产品派
返回

智能体AI架构加速演进,企业治理面临新挑战

AIInfoQ 中文站2026/11/21 12:01:01
AI 导读

传统微服务和云原生系统虽然复杂,但大多依据预先编写的代码逻辑或已存数据运行,因而能够较为确定地进行设计、测试、变更和运维。随着AI进入面向用户的功能,软件将从存储、处理和传输数据,逐步扩展到理解和运用知识,帮助知识工作者处理过去依赖业务规则、流程经验与个人判断的任务。

智能体AI架构建立在微服务和云原生基础上,通过大规模引入智能体来发挥生成式AI模型的能力。智能体系统已从单智能体发展到链式、图结构和多智能体协作,并通过提示词、动态上下文和RAG获取信息。由于上下文窗口有限,工程团队需要进行上下文工程、上下文管理和渐进式上下文披露,同时利用情景、语义、程序等长期记忆提升结果质量、减少幻觉。A2A用于智能体之间互操作,MCP则连接智能体与数据库、工具等外部服务。

企业可以把智能体嵌入提供HTTP或GRPC接口的微服务,也可以通过MCP、A2A或消息队列接入更大的系统。面对多个智能体直接访问数据源和服务的情况,架构应遵循领域驱动设计,将其限制在明确的限界上下文内,以降低跨域耦合并控制变更影响。

智能体系统的性能评估不能只看吞吐量、延迟和错误率,因为大模型调用本身耗时较高,多智能体协作还会进一步增加处理时间。谷歌与麻省理工学院的研究显示,协调策略需要结合任务选择:金融推理更适合中心化编排,网页导航则可能更适合去中心化方案。因此,复杂系统必须通过反复实验确定智能体数量、调用次数、交互轮次和协作拓扑,而不存在通用解法。

安全模型也需要重构。提示词注入、指令混淆、工具输出投毒,以及外部模型带来的数据属地、保留和使用合规风险,都可能导致越权操作或信息泄露。由于智能体既不是普通用户,也不是确定性的后端服务,Cameron Pavey建议采用能力范围权限、任务范围凭证和分层授权,限制其自主触发多步骤工作流的范围。

非确定性使可观测性成为智能体系统建设、排障和运营的基础。日志应记录决策、理由、证据和关联ID并清理个人信息;指标需要覆盖输出质量、延迟和成本,并配套性能与预算SLO;追踪应覆盖规划、工具调用和验证步骤,同时设置异常告警并维护定期评审的运行手册。

微服务、云原生与智能体架构将在多年内并存,且并非所有业务都适合或负担得起AI。随着采用成熟,智能体记忆、资产注册、安全护栏、编排、可观测性和运维能力可能被封装为平台组件,形成面向多智能体交付的基础设施。LangChain、LangGraph、CrewAI、Azure AI Foundry、Google ADK和Amazon Bedrock AgentCore Gateway等框架,正体现这一平台化趋势。

智能体AI软件架构多智能体系统AI安全可观测性

本文基于公开渠道信息整理,内容可能存在不准确或遗漏之处,不代表本站立场,如内容涉及侵权或错误,请联系我们处理。

阅读原文