告别 Agent “泛滥成灾”：火山引擎基于 200 + 企业样本的 AI 管理架构

IT 产业的历史，总是惊人的相似。

上世纪 90 年代，企业开始信息化建设，各部门“见软件就买”——财务系统、仓储系统、CRM……在早期，这确实显著提升了单点效率，但很快就撞上了一堵墙：系统之间数据不通、流程断裂，部门各自为政，企业内部竖起一座座“烟囱”。

直到 ERP（企业资源计划）出现，才把人、财、物、产、供、销串成一条链：分散的软件孤岛被连接成大陆，企业信息化才真正迎来质变。

而今天，AI 应用正在经历同样的“历史轮回”。

2025 年，我们见证了 AI Agent 的“寒武纪大爆发”，企业发现场景就搭建 Agent 。火山引擎副总裁张鑫在《C 位面对面》与极客邦科技创始人 & CEO 霍太稳的对话中提到：据 HiAgent 业务观察，一家企业平均上线的智能体数量已超过 200 个，甚至能达到 1000+。

狂欢背后，曾经的软件“烟囱”问题再次出现，无数不互通、无协作的 Agent 正在制造新的混乱。

企业正在陷入“用不起来、也管不住”的怪圈：仅有不到三分之一的智能体被高频使用，其余大多沦为“僵尸应用”。

张鑫指出，这背后的核心症结就在于类似的“各自为政”。例如，客服的 Agent 不懂销售的数据，差旅的 Agent 调不到报销的接口；它们散落在 OA、CRM、ERP 等不同系统里，像一群没有组织纪律的“数字员工”，各忙各的，既无法共享上下文，也无法形成流程闭环。

结果是：智能体越多，信息越碎片化，流程越割裂，协同效率反而下降。

同时，企业也面临管理的安全隐患。当成百上千个拥有数据访问权的“数字员工”在系统里游走，却没有统一的身份认证和权限边界，企业的安全合规风险呈指数级上升。一旦权限错配、提示词被攻击、或误调用敏感数据，后果可能远超“Agent 不好用”的层面。

“越来越乱”的现实正逼行业寻找新的突破口：企业真正需要的，不再是第 201 个孤立的 Agent，而是一套能把 Agent 连起来、管起来、调度起来的“操作系统”。

可以说，大模型应用正走到关键十字路口——行业已不关心“能不能造”，而是开始在乎“能不能管、能不能协同、让 Agent 进入核心的业务流程”。

一、以“管理”为核心的 Agent 平台架构

当企业的核心痛点从“缺乏技术”转向“缺乏秩序”时，云厂商必须换一种打法。

12 月 18 日，在 FORCE 原动力大会上，火山引擎副总裁张鑫发表了题为《HiAgent“1+N+X”智能体工作站：从 Agent 开发运营到持证上岗》的演讲，通过“1+N+X”的体系逻辑，张鑫回应了行业对“高效协作”的迫切需求。

张鑫坦言，HiAgent 的每一次进化，本质上都是跟着客户痛点走的。在走访一家浙江行业龙头企业时，他捕捉到了企业主心态的变化：他们不再担心 AI 没用，而是开始担心几百个碎片化的 Agent 导致数据失控，或者新老系统割裂导致业务停摆。

事实上，这种焦虑是企业追求“规模化 AI 劳动力”的必经阶段。当 AI 从边缘助手真正进入核心业务流程，管理的复杂性必然指数级上升。

火山引擎喜欢“跟着客户痛点跑”。

2024 年初，当时企业还在观望，不知道 AI 能干什么。张鑫团队的想法很简单——帮客户“先造起来”。他们挑出客服、营销等见效快的场景，做成样板给客户看。这就像给企业打了一针“强心剂”，直观证明了 AI 的可用性。此时，HiAgent 只是现成应用的提供者。

到了 2024 年中第二阶段，许多企业客户的热情被点燃，一些客户往往涌现出几百个需求。面对产能瓶颈和人才短缺，HiAgent 迅速转型升级为低代码/零代码搭建平台，让企业能低门槛地自己动手，造出专属智能体。

第三阶段是在 2025 年 6 月，企业能造出来 Agent，但并不好用。企业发现自建的智能体离生产要求有差距。于是，火山引擎发布了 Agent DevOps，建立了一套绩效考核和训练机制。通过不断评估、反馈和再训练，让智能体“越干越熟”，达到生产级标准。

如今，当企业智能体数量破百，管理难题浮现——如何让这么多分散的智能体协同工作？HiAgent 随之再次进化，新发布了统一工作台和管理中枢 AgentSphere，把分散的智能体连在一起进行调度。从帮客户“造出来”，到“造得快、养得好”，再到如今“管起来、用起来”。

正如张鑫所总结，这些演变背后都是企业需求的深层变化：从“能不能用 AI？”变成了“如何规模化用好 AI？”。HiAgent 的身份也随之完成跃迁：从单纯的工具提供方，进化为企业的 AI 管理平台。

一直以来，很多厂商都容易陷入“用一套标准技术去规训客户”的误区，但火山引擎选择了一条不同的路：不预设终局，尊重当下的痛点需求，并快速适应。

二、AI Agent 也需要“持证上岗”

这也意味着，HiAgent 决定正在从“工具提供者”，转型为“平台管理者”，其中面临着一个棘手的战术悖论：企业既想要一套拿来即用的标准化能力，又想要能完美适配自身业务的定制化空间。

在过去的 IT 实践中，这两者往往不可兼得。要么是标准软件过于僵化，要么是定制开发过于昂贵。而在 AI 时代，HiAgent 正试图通过“1+N+X”的架构设计，在两者之间找到一种平衡。

从技术角度看，“1+N+X”这套架构的本质是采用了一套分层治理的逻辑。

“1”是“统一入口”，即 12 月 18 日 FORCE 大会上重磅发布的 AgentSphere。它作为统一的协同交互入口，解决了“找工具难，管智能体更难”的痛点。无论企业内部有多少个 Agent，无论它们来自哪个部门，都必须遵循统一的身份认证和交互规范。

这层设计，让企业管理者/运营人员第一次拥有了上帝视角——既能看到所有数字员工的运行状态，又能一键管控数据访问边界。

张鑫强调：“进入到 AI 时代，企业更需要新的‘管理中枢’来定义数字员工运行规则，要从管人管流程，变成能管 agent 管数字员工 —— 这就是 AgentSphere 接下来要做的事。”

“N”解决的是“通用能力”的复用。企业不需要重复造轮子去训练通用的 Agent。火山引擎将内部打磨成熟的高频场景，封装成现成的“数字专家”，这些“N”类助手包括了如数据分析、内容洞察、安全运营 Agent 等高质量专家。

这是火山引擎“能力积累”的一次集中外溢。这层设计，让企业能以极低成本获得 80% 的通用 AI 能力，解决了“重复开发”的问题。

“X”解决的是“长尾需求”的灵活。例如针对电池厂的材料分析等高度特异化的场景，HiAgent 留出了广阔的低代码自建空间，给企业提供了一套标准的接口，允许业务人员在合规的框架内自由发挥。

由于企业商业数据在变、场景在变、业务在变，智能体必须像“职场人”一样持续进化，否则就会陷入“搭建即过时”的困境。

针对该难题，张鑫提出，HiAgent 首发的 Agent Devops 全生命周期管理，可以帮助智能体从“实习生”不断成长为业务专家，让智能体从一次性搭建到持续进行“运营调优”。

这套“1+N+X”的逻辑，也在浙江大学数字化校园建设中得到验证。一般而言，高校场景需求极度分散：数万名师生中，既有行政办事、查课表等共性需求，也有古文分析、实验数据追踪等差异化需求。

通过使用这套架构，全校师生实现使用统一的工作台登录使用。对于高效高频通用场景，火山引擎预置了标准化的数字专家。学校无需重复开发，即可获得行政助手等能力。

数据显示，HiAgent 平台上线仅一周，校内懂业务的师生就结合自身开发了数百个“自建智能体”。例如中文系教师构建了“古典文学学习助手”，科研团队搭建了“论文情报官”等。

这种“中心化管控+去中心化创新”的模式表明：面对海量的碎片化需求，通过平台管住底线、将工具下放给一线，或许是更高效的解题思路。

这种“底座统一、中层复用、顶层开放”的设计，如同是 AI 时代的 ERP——把分散的算力、知识和流程“拧成一股绳”，完成从单点智能到链路协同的升级。

解决了 Agent 的协作问题，还剩下一个更致命的阻碍：信任。

在大模型应用早期，很多 Demo 虽然惊艳全场，但一旦进入某些例如医疗、金融等严肃生产环境时，就会出现“幻觉”等不可接受的风险。为了让企业敢把核心业务交给 AI，火山引擎在 HiAgent 中也引入了一套严苛的数字员工“持证上岗”的机制。

这类似于一套工程化的“安全阀”体系。火山引擎提出“生产级智能体”标准，并将其类比职场具象化为合规、能力、安全三张“证书”，即“持证上岗”。

例如，在“合规”层面，HiAgent 采取了“数据源围栏化”策略。系统强制医疗智能体“只读权威书”，数据来源被严格限定为权威诊疗指南、专家共识和验证过的病例。通过检索增强（RAG）技术，从源头上屏蔽互联网上的不确定信息，确保 AI 不会在医学伦理上越界。

在“能力”层面，系统也拒绝“黑箱操作”。HiAgent 引入知识图谱，要求 AI 在给出诊断建议时，必须展示完整的推理链路——引用了哪篇文献、依据什么逻辑，需像解数学题一样展示步骤，供医生核查。同时，采用“混合调度”策略：影像识别使用更准确的小模型，病历分析使用大模型，以确定性技术对冲风险。

在“安全”层面，系统在流程终点设置了人机协同（Human-in-the-loop）—安全阀。AI 给出的仅为“建议”，但最终决策权始终保留在医生手中。一旦 AI 信心不足，系统会自动报警并转交人工处理。

HiAgent 的路径显示：生产级智能体的落地核心，不在于单纯追求模型参数规模，而在于建立一套可管、可控的工程化体系。 当 Agent 能够受控、被信任地嵌入核心业务流，AI 产业竞争的维度也随之发生了质变。

三、AI 云的下一程：全面与体系化

在过去一年，火山引擎表现令人瞩目。IDC 数据显示，2025 年上半年中国公有云大模型调用量达 536.7 万亿 Tokens，火山引擎以 49.2% 的市场份额稳居榜首，远超阿里云的 27% 和百度智能云的 17%。截至今年 12 月，豆包大模型日均 Tokens 调用量已突破 50 万亿，较 2024 年 5 月的 1200 亿增长迅猛， 稳居中国第一、全球第三；营收预期也从 2024 年的百亿规模翻倍至 2025 年的 200-250 亿元。

火山引擎副总裁张鑫在《C 位面对面》访谈中强调，对比市面上仅关注单一环节的竞品，HiAgent 的核心优势在于“全面与体系化”。这种全流程覆盖的设计，就是为了防止企业重走 IT 时代“烟囱架构”老路，解决“智能体散落各处”的治理难题。

张鑫介绍道，HiAgent 通过打通开发平台、知识中台与运行调度，已经构建了工程化的闭环。这一机制确保了一线数据实时回流，提供了“端到端的优化空间”，形成持续改进的正反馈循环。

对于企业而言，这种随着业务运行不断迭代、越用越顺手的系统体验，也构成了比各种技术参数更实际的竞争壁垒。

这一转变，也折射出 AI 产业已从早期的“技术尝鲜”进入“工业化落地”的深水区。

企业的核心诉求从“拥有 Agent”转向“管理 Agent”。

当企业在平台上构建了复杂的业务流、配置了精细的权限体系，HiAgent 便成为企业难以剥离的“业务骨架”。通过管理体系，企业会将无形的管理逻辑转化为可视化的数字资产，使云厂商与客户的关系从松散的“交易”转变为紧密的“生态绑定”。

未来的云服务竞争，谁能帮助企业建立起 AI 时代的组织秩序，谁也就能占据企业 IT 预算中最核心的位置。