我们有智能体框架了。但智能体控制平面在哪里?
摘要
AI智能体生态系统中有许多用于构建智能体的框架,但缺乏用于部署和治理的运营层,这引发了对是否需要智能体控制平面的讨论。
当前的AI生态系统与早期的容器时代非常相似。如今,通过Lyzr、LangGraph、CrewAI、OpenAI Agents SDK、AutoGen以及自定义框架,构建智能体的方法层出不穷。每个月,构建智能体都变得更容易,但一旦这些智能体开始被真实团队使用,讨论的重点就会从提示词和工作流转向部署、治理、可观测性、评估、权限和可靠性。感觉我们在智能体创建方面进展神速,但智能体运营方面却滞后不少。历史上,每当某项技术被广泛采用时,其上层就会出现一个运营层,帮助组织大规模管理复杂性。我开始思考,Agent Control Plane是否会成为AI生态系统的这一层。
相似文章
智能体基础设施框架
一篇讨论帖,将 Kubernetes 风格的基础设施原语(Pod、Deployment、Service)与 AI 智能体所需的原语(智能体、模型、MCP 服务器、沙箱)进行比较,询问是否已有成熟的框架可用于定义和抽象智能体基础设施原语,并提到 kagent 是这方面的早期尝试。
我认为AI代理的讨论即将超越框架层面
作者认为构建AI代理不再是难点;真正的挑战在于部署、测试、版本控制和运维管理,这些在生态系统中仍然支离破碎。
大多数AI代理框架给你一种控制的错觉。而这个框架将代理视为软件组件。
一种新的AI代理框架,将代理视为软件组件,提供更透明、可控的开发体验,而非大多数框架中那种控制的错觉。
大多数团队不需要更多AI代理。他们需要为已有的代理绘制组织结构图。
本文讨论了团队在使用多个权限和工作流重叠的AI代理时出现的代理泛滥问题。文章提出了一个基本控制层,包含所有者、读写系统、预算、停止规则以及四类代理:读取者、路由者、操作者、花费者。
2026年AI智能体格局概览——25+框架对比,57%组织已投入生产
一份2026年年中AI智能体生态系统的全面调查,涵盖25+框架,显示57%的组织已将智能体投入生产,同时报告了主要融资轮次和企业部署情况。