Agent迎来工程落地元年，MCP和A2A协议驱动应用爆发，多Agent协作的低效与幻觉是挑战，AI Coding和自动化运维率先落地。
原文标题：效率狂飙数倍后：Coding Agent已然成熟，但开放世界仍是“无人区”
原文作者：AI前线
冷月清谈：
怜星夜思：
2、文章中提到多Agent协作可能导致“无效沟通”和Token消耗激增，你认为有什么方法可以解决这个问题？如果让你来设计一个多Agent协作系统，你会考虑哪些因素？
3、文章提到Agent可能会以“数字员工”的身份在企业中入职，你认为“数字员工”会给职场带来哪些变化？你是否期待与“数字员工”一起工作？
原文内容
如果说 2024 年是属于大模型的“奇迹之年”，那么刚刚过去的 2025 年，则可以被定义为 Agent（智能体）的“工程落地元年”。
在技术圈的语境里，大模型正经历从“被动问答”到“主动干活”的范式转移。过去没有 Agent 的时候，大模型是在被动地回答问题；Agent 诞生后，它变成了主动执行。这不仅仅是业务模式的变化，更是从聊天程序到生产组件的根本性变革。
但这种根本性的变革却不是一蹴而就的，而是由多个重要的、里程碑式的“协议”和框架强力驱动的。这一点与早期互联网协议定义推动 Web 应用爆发式增长的逻辑类似——标准化不是为了漂亮的规范，是要真正去解决跨系统、跨场景、跨团队协作的实际工程痛点。
阿里云容器计算服务 ACS Agent Sandbox 技术负责人黄涛在最近的一次深度对谈中将其归结为三个关键事件：MCP 协议的爆火、A2A 协议的发布，以及多智能体协同的工程化实现。
首先是 Anthropic 发布的 MCP（Model Context Protocol，模型上下文协议），旨在定义 AI 模型如何访问外部工具、数据库和服务的标准化方式。与过去每个模型厂商根据自有接口定制不同，MCP 提供了类似 “USB-C 接口” 的统一协议，使得智能体能跨平台访问外部能力。
例如，MCP 能够让智能体通过统一的协议访问数据库、库存系统、工作流 API 等，而不需要针对每种服务和接口写特定的适配代码。 这种标准化的好处，在企业级应用场景中尤为显著：
-
减少集成成本：应用方不再为大量不同的 API 写 glue code。
-
提升可靠性与一致性：统一格式、统一调用流程让错漏减少。
-
加速自动化能力落地：智能体能快速理解系统数据并据此执行任务。
起初，这看起来只是一个单纯的技术协议，但在刚刚过去的一整年，它彻底引爆了应用层。
以阿里集团内部为例，为了加速 AI 在电商领域的渗透，阿里孵化出了名为“TMCP”的电商 MCP 网关平台。大量业务方通过编写 MCP Server，将复杂的供应链、库存数据、用户信息等通过标准化协议“喂”给 Agent。
“MCP 解决的是 Agent 看世界、调工具的‘语言统一’问题。”黄涛解释道。以前 Agent 调用工具需要针对每个接口做定制，现在有了标准网关，Agent 可以更快速地理解客户需求，从一个只会聊天的程序，变成真正能调度阿里复杂业务逻辑的“超级组件”。
此外，另一款协议也值得重点关注。Agent-to-Agent（A2A）是由谷歌发布的，其核心目标是定义智能体间的“通用语言”和协作规范，使不同背景、不同厂商或不同开发框架下的智能体，可以像微服务一样，通过标准化方式互相发现、协商任务、交换状态、协调工作流。
这类似于 Web 发展的历史中 HTTP、REST API 为服务间通信提供标准一样——如果没有可互操作的通讯协议，大规模协作系统无法自然形成。
在过去，不同功能的 Agent 之间想要对话，往往需要开发者编写极其复杂的“粘合代码”。而 A2A 标准的出现，意味着不同背景、不同厂商的 Agent 可以像人类员工一样，通过一套标准的交互准则进行协作。
协议能力上看，MCP 与 A2A 都可以用于描述智能体之间的交互，但二者的设计侧重点存在差异。MCP 更强调通用的调用与连接能力，统一智能体与外部工具、系统乃至其他智能体的交互方式；相比之下，A2A 在设计上更聚焦于多智能体场景本身，试图为智能体之间的协作、状态同步与交互模式提供更直接的抽象支持。因此，在早期多 Agent 系统实践中，即便采用了 MCP 这类通用协议，智能体之间的协调逻辑仍常常依赖开发者手工实现，难以随着系统规模的增长而自然演进。
与此同时，Manus 等框架提出的多智能体协同概念，不仅停留在交互层，更深入到了底层的基座能力。比如安全沙箱（Sandbox）技术的引入，解决了 Agent 在执行代码或处理敏感数据时的隔离问题，让“协作”不再是裸奔。
尽管应用层呈现爆发趋势，但当 Agent 真正走进企业级生产环境时，工程性挑战接踵而至。最让开发者头疼的，莫过于多 Agent 协作中的“低效”与“幻觉”。
OpenAI CEO 奥特曼曾描绘过一个超级个体带领一堆 Agent 协作的未来。但在实际操作中，守辰发现了一个尴尬的现实：Agent 之间会产生大量“无效沟通”。
“多个 Agent 协作时，经常会出现不聚焦的情况，聊着聊着就聊开了。”阿里云智能容器服务高级专家， OpenKruise Agents 项目发起人张振举例说，有些框架下，Agent 之间会互相委派任务，甚至出现死循环。这种“社交式发散”直接导致了 Token 消耗的激增，但最终得到的推理效果却可能不如一个定义明确的单 Agent。
这种成本不仅仅是金钱上的，更是算力资源的浪费。对于企业而言，如何量化 Agent 之间的协作模式，识别并固化有效的沟通路径，避免像人类会议一样的“低效扯皮”，是目前的重难点。
另一个挑战在于 Agent 的“自制能力”尚浅。在传统的 BPM（业务流程管理）或 RPA（机器人流程自动化）领域，追求的是强约束、强工程化。
目前的 Agent 虽然有灵性，但离完全自制还有很大差距。黄涛认为，现阶段 Agent 与 BPM 的关系并非“替代”，而是“融合”。“我们要给 Agent 定义清晰的边界和子系统，明确它的输入、输出和约束，而不是把它当作一个泛化的、人格化的机器人。”
在阿里的实践中，开发者尝试在现有的工具流中加入 Agent 节点，让它处理那些“不那么确定”的子任务，而将确定性的逻辑依然留给脚本或流程引擎。
黄涛的这一观点，为 Agent 当前的发展阶段进行了精准锚定。它摒弃了不切实际的科幻幻想，转而拥抱一种务实、可工程化的演进路径：Agent 并非一个从天而降、全知全能的“取代者”，而是一个需要被精心设计和集成到现有生产体系中的“增强组件”。
这种“融合”思维，决定了 Agent 价值的兑现方式——它必须深入具体业务的血肉之中，在解决真实痛点、优化既有流程的过程中证明自己。那么，Agent 究竟在哪些场景里产生了真实价值？
业内普遍认为，最先被 Agent 攻陷的堡垒是编程和运维。
AI Coding 是目前 Agent 落地最成熟、收益最可观的领域。黄涛分享了自己的体感：“以前写一段代码需要一个小时，现在 Agent 一分钟生成，我再改个十来分钟，效率提升是巨大的。”
更显著的变化发生在自动化运维。2024 年的运维 AI 更多是基于 RAG 查手册，而 2025 年的 Agent 则学会了“模仿工程师经验”。当系统报错时，Agent 会自动执行一系列命令去定位问题，甚至能感知真实的运行环境并做出反馈。
张振对 2026 年最期待的突破点是“开放世界训练”。随着 Agent 被装进手机（如字节跳动与中兴的合作）或机器人（如宇树机器人），它面临的是未知的、非实验室的环境。一个典型的挑战是：Agent 操作某个 App 时被封禁了，它该怎么办？
“让 AI 知道自己不知道，是走向真智能的关键一步。”张振提到。阿里云正在通过发布像 OpenKruise Agents 这样的基础设施，提供检查点（Checkpoint）和克隆功能，来加速这种在开放世界中的训练效率。值得一提的是，OpenKruise Agents 是阿里云容器计算服务 ACS 的 Agent Sandbox（ACS Agent Sandbox）逐步开源的能力之一。与 OpenKruise Agents 不同，ACS Agent Sandbox 面向企业级 AI Agent 应用规模化落地，内存级休眠唤醒与 checkpoint 克隆能力 ，支持结合云端弹性调度与微虚拟化隔离，以缩短沙箱启动与恢复时间，提升并行探索效率以及降低训练成本。
从攻克编程与运维的确定性堡垒，到勇敢迈向充满未知的开放世界训练，Agent 的能力边界正在实践中被不断拓展和重新定义。
这种从“专用工具”到“适应环境”的演进路径，自然引发了更深层次的思考：Agent 进化的终点究竟在何处？是成为无所不能的超级自动化智能，还是先成为我们身边协同工作的可靠伙伴？
关于 Agent 的终极形态，黄涛和张振两位专家给出了略有分歧但互补的视角。
黄涛的视角更偏向“高度自制的智能体”：他认为 Agent 最终会演化成在家庭助理、工厂、无人驾驶等场景中完全自主运行的实体。它能完美感知环境差异，自主决策，彻底解放人类。
而张振的视角则更务实，倾向于“数字员工”：他认为短期内，AI Agent 会以数字员工的身份在企业中入职。“员工”这个角色方便企业进行 KPI 评估，也方便人类与之协作。
尽管愿景不同，但共识已成：Agent 将不再是特定领域的应用，而是一种像数据库、中间件一样的“新兴基础设施”。
这一年，我们经历了对 Agent 能力的盲目崇拜，也正在经历对其工程化落地的痛苦磨合。当 MCP 协议把业务的大门敲开，当沙箱技术把安全的篱笆扎紧，当开放世界训练让 AI 开始学会“思考”，Agent 就不再是 PPT 上的概念，而是真正开始改变生产力逻辑的底层变量。
正如张振所强调的那样，AI 可能无法立即成为那个“超级智能体”，但它会以无数个“数字员工”的身份，渗透进代码的每一行、运维的每一次报警、以及每一个复杂的商业决策中。
这才是 Agent 时代的真实叙事：不在于取代，而在于进化。
-
黄涛 ，阿里云容器计算服务 ACS 技术负责人
-
张振，阿里云智能容器服务高级专家， OpenKruise Agents 项目发起人
