中文 | English

项目围绕 Agent 的架构、构建、运行、治理和调优的整个应用生命周期，总结了阿里云、云上的企业客户、开源社区的开发者用户在企业级 Agent 落地过程中的实践经验、教训和体会。我们每周会收录最新的实践，并对已发布的内容进行不定期更新。如果该项目能对个人学习和企业落地 Agent 起到一点点的促进作用，这将是我们莫大的荣幸。

谨以此项目，献给参与 AI 建设的同行者们。

🤗 在线阅读

💯 在线闯关 ，我们设计了一些小游戏，来看看你能拿多少分吧？

欢迎高校等教育机构等一起共建企业级 Agent 课程，若感兴趣，请添加微信（max_0928）进行沟通，备注共建。

2025年9月，我们发布了《AI 原生应用架构白皮书》，围绕 AI 原生应用的 DevOps 全生命周期，从架构设计、技术选型、工程实践到运维优化，对概念和重难点进行体系化的拆解，并尝试提供一些解题思路。但随着模型和智能体技术的快速发展，我们发现，市场的关注度已经从快速构建智能体，转向以下三大新挑战：

• 工程化挑战：从概率智能到可靠生产力，Agent 能够承担关键任务。

• 规模化挑战：稳定、安全、性能、成本，从单点试验到智能基础设施，Agent 能够被大规模部署。

• 组织化挑战：从 Agent 孤岛到智能组织，Agent 能够进入核心业务流程。

2025年的那本白皮书，显然难以应对这些新的诉求。

因此，我们重新梳理了白皮书的结构，并以开源的方式进行维护，希望通过更与时俱进的内容，更多的实践，以及更社区化的协作，为企业选型和内部立项提供参考，持续呈现 AI 原生应用架构的前沿思考和落地实践。

本白皮书主要面向企业级 Agent 构建与落地场景。它既适合关注 Agent 开发的工程人员，也适合用于企业内部的技术选型、架构评审、项目立项和跨团队共识建设。

完整阅读后，你将能够：

• 从业务目标、任务确定性和风险出发，选择最低充分的 Agent 架构；
• 理解 Model 与 Harness 的责任边界，不把所有问题都归因于模型能力；
• 设计可持续推进、可中断恢复、可验证完成的 Agent 任务系统；
• 为 Agent 建立执行环境、状态、流量、权限、观测与成本治理底座；
• 用 Trace、Trajectory、黄金数据集和评估实验形成持续改进的数据飞轮；
• 将方法映射到研发效能、设计、运维、企业 IT、客户运营等实际场景。

白皮书将以开放项目的方式持续维护，而不是在首次发布后封存。接下来的重点包括：

• 扩展企业实践案例：增加更多来自研发、运营、客服、数据、安全、财务和行业场景的一线案例，补充成功路径、架构取舍与真实失败模式。
• 增加云资源线上体验：围绕沙箱、Runtime、AI 网关、状态存储、可观测和评估等关键能力，设计可复现的云上体验流程，让读者从阅读进一步走向动手验证。
• 持续完善治理内容：跟进身份权限、Prompt Injection 防护、数据出域、审计、资产注册、版本治理和上线前仿真等企业核心议题。
• 持续完善评估体系：补充任务成功率、轨迹评估、LLM-as-Judge、黄金数据集、Badcase 回归、线上实验和成本质量权衡等方法与案例。
• 跟进技术演进：持续吸收模型、Harness、协议、Runtime、多 Agent 和 Agentic OS 的新进展，并及时修正已经不再适用的判断。

欢迎开发者、架构师、研究者、企业技术团队和产品实践者参与共建。你可以：

• 提交 Issue，指出事实错误、概念歧义、链接失效或需要补充的主题；
• 提交 Pull Request，完善章节、修正内容、优化图表或补充参考资料；
• 分享经过脱敏的企业实践、故障复盘、评估方法与架构取舍；
• 提供可复现的代码、云资源体验流程、数据集或实验方案；
• 参与术语统一、技术审校、案例评审和内容翻译。

贡献内容应尊重原创与授权边界；涉及企业数据、客户信息、内部系统和安全细节时，请先完成必要的脱敏与许可确认。

感谢所有参与架构设计、章节写作、案例整理与内容审校的贡献者。