AI热榜 最近一年，几家云厂商的动作相当整齐。
今年 8 月，阿里云将 Agent 相关的服务能力，升级成为 All In One 企业级 Agent 全栈服务平台——Agent Studio，并正式上线阿里云百炼 ；在 6 月的 Microsoft Build 上，Microsoft Foundry 把重点明显往生产环节推了一步，Hosted Agents、Toolboxes、Memory 等能力被陆续补进平台；4 月，Google Cloud 推出 Gemini Enterprise Agent Platform，把 Build、Scale、Govern、Optimize 塞进同一套平台；去年 10 月，AWS 的 Bedrock AgentCore 把 Runtime、Memory、Gateway 等能力拆成一组可组合的服务，目的就是让开发者不用再为每个 Agent 重新搭一遍运行底座。
一些具备足够工程能力的大型公司，也在做类似的事情。
今年 7 月，美国最大的外卖配送服务平台 DoorDash 将 Memory、模型访问、Tracing 等通用能力抽象成共享的基础设施，并专门搭建了一层 Agent Gateway，把 Agent 调用内部工具时的身份、权限、凭证、限流和审计统一收到了一个地方。
当大众的注意力普遍停留在 Agent 又能完成什么任务、又出现了哪些爆款应用时，鲜少有人注意到，越来越多的公司开始把大量工程精力，花在一些听上去并不那么 AI 的事情上。
原因很简单。
大家撞上的都是同样的问题： Agent 变多、任务变长、调用链变复杂之后，过去那套基础设施的组织方式，开始不太够用了。
更有意思的是，连做模型的公司，自己也没能绕开这个“坑”。
今年 4 月，Anthropic 罕见地复盘了一次 Agent 基础设施的“返工”：最初为了简单，它把 Session、Agent Harness 和 Sandbox 塞进同一个 Container，真正跑起来后，却发现故障隔离、状态保存和网络扩展都成了问题，最后只好把三者重新拆开。
这次返工多少说明了一件事：模型做得再好，Agent 真正跑起来之后，该补的工程课一门也少不了。
但问题是，每家公司都需要自己把这套基础设施再造一遍吗？
真正的瓶颈，在模型之外
🔗 原始来源
如果你要核对细节，可以再看原文： InfoQ AI原文链接