AgentRun：一站式 Agentic AI 基础设施

场景切入：舆情分析的痛点

最近我一直在思考一个问题：企业如何快速构建一个舆情监控系统？

想象这样一个场景：你需要实时监控社交媒体、新闻平台、论坛等渠道的品牌提及，实现数据采集、情感分析、趋势识别、风险预警、报告生成全流程自动化。

听起来很美，但实际做起来呢？

技术挑战接踵而至：

• 多源数据采集：需要爬虫能力，不同平台接口各异
• 实时处理能力：突发流量时如何应对？
• 代码安全性：第三方脚本如何安全执行？
• 成本控制：按需扩缩容如何实现？
• 模型切换：不同厂商模型效果不同，如何统一管理？

传统开发方式需要搭建多个系统：爬虫服务、消息队列、容器编排、模型服务、监控告警……开发周期长、维护成本高。

如果有这样一个平台，可以一站式解决这些问题呢？

传统方案的困境

在探索解决方案之前，我们先看看传统方案的问题。

低代码平台的局限

低代码平台确实能快速上手，60秒就能创建一个 Agent。但问题也很明显：

天花板效应：遇到复杂需求立即碰壁

• 无法实现个性化策略（如不同用户不同模型选择）
• 无法实现复杂逻辑控制（如动态凭证注入）
• 成本和性能优化困难

技术债务：要么放弃，要么推倒重来 业务人员用低代码快速验证了想法，但到了生产环境需要深度定制时，发现必须用高代码重写。前面的投入全部打水漂。

高代码开发的问题

高代码开发确实灵活强大，但：

验证周期长：从想法到可用系统，需要 1-3 个月 初期投入大：需要搭建整套基础设施 门槛高：业务人员无法参与

传统架构的困境

即使你有技术团队，传统架构也面临：

• 需要分别搭建多个子系统（爬虫、队列、编排、监控）
• 运维复杂，需要专业团队
• 成本高，资源利用率低

AgentRun：一站式 Agentic AI 基础设施

AgentRun 是阿里云函数计算推出的一站式 Agentic AI 基础设施平台，专门为智能体应用生命周期设计。

核心定位

以高代码为核心，开放生态、灵活组装的理念，为企业级 Agentic 应用提供开发、部署与运维全生命周期管理。

四大核心能力

1. 云原生运行底座：基于函数计算 FC 的 Serverless 架构
2. 沙箱平台：安全隔离的代码执行和浏览器自动化环境
3. 模型治理与工具生态：统一接入多厂商模型，支持 MCP 协议
4. 安全与可观测能力：全链路追踪、Token 级别成本归因

核心价值

让团队在开发 AI Agent 时，不用再自己搭建一整套执行环境、模型网关、工具调用、日志监控、权限体系，而是直接站在一个专门为 Agent 场景优化过的 Serverless 平台之上，专注于业务逻辑和智能体行为本身。

整体架构

graph TB
    subgraph "用户层"
        U[开发者/业务人员]
    end

    subgraph "开发模式层"
        A1[无代码模式<br/>60秒创建]
        A2[低代码模式<br/>配置化扩展]
        A3[高代码模式<br/>深度定制]
    end

    subgraph "核心平台层"
        B1[AgentRuntime<br/>智能体运行时]
        B2[模型运行时<br/>多厂商接入]
        B3[Sandbox<br/>安全沙箱]
        B4[AI Gateway<br/>模型治理+工具治理]
        B5[全栈可观测<br/>全链路追踪]
    end

    subgraph "Serverless 运行时"
        C1[弹性伸缩]
        C2[会话亲和]
        C3[缩容到0]
    end

    subgraph "工具生态"
        D1[MCP 协议]
        D2[Tool Hub]
        D3[Hook 机制]
    end

    U --> A1
    U --> A2
    U --> A3

    A1 --> B1
    A2 --> B1
    A3 --> B1

    B1 --> B4
    B4 --> B2
    B4 --> B3
    B1 --> B5

    B1 --> C1
    B1 --> C2
    B1 --> C3

    B4 --> D1
    B4 --> D2
    B4 --> D3

核心技术架构

四大核心引擎

1. 智能体运行时与云沙箱

核心技术特性：

• 安全隔离：采用自研”袋鼠安全容器”

  • 具备虚拟机级的隔离强度
  • 拥有容器级的百毫秒启动速度
  • 实现多维度多租户隔离（存储、网络、算力）

• 极致弹性：

  • 实例管理做成数据平面，支持集群规模无限水平扩展
  • 单集群支持百万规模运行时实例和沙箱实例
  • 单服务支持百万 QPS
  • 百毫秒冷启动 + 1 毫秒忙闲时智能极速热切

• 精益成本：

  • 首创按实例”忙/闲”状态独立计费模式
  • Agent 等待模型或工具响应时（闲置状态）算力免费
  • 仅收取极低内存费用
  • 平均降低 60% TCO 成本

• 内置工具：

  • Code Interpreter（代码解释器）
  • Browser Tool（浏览器沙箱）
  • 多语言执行引擎与浏览器自动化引擎（基于 Playwright）

2. 模型运行时

技术亮点：

• 请求感知调度引擎：实时追踪负载，优先使用热实例
• 快照恢复技术：将闲置实例唤醒时间压缩至毫秒级（百倍启动加速）
• 算力解耦：提供更细粒度的 CPU/GPU 组合
• 成本优化：帮助客户平均降低 40% 的 GPU 成本，将 AI 应用 RT 抖动减少 80%

3. AI 网关

扩展阅读：AI 网关是 AI 应用基础设施的核心枢纽。详见《AI 网关：企业 AI 基础设施的核心枢纽》。

治理能力：

• 模型治理：

  • 统一代理屏蔽 API 差异
  • 模型熔断、多模型 Fallback、负载均衡
  • 模型服务高可用保障（稳定性达 99.9% 以上）

• 工具治理：

  • MCP 标准化封装（Model Context Protocol）
  • Hook 机制与智能路由
  • Rest to MCP 一键转换

• 性能加速：

  • 语义缓存、Cache、RAG 加速 AI 请求

4. 全栈可观测性

监控体系：

• 基于 Prometheus 的 AI 全栈统一监控：

  • 模型性能追踪
  • Token 成本分析
  • GPU 异动分析

• 基于 OpenTelemetry Trace 的端到端链路追踪：

  • Agent 决策路径可视化
  • 每一步耗时与状态追踪
  • 意图理解、模型推理、工具调用全链路监控

技术架构分层图

graph LR
    A[用户请求] --> B[AgentRuntime<br/>智能体编排]

    B --> C[AI Gateway<br/>模型治理+工具治理]

    C --> D[模型运行时<br/>多厂商模型]
    C --> E[Sandbox<br/>Code Interpreter+Browser Use]

    D --> F[响应结果]
    E --> F

    F --> G[全栈可观测<br/>全链路追踪+成本归因]

    G --> H[监控大屏]
    G --> I[成本分析]
    G --> J[质量评估]

三种开发模式：从验证到生产

AgentRun 提供三种开发模式，并且支持一键切换，这是其最大的创新。

无代码模式：60 秒快速创建

操作步骤：

1. 访问控制台，点击”创建 Agent”
2. 选择”快速创建”模式
3. 配置核心参数：
   • 模型选择：Qwen-Max（平台可根据任务类型智能推荐）
   • Prompt 描述：用自然语言描述需求（如”查询函数列表的客服 Agent”）
   • 工具选择：从工具市场选择”函数列表查询”、“函数详情查询”、“日志查询”
   • 优化建议：使用 Prompt AI 优化功能自动优化提示词
4. 点击创建，60 秒后上线

适用场景：

• 快速验证想法
• 原型开发
• 业务人员参与

低代码模式：配置化扩展

在无代码的基础上，通过配置化方式扩展能力：

• 自定义参数校验规则
• 配置多模型切换策略
• 配置工具调用顺序
• 配置数据持久化策略

适用场景：

• 中等复杂度场景
• 需要一定的定制能力

高代码模式：深度定制

支持 Python、Node.js、Java 等任意语言和任意框架（LangChain、AgentScope、CrewAI、Google ADK 等）。

一键转换流程：

1. 在 Agent 管理页面点击"转换为高代码"
2. 平台自动生成高质量 Python 代码
3. 代码结构清晰，包含完整注释
4. 可选择在线 IDE 编辑或下载到本地

适用场景：

• 生产环境深度定制
• 复杂逻辑控制
• 成本优化
• 系统集成

开发模式演进流程

graph TD
    A[想法/需求] --> B[无代码模式<br/>60秒创建]
    B --> C{验证通过?}

    C -->|是| D[低代码模式<br/>配置化扩展]
    C -->|否| A

    D --> E{满足需求?}

    E -->|是| F[生产部署]
    E -->|否| G[高代码模式<br/>深度定制]

    G --> H[生产部署]

    F --> I[持续优化]
    H --> I

    I --> J[运维监控]
    J --> K[迭代改进]

核心优势对比

Serverless 运行时：弹性与亲和的平衡

AgentRun 基于阿里云函数计算 FC 构建，针对 Agent 场景做了深度优化。

弹性伸缩

根据流量自动扩缩容，应对突发流量：

• 稀疏调用场景：自动缩容到 0，节省成本
• 突发流量场景：快速扩容，保证用户体验
• 无需运维：无需维护服务器、容器或 K8s 集群

会话亲和

问题：传统 Serverless 无状态，无法支持多轮对话

解决方案：引入会话亲和机制，突破无状态限制

• 同一会话的所有请求路由到同一个实例
• 保持上下文状态
• 多轮对话流畅性

性能提升：通过毫秒级启动和上下文保持，性能超越传统方案 100 倍

缩容到 0

• 无请求时不计费，大幅降低成本
• 浅休眠计费：百毫秒级唤醒
• 深休眠计费：秒级唤醒

多语言支持

• Python 3.10/3.12
• Node.js 18/20
• Java 8/11/17
• Go 1.21+

性能指标

• 冷启动：百毫秒级别
• 并发能力：单集群百万实例、单服务百万 QPS
• 响应时间：RT 抖动减少 80%

模型治理：多厂商统一接入

AgentRun 提供统一的模型治理能力，解决企业使用多种模型的痛点。

多厂商支持

• 阿里云通义千问
• OpenAI
• Anthropic
• 智谱
• DeepSeek

模型治理能力

models:
  - name: qwen-max
    provider: alibaba
    priority: 1 # 主模型
    fallback: gpt-4

  - name: gpt-4
    provider: openai
    priority: 2 # 备用模型
    fallback: claude-3

  - name: claude-3
    provider: anthropic
    priority: 3 # 兜底模型

routing_strategy: load_balanced # 负载均衡

智能模型选择策略

def intelligent_model_routing(user, query):
    """根据用户等级和查询复杂度选择模型"""
    factors = {
        'user_level': user.level,  # VIP, regular
        'query_complexity': analyze_complexity(query),  # high, medium, low
        'time_sensitive': is_time_sensitive(query),  # bool
        'historical_success_rate': get_success_rate(user)
    }

    # 简单查询 + 普通用户 = 小模型
    if factors['query_complexity'] == 'low' and factors['user_level'] == 'regular':
        return 'Qwen-Turbo'

    # 复杂查询或 VIP 用户 = 大模型
    if factors['query_complexity'] == 'high' or factors['user_level'] == 'VIP':
        return 'Qwen-Max'

    # 其他情况 = 中等模型
    return 'Qwen-Plus'

模型治理收益

• 提高模型稳定性至 99.9% 以上
• GPU 成本平均降低 40%
• RT 抖动减少 80%
• Token 消耗优化

安全沙箱：代码执行与浏览器自动化

AgentRun 提供企业级安全沙箱能力，支持代码执行和浏览器自动化。

Code Interpreter

安全执行 Python/Node.js/Java 代码：

• 数据分析
• 数据可视化
• 算法验证

使用场景：

• 舆情分析中进行情感分析和趋势可视化
• 数据探索和实验
• 临时数据处理

Browser Use

自动化浏览器操作，基于 Playwright 连接 Chrome 实例：

• 网页爬虫
• 自动化测试
• 表单填写

核心技术特性：

• 真实浏览器环境：提高复杂网页采集成功率
• 安全隔离：独立的浏览器沙箱，避免爬虫任务影响服务器
• 可视化调试：实时 VNC 预览功能，观察浏览器操作过程
• 弹性扩展：支持 3.5 万+ 沙箱/分钟并发处理

企业级安全隔离

• 基于安全容器的多级隔离（请求级、实例级、会话级）
• 存储隔离，支持挂载 OSS/NAS
• 平台统一维护与升级
• 数据不出域：支持 VPC/IDC 网络打通

性能优化

• 浅休眠：毫秒级唤醒，几乎无冷启动感知
• 深休眠：秒级唤醒，兼顾成本与性能
• 百万并发：支持百万级沙箱模板并发运行

工具生态：MCP 协议与 Hook 机制

AgentRun 提供开放的工具生态，支持 MCP 协议和 Hook 机制。

MCP 协议

MCP (Model Context Protocol) 是开放的工具协议，支持第三方工具接入：

• Agent、Sandbox、API 工具一键 MCP 化
• Function Call 协议兼容
• Tool Hub 生态，内置丰富的工具库

Hook 机制

在 Agent 执行前后插入自定义逻辑，实现灵活的扩展。

前置 Hook

async function preHook(context) {
  // 1. 参数校验
  if (!context.input.keyword) {
    throw new Error('Missing keyword parameter');
  }

  // 2. 权限检查
  const hasPermission = await checkPermission(context.userId, 'sentiment_analysis');
  if (!hasPermission) {
    throw new Error('Permission denied');
  }

  // 3. 数据预处理
  context.input.keyword = context.input.keyword.trim();

  // 4. 动态凭证注入
  access_key = get_access_key_by_user(user_id);
  secret_key = get_secret_key_by_user(user_id);
  context.credentials = {
    access_key: access_key,
    secret_key: secret_key,
  };

  return context;
}

后置 Hook

async function postHook(context) {
  const result = context.result;

  // 1. 如果检测到负面舆情，触发告警
  if (result.sentiment < -0.7 && result.risk_level === 'high') {
    await sendAlert({
      type: 'sentiment_risk',
      level: 'high',
      keyword: context.input.keyword,
      sentiment: result.sentiment,
      timestamp: new Date().toISOString(),
    });
  }

  // 2. 敏感信息过滤
  result = filter_sensitive_info(result);

  // 3. 审计日志
  audit_log(result);

  // 4. 数据落库
  await saveToDatabase(result);

  return context;
}

Tool Hub

内置丰富的工具库：

• 数据库查询
• API 调用
• 文件操作
• 数据处理
• 通知服务

自定义工具可发布到 Tool Hub，实现能力复用。

实战案例：舆情分析系统

让我们用 AgentRun 构建一个完整的舆情分析系统。

需求分析

数据源：

• 微博
• 知乎
• 新闻网站
• 论坛

功能：

• 实时采集
• 情感分析
• 趋势识别
• 风险预警
• 报告生成

实现步骤

阶段 1：无代码快速验证（第 1 天）

目标：快速验证想法

操作：

1. 无代码模式创建 Agent
2. 配置数据源工具（微博、知乎爬虫）
3. 配置情感分析工具
4. 测试基本流程

效果：当天下午即上线服务内部测试用户

阶段 2：遇到问题（第 3 天）

用户反馈的问题：

• ❌ 调用工具时报”权限不足”错误
• ❌ 多用户使用时数据混乱
• ❌ 成本增长快但无法追踪

问题根源：无代码界面无法实现复杂的逻辑控制

阶段 3：一键转换为高代码（第 5 天）

转换过程：

1. 在 Agent 管理页面点击”转换为高代码”
2. 平台自动生成高质量 Python 代码
3. 添加动态凭证注入（前置 Hook）
4. 添加会话亲和机制配置
5. 添加智能模型选择策略

高代码解决方案：

# 舆情分析 Agent 配置
export const config = {
    name: 'sentiment-analysis-agent',
    version: '1.0.0',

    # 模型配置
    models: {
        primary: 'qwen-max',
        fallback: ['gpt-4', 'claude-3'],
        routing: 'intelligent'  # 智能路由
    },

    # 工具配置
    tools: [
        {
            name: 'browser',
            type: 'browser-use',
            enabled: true
        },
        {
            name: 'code-interpreter',
            type: 'code-interpreter',
            enabled: true,
            language: 'python'
        }
    ],

    # Hook 配置
    hooks: {
        pre: './hooks/pre-hook.js',
        post: './hooks/post-hook.js'
    },

    # 运行时配置
    runtime: {
        type: 'serverless',
        concurrency: 1000,
        timeout: 300,
        memory: 1024,
        session_affinity: {
            enabled: True,
            storage_type: 'isolated',
            affinity_key: 'user_id'
        }
    }
};

效果：

• ✅ 权限问题解决（动态凭证注入）
• ✅ 数据隔离彻底（会话亲和机制）
• ✅ 成本降低 40%（智能模型选择）

阶段 4：持续优化（两周后）

新增功能：

# 1. 智能缓存机制
from functools import lru_cache

@lru_cache(maxsize=1000)
def query_with_cache(query_key):
    result = execute_query(query_key)
    return result
# 响应时间：2秒 → 0.1秒

# 2. 上下文压缩（减少 Token 消耗）
def compress_context(conversation_history):
    # 提取关键信息，去除冗余
    return summarize_and_compress(conversation_history)

# 3. 工单系统集成
def create_ticket_if_needed(issue):
    if issue.severity == 'high':
        ticket = external_ticket_system.create(
            title=issue.title,
            priority=issue.priority
        )
        return ticket

舆情分析系统数据流图

graph TB
    subgraph "数据源"
        A1[微博]
        A2[知乎]
        A3[新闻网站]
        A4[论坛]
    end

    subgraph "采集层"
        B1[Browser Use<br/>爬虫] --> B2[消息队列]
    end

    A1 --> B1
    A2 --> B1
    A3 --> B1
    A4 --> B1

    subgraph "处理层"
        C1[AgentRuntime<br/>编排] --> C2[多模型处理]
    end

    B2 --> C1

    subgraph "分析层"
        D1[Code Interpreter<br/>情感分析+趋势识别]
    end

    C2 --> D1

    subgraph "输出层"
        E1[实时监控大屏]
        E2[风险预警<br/>Hook 触发]
        E3[定期报告生成]
    end

    D1 --> E1
    D1 --> E2
    D1 --> E3

    subgraph "可观测层"
        F1[全链路追踪]
        F2[成本归因]
    end

    C1 --> F1
    C2 --> F2

效果总结

• 开发周期：3 个月 → 2 周（缩短 83%）
• 人力成本：24 人月 → 4 人月（降低 83%）
• 基础设施成本：降低 60%
• GPU 成本：降低 40%
• 运维成本：降低 70%
• TCO（总拥有成本）：降低 60%

性能指标与成本优化

性能指标

成本优化

成本优化策略

1. 智能模型路由：简单任务用小模型，复杂任务用大模型
2. 缓存机制：相同查询直接返回缓存
3. 上下文压缩：减少 Token 消耗
4. 缩容到 0：无请求时不计费
5. 按实例忙/闲状态独立计费：闲置状态算力免费

最佳实践

开发策略

先用无代码快速验证，确认方案可行后再切换到高代码

开始阶段（0-1）：
├─ 业务需求不明确？→ 无代码快速验证
├─ 原型需求？→ 无代码 60 秒创建
└─ 探索性质？→ 无代码快速迭代

演进阶段（1-10）：
├─ 需要个性化策略？→ 转换高代码
├─ 需要成本优化？→ 转换高代码
├─ 需要复杂逻辑？→ 转换高代码
└─ 需要系统集成？→ 转换高代码

生产阶段（10-100）：
├─ 利用基础设施能力（模型代理、Hook）
├─ 实现监控和日志
└─ 持续优化性能和成本

模型治理最佳实践

1. 配置主备模型，确保高可用
2. 使用负载均衡分摊请求
3. 根据场景选择合适模型
   • 简单任务用小模型（如 Qwen-Turbo）
   • 复杂任务用大模型（如 Qwen-Max）
4. 配置超时和重试机制
5. 开启成本监控，及时发现异常

沙箱使用最佳实践

注意事项：

• 使用 Code Interpreter 进行数据分析和可视化
• 使用 Browser Sandbox 实现浏览器自动化
• 配置合理的超时时间
• 定期清理临时文件

Hook 机制最佳实践

前置 Hook：

• 参数校验
• 权限检查
• 数据预处理
• 动态凭证注入

后置 Hook：

• 结果处理
• 数据落库
• 告警触发
• 审计日志

性能优化清单

• ✅ 智能缓存：相同查询直接返回缓存
• ✅ 上下文压缩：减少 Token 消耗
• ✅ 模型智能路由：简单用小模型，复杂用大模型
• ✅ 异步调用：耗时操作不阻塞
• ✅ 并发控制：限制并发请求数
• ✅ 会话亲和：减少重复上下文加载

未来展望

技术演进方向

1. AI 原生应用架构

从”AI + 云原生”向”AI 原生”演进：

• AI Runtime、AI Gateway、AI MQ、AI Memory、AI Observability 等八大组件体系
• 缩短从 PoC 到生产上线的时间

2. 多模态 Agent 支持

从文本 Agent 扩展到多模态（图片、音频、视频）：

• 模型运行时支持文生图、文生语音等领域模型
• 算力解耦，提供更细粒度的 CPU/GPU 组合

3. Agent 市场生态

• 与 Higress x HiMarket 方案结合
• 支持 MCP 协议的标准化工具市场
• 一键集成开源框架

4. 更强的可观测性和可控性

• 基于语义的 Agent 可观测性
• 决策过程完全透明化
• 自动化的性能优化建议

生态集成趋势

开源框架深度集成

• AgentScope
• LangChain
• RAGFlow
• Mem0
• CrewAI

标准化协议

• MCP (Model Context Protocol)：工具调用标准化
• OpenTelemetry Trace：可观测性标准
• Prometheus：监控指标标准

成本优化方向

更细粒度的计费模型

• 从”忙/闲”状态到更精确的算力计费
• GPU 共享和按需分配
• Spot 实例竞价模式

算力效率提升

• 模型压缩和量化
• 推理加速（TensorRT、ONNX Runtime）
• 批处理和流水线优化

总结

AgentRun 作为阿里云推出的企业级 Agentic AI 基础设施平台，通过 Serverless 架构 + 会话亲和机制 + 精细化计费三大核心技术，成功解决了 AI Agent 从原型到生产环境的”生产化鸿沟”。

核心价值主张

• 极致弹性：单集群百万实例，单服务百万 QPS
• 安全隔离：袋鼠安全容器，虚拟机级隔离
• 精益成本：平均降低 60% TCO，GPU 成本降低 40%
• 全栈可观测：决策路径透明化，性能可优化

适用场景

• ✅ 企业内部客服 Agent
• ✅ 舆情分析系统
• ✅ 知识问答系统
• ✅ 业务流程自动化
• ✅ 数据分析助手
• ✅ 个性化推荐引擎

未来展望

• AI 原生应用架构的成熟
• 多模态 Agent 的普及
• Agent 市场生态的繁荣
• 从”云上运行 AI”到”AI 原生云”的范式转变

AgentRun 正在为构建智能体时代的基础设施提供坚实底座，让 Agentic AI 真正进入企业生产环境。

结语

从舆情分析场景出发，我们看到了 AgentRun 如何一站式解决 Agentic AI 应用开发的痛点。

三种开发模式：从无代码快速验证到高代码深度定制，一键切换，零技术债务。

Serverless 运行时：弹性伸缩、会话亲和、缩容到 0，兼顾性能与成本。

模型治理：多厂商统一接入、负载均衡、Fallback，提升稳定性。

安全沙箱：Code Interpreter、Browser Use，企业级安全隔离。

工具生态：MCP 协议、Hook 机制，灵活扩展。

让每个人都能快速构建 Agentic AI 应用，推动 AI Agent 的普及和发展。AgentRun，正在为智能体时代的基础设施提供坚实底座。

我们正站在一个新时代的门口。

参考资源：

• AgentRun 官方文档
• AgentRun 控制台
• AgentRun API 文档
• AgentRun 最佳实践