 Agent 平台需要你先读懂自定义 API 文档、封装 SDK、处理鉴权和流式输出，再用对应语言封装一

让 Agent 进入真实业务，需要的不只是模型能力，还包括可管理、可复用、可观测的工具体系。01 为什么 Agent 需要工具体系搭建一个能够对话的 Agent 并不复杂。进入真实业务场景后，Agent 需要处理的是实时数据查询、内部接口调用、SOP 排查、外部系统操作等任务，这些能力不能只依赖模型本身，必须通过工具体系补齐。如果从零自建工具链，通常会遇到三类问题：协议不统一。 MCP、Funct

单个 Agent 再强，也只是一个人在战斗。真正的生产力倍增，来自多个专职 Agent 的协同——而 AgentRun 让这件事变得像调一个 API 一样简单。多 Agent 并不是新概念，难点也不在于把任务拆给几个 Agent。真正卡住生产落地的，是拆完之后怎么让它们稳定地互相发现、互相调用、互相信任，并且在团队、环境、权限和链路追踪上可管理。 AgentRun 的定位正是把这部分工程复杂度收敛

Agent 上线如果只要 5 分钟，今天的问题就从”能不能做出来”变成”想让它做什么”。一、Agent 上线，本不该这么重做一个 Agent，要选模型、搭框架、起服务、管会话、调通流式、接监控、做扩缩容、为多租户做隔离。一条主链路下来，本来想验证产品想法的同学，先变成了运维。阿里云函数计算 AgentRun 想把分工重新摆正：模型、提示词、工具留给你；容器、扩缩容、网络、监控、灰度、合规留给平台。

从“玩具”到“工具”的跨越困境许多企业在初期尝试引入 Agent 时，往往采取“单点突破”的策略——由个别极客员工或小型团队基于开源框架或云 API 快速搭建原型。这种模式在 POC（概念验证）阶段行之有效，但当企业试图将 Agent 规模化推广至全公司时，混乱随之而来。数据孤岛、权限失控、成本黑洞、安全漏洞等问题接踵而至。传统的IT治理体系在面对具有高度自主性、动态交互性和复杂依赖关系的 AI

AgentRun 通过集成表格存储（Tablestore），为智能体提供三种持久化记忆能力：在同一对话中维持上下文的会话历史、跨会话保留用户偏好等结构化 信息的长期记忆，以及可直接读写的会话状态。本文介绍如何创建并配置记忆存储，并通过可运行的代码示例演示三种记忆类型的使用方式。记忆类型类型作用触发方式跨会话Tablestore 表会话历史记录同一 sessi

托管 Agent 的范式已经确立，接下来我们要做的，是让开发者能够通过一条命令将其运行起来。一、AgentRun 平台优势已立，开发者侧补位在上一篇文章 《托管 Agent 执行循环只是起点——AgentRun 托管的更是企业 AI 生产全链路》 中，我们将阿里云函数计算 AgentRun 与 Claude Managed Agents (CMA) 进行了正面对比。结论非常清晰

一、行业背景：托管式 Agent 成为主流方向AI Agent 正从技术概念快步走向生产应用。然而，当开发者试图将原型推向生产环境时往往发现：从”跑通 Demo”到”稳定上线”，每一步都是对基础设施的真实考验。更聪明的模型解决不了这道鸿沟——企业真正需要的，是一个能全面承接底层复杂性的基础设施平台。这正是阿里云 AgentRun 的出发点。 自 2025 年 12 月正式发布以来，AgentRun

引言：当 Skill 成为 Agent 时代的硬通货最近，GitHub 上一个叫”同事.skill”的项目，5 天拿下超 6600 个 star，直接冲上全网热搜。随后，“前任.skill”“老板.skill”“父母.skill”接连涌现，打工人开始用 AI 把离职同事“炼”成可复用的数字技能包——有人叫它”赛博永生”。热闹归热闹，但这件事背后有一个值得认真对待的产业信号：Skill 正在成为 A

引言：生成式 AI 时代的推理加速挑战在当今人工智能快速发展的时代，图像和视频生成技术已从科研前沿走向实际应用。从创意产业的广告制作、内容生成，到工业设计的可视化，再到医学影像辅助诊断和虚拟内容制作，扩散模型（Diffusion Model）正在为各个行业创造前所未有的价值。然而，这种应用的广泛化也带来了新的挑战：随着模型规模的不断增大，推理时间随之增加，用户对生成速度的期待与硬件性能之间的矛盾日

阿里云函数计算 AgentRun 全新发布后，我们整理了「探秘 AgentRun」系列文章，本系列将梳理企业落地 Agent 常见难题，给出具体解法，助力 Agentic AI 快速走进生产级环境。欢迎加入「函数计算 AgentRun 客户群」与我们交流，钉钉群号：134570017218。引言：Vibecoding 的终极形态——“所见即所得”代码生成的进化从单纯的代码补全（Copilot），到

单个 Agent 面对复杂任务时存在明显局限：一个 Agent 很难在所有环节都做到最好，而且把所有任务塞进一个 Agent，会导致 Prompt 过长、注意力分散。多智能体协作通过专业分工解决这些问题：每个 Agent 专注自己擅长的领域，通过协作完成复杂任务。OpenClaw：天生的多智能体基座OpenClaw 采用 Actor 模型架构：每个 Agent 是独立的计算实体，拥有独立的文件系统

当我们把一个复杂业务拆解成多个专职 Agent 时，随之而来的问题是：这些 Agent 怎么知道彼此的存在？怎么找到对方、理解对方的能力、发起调用？A2A（Agent-to-Agent）协议给出了标准答案。它由 Google 主导提出，通过 AgentCard 让每个智能体对外自描述能力与接入方式，通过服务发现让调用方动态感知可用 Agent 的全貌。然而，协议只定义了规范，生产落地还需要一套完整

就在最近，大模型圈再次迎来重磅炸 弹！阿里巴巴开源了全新一代大模型——千问 Qwen3.5-397B-A17B，直接登顶全球最强开源模型宝座。面对如此强大的模型，开发者们最关心的问题莫过于：“这么强的模型，部署起来会不会很麻烦？”今天，我们就为大家带来一个“神器级”解决方案——通过 函数计算 FC 实现一键部署 Qwen3.5，让顶级模型的计算力触手可及！模型介绍这次开源的 Qwen3.5-397

一、概述在开发 AgentRun 的过程中，我们发现了一个让人头疼的问题：现有的沙箱方案太零散了。浏览器、代码执行、Shell 环境各自为政，导致开发效率大打折扣。于是我们决定自己动手，打造一个真正一体化的解决方案——All-In-One Sandbox（AIO）。AIO 是 AgentRun 提供的云上浏览器自动化沙箱环境，它把浏览器、终端和代码执行能力全部集成在一个容器里。通过简单的 SDK

引言：在这个算法统治的世界，你为什么还在用冷兵器战斗？这是一个最好的时代，任何人都可以通过一根网线，触达亿万用户。这也是一个最坏的时代，信息的洪流每秒钟都在淹没无数平庸的声音。作为一名内容创作者，你是否经历过这样的至暗时刻：凌晨两点，你盯着空白的屏幕，光标闪烁如同嘲讽，大脑一片空白——所谓的“灵感枯竭”。早晨八点，你刚发出一篇精心打磨的深度好文，结果阅读量只有两位数。而隔壁那个只会复制粘贴、标题惊

开源项目 OpenClaw（原名 Clawdbot / Moltbot）在 GitHub 上的星标数突破 14 万，揭示了 AI 技术栈的显著演进：人工智能正从被动生成的“对话框”，迈向具备自主规划能力的“智能代理（Autonomous Agents）”。OpenClaw 正是这一概念的工程化落地——它以轻量级 CLI 工具的形式，在用户设备上启动了一个本地网关服务，为 Agent 提供了一个安全

阿里云函数计算 AgentRun 正式推出全新 知识库功能，为智能体（Agent）注入更强的语义理解与上下文感知能力。通过深度集成 百炼知识库 与 RAGFlow 知识库，AgentRun 让开发者能够轻松构建具备“知识”的智能应用，真正实现“更懂用户、更贴场景、更高效响应”。为什么需要知识库？在传统智能体开发中，模型往往依赖通用训练数据，缺乏对特定业务、私有文档或实时信息的理解能力。这导致其在面

导读：在上一篇《告别数据库“膨胀”：Dify x SLS 构建高可用生产级 AI 架构》中，我们深度剖析了 Dify 在大规模生产场景下数据库因日志写入而面临的性能瓶颈，并介绍了通过 SLS 插件实现“存算分离”的硬核改造方案。然而，解决“数据存储”只是跨过了生产落地的第一道坎。面对复杂的微服务运维、波动的 AI 潮汐流量，如何构建一个弹性、免运维的“计算底座”同样关键。本文作为系列的第二篇，将视

引言：安全沙箱与 Serverless 的技术交汇随着大语言模型（LLM）从“对话框”走向“行动体（Agent）”，其能力边界正在迅速扩张。现代 AI Agent 不再是文字的搬运工，而是能够自主思考、调用工具、甚至编写并运行代码以解决复杂问题的智能助手。然而开发者始终面临一个根本性挑战：如何在保证执行效率的同时，实现资源强隔离与资源可控性？ 阿里云函数计算 FC 为这一难题提供了全新的解题思路。