企業玩不轉龍蝦，是人的思維出錯了

金磊 發自 凹非寺
量子位 | 公眾號 QbitAI

龍蝦（OpenClaw）的火，是真的火，整個行業都在為這個能真正干活的Agent瘋狂。

但真用起來的尷尬，也是真的尷尬。

因為好多企業跟風All in Agent，砸錢接入了頂尖大模型，搭好了看似炫酷的Demo，可一到規模化落地就頻頻翻車——

要么卡在系統對接上，要么困在權限安全里，最后變成只有少數工程師會用的內部玩具，根本跑不進真實的業務流程。

這就不免讓人發出疑問了：人人都能用的龍蝦，怎么到了企業這里就水土不服了呢？

針對這個問題，來自MiniMax的Agent首席架構師阿島和騰訊云Agent Runtime產品副總經理、專家工程師Gary，在近期一場Agent Infra熱點圓桌中一針見血地戳破了真相：

企業落不好Agent，是人的思維從根上就出錯了。

用“人在中心”的舊體系，套“Agent 為中心”的新時代

在直播中，阿島和Gary達成了一個最核心的共識，這也正是絕大多數企業Agent落地失敗的首要原因：

試圖在不改變原有工作流、不調整系統架構的前提下，把Agent當成一個“插件”強行嵌入現有的企業體系中。

現有的企業IT系統是怎么來的？是為了讓人更好地分工協作而設計的。

無論是OA審批、財務報銷，還是研發管理系統，其底層邏輯都是“以人為中心”。系統里塞滿了為了防范人類錯誤而設置的審批節點、繁瑣的表單規范和層層遞進的權限控制。Gary坦言：

絕大多數企業的常規操作，是讓AI去適配這些以人為中心設計的流程。

阿島在直播中用了一個非常生動的比喻——Harness：

Agent就像一輛馬力全開的F1賽車。你想讓它跑出極限速度，就必須為它打造適配的車身與專業的賽道。但現在很多企業的做法，是強行把這輛F1賽車開到了普通的鄉鎮公路上，還要求它必須遵守家用轎車的限速和紅綠燈規則。這怎么可能跑得快？

想要真正釋放Agent的能力，企業必須完成一次思維的躍遷：從過去的“人在中心操控AI”，轉變為“Agent在中心干活，人是駕馭者（Harness）”。

這意味著企業的工作流、代碼項目、文檔規范，甚至文件命名，都必須轉變為“面向Agent友好”的結構化模式。Agent需要能拿到人能拿到的所有信息，而人，退居為它的輸入和輸出節點之一。

Gary用騰訊內部的親身實踐佐證了這一點。

在騰訊內部，研發團隊最初嘗試將Agent接入需求管理系統TAPD。TAPD的設計源自傳統的軟件工程，強調角色分工（產品提需求、研發寫代碼、測試抓Bug），系統中布滿了復雜的富文本交互和審批節點。

“一開始我們嘗試在不改變既有工作流的情況下，把Agent對接進去，結果發現這條路完全走不通。”Gary回憶道。

真正的破局點發生在思維轉變之后。當研發人員開始思考“我一個人如何在AI的輔助下最高效地完成工作”時，奇跡發生了：

我們發現突然不需要那么多流程了。我們以Git倉庫為唯一真源，消除了冗余的審批節點，賦予了Agent能夠自閉環的權限。那一刻，所有的落地門檻都消失了，Agent自然而然地就落地成功了。
真正的Agent Native企業，一定是圍繞Agent重新組織工作流的。

技術慣性認知誤區，正在讓Agent落地走偏

如果說“舊瓶裝新酒”是思維上的宏觀阻礙，那么在具體的執行層面，業界普遍存在的技術慣性認知誤區，如同隱形的枷鎖，直接決定了Agent落地的成敗。

這是目前云廠商和IT基礎設施團隊最容易犯的錯誤。很多人僅僅把Agent看作是下一個微服務或者大數據升級。正如Gary所說：

我看到同行中有很多誤區，最典型的就是拿過去做微服務的那套K8s技術方案，去硬承接AI Agent。

這種生搬硬套是致命的，因為兩者的底層假設完全相悖。

傳統的Docker和K8s，假設的是應用是無狀態的、同質化的，并且是隨時可以銷毀和快速伸縮的。

但Agent的本質是什么？

它是有狀態的，它的記憶和當前執行的上下文至關重要；它是異質的，每一個Agent基于不同的設定和進度，都是獨一無二的；它還是長時運行的，可能需要7x24小時不間斷地為你盯著數據或執行任務。

拿著解決靜態、無狀態問題的舊錘子，去敲擊自主、不確定性的Agent釘子，顯然只會把釘子敲彎。

云不僅是給人用的，更是給Agent用的

思維的轉變，最終必須落地到堅實的基礎設施上。

過去幾十年的IT信息化進程，無論是單體應用、微服務還是大數據，其核心服務的對象始終是“人”。但正如Gary所言，AI Agent帶來的是一次真正的范式轉移——它改變了用云的主體：

過去的云都是人使用的，現在的云，是Agent去使用的。

這意味著，傳統的基礎設施已經無法承載Agent的需求。為了解決這個問題，騰訊云推出了Agent Runtime。

它的核心設計邏輯非常清晰：消滅偶然復雜度（Accidental Complexity）。

對于大模型公司，他們只需要專注把模型能力做強；對于企業客戶，他們只需要專注自己的業務know-how。至于Agent怎么在一個安全的環境里運行、狀態如何保存、權限如何管控、怎么跟第三方系統打通通信，這些龐大且繁雜的臟活累活，全部交由騰訊云Agent Runtime這樣的原生基礎設施來解決。

在這個體系下，騰訊云打造了專門的Agent網關來解決連接問題，并計劃開源Cube安全沙箱技術，從計算、網絡、存儲底座重新設計，為Agent提供一個既能保留工作狀態，又能安全隔離的專屬運行環境。

但在這個環節也存在著一個安全認知誤區。

因為一提到Agent擁有自主操作權限，很多企業的安全部門就如臨大敵：數據泄露怎么辦？它亂操作刪庫了怎么辦？

這種擔憂很正常，但如果因為這種擔憂就拒絕Agent，那就大錯特錯了。阿島認為，這就像15年前電商剛興起時，大家都在質疑“郵購靠譜嗎”、“支付安全嗎”一樣。

新技術的出現，必然會沖擊原有的基礎設施，但同時也一定會催生出適應新時代的基礎設施。阿島指出：

在移動互聯網時代，我們孕育出了手機一鍵登錄、微信支付、支付寶這樣的基礎設施，才有了后來的外賣、打車和電商生態。
Agent時代也一樣。今天大家覺得安全是阻礙，但未來一年，我們一定會看到專屬于Agent身份認證、權限委托的“時代支付寶”出現。

Gary對此也補充道：

未來智能體甚至可能會在法律或者事實上擁有某種類似于企業法人的地位和權限。我們要做的是構建Agent時代的安全沙箱和授權體系，而不是因為害怕就停滯不前。

騰訊云Agent Runtime的核心設計，正是從底層基礎設施層面，為Agent構建了這套原生的安全體系，通過Cube安全沙箱的全隔離運行環境、精細化的權限管控機制、全鏈路的操作軌跡可追溯能力，從根源上解決企業對Agent安全的核心顧慮，讓企業無需再因安全擔憂而限制Agent能力的釋放。

而騰訊云這種原生基礎設施的能力，在與MiniMax的深度標桿合作中，展現得淋漓盡致。

熟悉大模型發展的人都知道，決定Agent能力天花板的關鍵技術之一，是Agentic RL。這與過去簡單的一問一答式訓練不同，Agentic RL需要讓模型在一個真實的沙盒環境中（比如Mac系統寫iOS代碼，或者Windows系統操作桌面）去自主探索、試錯并獲得獎勵。

這對底層Infra提出了極其苛刻的要求。

阿島透露，為了覆蓋足夠多的場景，MiniMax可能需要同時拉起十萬甚至幾十萬級別的沙盒。這些沙盒里跑著不同的操作系統鏡像，它們必須在秒級啟動，而且環境必須高度穩定、支持隨時快照保存：

一開始我們用傳統的K8s去跑，發現根本不行，幾萬個并發瞬間就把K8s的Master節點拉垮了。
傳統的Infra工程師面對這種需求，第一反應往往是“你能不能少拉一點？”

但在AI的進化速度面前，妥協意味著落后。

在這個關鍵節點，騰訊云展現了強大的定制化加速與底層重構能力。

為了支撐MiniMax龐大的并發需求，騰訊云拋棄了修修補補的思路，針對Agentic RL場景將計算和存儲進行了全面重塑：

• 在計算調度上： 深入內核級進行鎖優化和快照技術攻關，確保海量異構沙盒的秒級并發啟動。
• 在存儲加速上： 針對MiniMax Agentic RL訓練面臨的數十萬異構鏡像分發、帶寬瓶頸的核心痛點，摒棄了傳統繁瑣的拷貝和復制流程，基于Cube平臺自研了塊級去重、多級緩存、按需加載的專屬加速存儲方案，利用內存映射等底層技術實現了磁盤直接作為鏡像盤或沙盒盤的瞬間掛載，可支撐分鐘級數十萬沙箱的快速拉起，并發能力可隨集群規模平行擴展；同時針對訓練中高頻的CheckPoint斷點回放、分叉實驗需求，打造了自研的CoW快照存儲設施，支撐Agent秒級的暫?；謴团c快照回滾能力，徹底解決了傳統存儲方案在大規模Agent訓練場景下的性能瓶頸。

正是在這種真正Agent-centric的極速算力基礎設施支撐下，MiniMax得以實現模型能力的月級別快速迭代，并在復雜人設保持、長程任務執行上達到了比肩甚至超越國際頂尖模型的水平。

Gary這樣總結與MiniMax的合作：

我們不是比別人更聰明，而是我們真正認識到了這是時代的范式轉移，并且認真地去重構它。

給從業者的建議

從會聊天的工具，到能干活的生產力；從個人桌面的Demo，到千行百業的大規模落地。Agent正在以不可逆的姿態重塑這個世界。

阿島預測，在未來一年，Token的成本將呈指數級下降，我們將看到全模態的Agent在便攜設備中實時互動，并且具備自主進化、自己編寫Skill的能力。

在這樣一個近乎科幻的現實面前，企業和普通開發者該如何自處？

兩位行業前沿的探索者給出了最樸素也最核心的建議：

第一，破除Agent與我無關的偏見。

無論你是做前端、后端、產品還是行政，只要你的工作中有重復性的內容，Agent就一定能為你提效。不要因為一開始用不好，就覺得是崗位不匹配或者AI太笨。堅定地相信它，是落地的第一步。

第二，建立AI Native的工作模式，把Agent的價值用透。

Gary分享了他自己的一種新型焦慮癥：

我發現我的Token根本用不完。我的Agent不需要吃飯，只需要一臺電腦和Token就能干活，但我居然沒有讓它時刻運行起來替我打工，這說明我自己的工作模式還不是AI Native的。

企業落地的第一步，不是立刻重構大系統，而是先讓每個員工在自己的具體崗位上把Agent用起來。

當大家都習慣了Agent，內部自然會形成分享插件和know-how的“大集市”，沉淀出企業的AI資產。只有底層的基建和員工習慣都Agent-friendly了，組織形態的重塑才會水到渠成。

第三，也是最重要的一點——Build is everything！

不要等系統完美了再上場，不要等公司下達指令再行動。就從今天開始，從解決工作中的某一個小Bug、回復某一類郵件開始，用WorkBuddy、用MiniMax去搭建屬于你自己的Harness。

在這個日新月異的時代，衡量一個工程師或企業效率的標準，或許很快就會變成：你每天能同時讓多少個Agent為你打工？你每個月能燒掉多少有價值的Token？

Agent時代的入場券，不屬于那些在岸上觀望的人，只屬于那些敢于跳下水，一邊嗆水一邊學習游泳的構建者。