作者：朱桐（濯光）
AI 应用的规模正在快速增长，围绕 Prompt 和 Skill 的管理需求也随之涌现。社区里已经有不少 Prompt 平台和 Skill 市场，解决了共享和发现的问题。但当 AI 应用进入企业生产环境，需求就变了——版本谁来管？发布谁来审批？线上出了问题能不能秒级回滚？不同团队的资产怎么隔离？权限怎么控制？
这些问题，社区平台不需要回答，但企业必须回答。
企业的 AI 资产——Prompt、Skill、私有 API 对接逻辑——散落各处，版本混乱，缺乏统一管理。代码有 Git，包有 npm，容器有镜像仓库，企业的 AI 资产同样需要一个自主可控的注册中心。
今天，AI Registry 正式开启公测，为企业提供这个答案。
AI Registry：企业级 AI 资产注册中心
AI Registry 是阿里云微服务引擎 MSE 推出的全托管 AI 资产注册中心，是 Nacos AI Registry 能力的云服务 SaaS 版本。底层基于 Nacos 构建，客户端直接使用 Nacos SDK 接入，已经在用 Nacos 的团队可以零学习成本上手。它为 Prompt、Skill、Agent 等 AI 资产提供统一的注册、版本管理、发现与治理能力，帮助企业建立规范化的 AI 资产管理体系。
全托管，零运维。无需购买实例、无需搭建集群，创建工作空间即可开始使用，底层资源自动分配和扩缩。开发者可以专注于 AI 应用本身，不需要关心基础设施的运维。
控制台管理，客户端集成。AI 资产的创建、编辑、版本发布、标签管理等操作通过控制台完成，提供可视化的管理界面。应用运行时通过客户端 SDK 或 API 实时拉取资源，管理和消费分离，各司其职。
工作空间隔离。每个团队或项目拥有独立的工作空间，资源严格隔离。开发环境与生产环境各自独立，互不干扰。满足多团队、多项目、多环境的管理需求。
企业级安全。工作空间数据隔离及子账号细粒度权限管控，确保不同用户、不同工作空间之间的数据严格隔离。支持细粒度的权限控制，可以精确到某个工作空间下的某类资源，满足企业内部不同角色的权限管理需求。
AI 辅助能力。提供 Prompt 智能优化和在线调试能力，降低 Prompt 工程的门槛。
首批能力：Prompt 全生命周期管理
Prompt 是 AI 应用中最核心也最频繁变动的资产。一个 Agent 的行为表现，很大程度上取决于 Prompt 的质量。但在实际开发中，Prompt 的管理方式往往是最粗放的——写在代码常量里，改一次就要走一轮发布；或者放在配置文件中，多人协作时版本冲突不断。更棘手的是线上运维：生产环境跑的是哪个版本的 Prompt？上次修改是谁做的？新版本效果不好能不能快速回退？这些问题在缺乏专门工具的情况下，只能靠人工记录和口头约定来解决。
AI Registry 公测首批上线的 Prompt 管理能力，就是要把这套流程从手工模式升级为工程化管理，覆盖从编写、调试到生产运行的完整链路。
▍版本管理与灰度发布
每个 Prompt 拥有完整的版本历史，草稿、审核、发布三个状态清晰区分。发布采用标签路由机制，标签由用户自行定义，常见的用法如 stable、canary、gray 等。灰度验证时将 canary 标签指向新版本，生产流量继续走 stable，验证通过后再切换。出现问题时，标签切回上一版本，秒级回滚，业务无感。
▍客户端实时拉取
应用运行时通过 SDK 或 API 按标签或版本号拉取 Prompt，支持增量检测——无变更则不重复拉取。Prompt 在平台上更新发布后，客户端实时感知，无需重新部署应用。
过去修改一个 Prompt 需要走代码发布流程，现在在平台上完成编辑和发布，线上即时生效，大幅缩短 Prompt 的迭代周期。
▍在线调试与 AI 优化
平台内置多模型流式调试能力，编写完 Prompt 后可直接在控制台选择模型、调整参数、验证效果，适合日常编辑时的快速验证。同时提供 AI 辅助优化功能，自动分析 Prompt 并给出改进建议，降低 Prompt 工程的门槛。如果需要更系统化的多版本对比实验和自动化评估，可以结合 AgentLoop 的 Playground 使用（详见下一章节）。
后续，Prompt 管理还将接入安全审核能力，在发布前自动检测 Prompt 注入风险、敏感信息等安全隐患，为企业生产环境增加一道防线。
与 AgentLoop 集成：可观测驱动的 Prompt 数据飞轮
AgentLoop 是基于阿里云 CMS 2.0 构建的面向大语言模型（LLM）应用的全生命周期数据观测与数据飞轮平台[1]。它围绕 AI 应用运行时产生的 Trace、Log、Metric、Conversation 等数据，提供全链路可观测、自动化评估、Playground 实验和长期记忆等能力，帮助企业构建 Agent 的持续改进闭环。
Prompt 的优化不是一次性的工作。写出第一版、部署上线只是起点，真正决定 AI 应用效果的是后续的持续迭代——观察线上表现，发现问题，调整优化，再部署。这个循环转得越快，应用效果就越好。
AI Registry 与 AgentLoop 在 Prompt 管理层面打通后，形成了一条完整的数据飞轮链路。
▍Playground：Prompt 调试与评估
AgentLoop 的 Playground 是一个可视化的实验环境，支持同时配置最多 5 组实验分支，对比不同模型、不同参数、不同 Prompt 版本的表现。
Playground 可以直接选择 AI Registry 中管理的 Prompt，无需手动复制内容，版本对齐自动完成。通过 {{变量名}} 语法注入数据集样本，挂载评估器自动打分，量化每个版本的效果差异。系统会记录每次实验的完整快照——模型配置、Token 消耗、首字延迟、评估得分，确保实验结果可追溯、可复现。
确认最优版本后，在 AI Registry 中发布，通过标签路由（stable / canary）控制灰度比例。线上应用通过 SDK 实时拉取最新版本，无需重新部署。
▍线上观测：Trace 采集与持续评估
Prompt 上线后，AgentLoop 通过 Python 探针自动采集线上 Trace 数据——每次 LLM 调用的输入输出、Agent 执行链路、工具调用详情、Token 消耗和响应延迟，全部记录在调用链中。
基于这些线上数据，AgentLoop 的评估任务可以持续运行：对线上 Trace 按采样比例自动评估，通过预置评估器实时打分，覆盖通用场景（安全性、连贯性、完整性）、RAG 场景和 Agent 场景，自动识别低分样本和 Bad Case。
▍数据回流：从问题发现到版本迭代
线上发现的 Bad Case 不会停留在报表里。把低分样本导入数据集，在 Playground 中针对性地调整 Prompt，通过对比分析功能设置基准组，计算新版本在准确率、耗时、成本等维度的差异值，文本级 Diff 高亮定位输出变化。确认改进效果后，发布新版本到 AI Registry，线上应用自动拉取。
整个链路形成闭环：创建 → 调试评估 → 灰度发布 → 线上观测 → 问题发现 → 优化迭代。AI Registry 负责版本管理和发布控制——哪个版本在灰度、哪个版本在生产、需要回滚时秒级切换。AgentLoop 负责效果度量和问题发现——线上跑得怎么样、哪里有退化、改了之后是否真的变好了。数据在链路中持续流转，Prompt 的质量随着每一轮循环不断提升。
后续，AgentLoop 的可观测能力将进一步与 AI Registry 打通——从客户端采集 Prompt 名称和版本信息，让开发者直接看到线上每个版本的流量分布和效果指标，进一步缩短从“发现问题”到“定位到具体 Prompt 版本”的路径。
即将上线：Skill 管理
除了 Prompt 管理，AI Registry 的 Skill 管理能力也将于近期正式上线。
▍为什么需要 Skill Registry
Skill 是 Agent 能力的最小复用单元——一个处理日期格式的工具、一套调用内部 API 的封装、一段特定领域的推理逻辑，都可以打包成 Skill，供多个 Agent 发现和引用。
当前 AI Skill 生态增长迅速，但企业级场景面临几个现实问题：
- 团队内部沉淀了不少好用的 Skill，但复用方式还是复制粘贴，各处用的版本不一致，改了一处其他地方不知道。
- 企业自研的 Skill 往往包含业务 Know-how 和私有 API 对接逻辑，不适合放到公共平台上，需要一个自主可控的内部 Registry 来承载。
- Skill 直接影响 Agent 的行为，上线前需要经过审核，出了问题需要能快速回滚，但目前缺乏这样的管控机制。
▍Skill 管理能力
AI Registry 的 Skill 管理为企业场景而设计，提供从注册到运行的完整能力：
注册与格式兼容。Skill 以 ZIP 包形式组织，包含 SKILL.md 描述文件和资源文件（模板、数据、脚本等）。这套格式与社区 Skill 兼容，已有的 Skill 可以直接导入，也支持通过控制台在线创建和编辑。
版本管理与灰度发布。和 Prompt 一样，Skill 支持完整的版本历史和自定义标签路由。新版本先挂 canary 标签在灰度环境验证，通过后切换 stable，出问题秒级回滚。每个版本的变更记录完整留存，满足审计和溯源需求。
审核工作流。Skill 发布不再是"提交即上线"。支持草稿 → 审核 → 发布的流程，生产环境的 Skill 上线需要经过明确审批。测试环境可以配置为直接发布，生产环境强制审核，兼顾开发效率和上线安全。
独立上下线控制。支持 Skill 级别和版本级别的独立上下线。可以整体下线一个 Skill，也可以只下线某个有问题的版本，不影响其他版本的正常运行。
搜索发现与客户端消费。注册到 Registry 的 Skill 支持模糊搜索和标签过滤，方便团队内部发现和复用。客户端搜索接口只返回已启用且有线上版本的 Skill，Agent 可以在运行时动态发现和加载所需能力。
下载统计。每个 Skill 版本的下载次数自动统计，帮助团队了解哪些 Skill 被广泛使用，哪些需要推广或淘汰。
从社区发现好用的 Skill，引入企业自己的注册中心，与外部平台解耦——这是 AI Registry 为企业提供的 Skill 治理路径。
开始使用
AI Registry 已于 4 月 15 日正式开启公测。登录控制台，创建工作空间，即可开始管理您的 AI 资产。
AI Registry 控制台：
https://mse.console.aliyun.com/#/ai-registry
AI Registry 产品文档：
https://help.aliyun.com/mse/user-guide/ai-registry-ram-permission-configuration-guide
AgentLoop 文档：
https://help.aliyun.com/zh/cms/cloudmonitor-2-0/what-is-agentloop
相关链接：
[1] AgentLoops 是什么
https://help.aliyun.com/zh/cms/cloudmonitor-2-0/what-is-agentloop
