为什么多智能体协作正在从应用问题变成基础设施问题

简介: 随着智能体从单点应用走向跨组织、跨平台协作,核心问题不再只是“能否调用”,而是资源能否被可信注册、验证、分发和发现。OpenAgenet(OAN)将 Agent Service、Skill、MCP Server、Tool/API 等统一视为可治理资源,通过 did:oan、ResourcePackage、Root Proof、Discovery 和 SDK/Skill 等机制,构建面向智能体互联网的身份、信任与发现基础设施,降低生态碎片化和接入摩擦。

从单个智能体到开放网络

大模型让“智能体”从概念变成了可运行的软件形态。一个智能体可以调用工具、读写文件、访问数据库、连接外部服务,也可以与其它智能体协同完成复杂任务。早期阶段,开发者更关心单个智能体是否聪明、提示词是否稳定、工具调用是否准确。但当智能体开始跨组织、跨平台、跨协议协作时,问题会从“如何做出一个智能体”转向“如何让大量智能体和相关资源可信地互联”。

OpenAgenet(OAN)关注的正是这一层基础设施问题。OAN 并不把智能体互联网理解为某一个聊天机器人平台,也不把它理解为单一协议的胜出。它把 Agent Service、Skill、MCP Server、Tool/API 等都视为可发现、可验证、可治理的资源。不同资源可以继续使用 MCP、A2A、ANP、HTTP API 或其它交互协议,但在进入开放网络之前,需要有统一的身份、注册、分发、发现和验证机制。

基础设施要回答的问题

如果没有基础设施层,智能体生态很容易走向碎片化。开发者可能在 GitHub、模型平台、企业内部门户、MCP 市场、个人网站中发布能力描述;调用者则需要自己判断资源是否来自真实发布者、是否仍然有效、是否适用于某类场景、是否被某个可信节点验证过。对人类用户来说,这已经很麻烦;对需要自动规划和自动调用的智能体来说,摩擦更大。

OAN 的基本判断是:智能体互联网不能只靠“能连上”。它还需要回答几个更底层的问题:资源是谁发布的?资源描述是否被篡改?哪个注册节点接收了它?Root 是否验证并发布过它?Discovery 返回的结果是否来自 Root 认可的资源包?资源属于哪些授权域?能力标签是自由描述,还是能够被节点保存、索引并用于机器检索?这些问题如果留给每个应用自行解决,就会造成重复建设,也会让互操作缺乏共同基础。

OAN 的协议对象和角色分工

在 OAN 的设计里,资源不是一条孤立的目录记录,而是一组可验证协议对象。资源用 did:oan:<semantic-code>:<suffix> 形式获得稳定标识;DID 文档表达控制者、公钥、服务入口、协议绑定、资源描述和 OAN 扩展元数据;注册提交对象绑定资源 DID、资源类型、DID 文档哈希、元数据哈希、包哈希和主体控制证明;Root 验证通过后形成 ResourcePackage 和 Root Proof;Discovery 只索引经过验证的资源包,并对查询响应进行签名。这些对象共同组成“发现前可验证、调用前可核验”的基础设施链路。

角色 主要职责 不能做什么 对生态的意义
Registrar 接入资源、辅助注册、收集草稿和控制证明 不能单方面定义信任 降低资源进入门槛
Root 验证 DID、元数据、包哈希与证明 不能替代业务调用 提供可信发布事实
CDN 分发资源包和索引材料 不能充当信任权威 保障分发效率
Discovery 同步已验证资源、返回签名候选 不能绕过 Root 事实 提供可信发现入口
SDK / Skill 降低接入和调用成本 不能替代协议验证 让开发者更容易上手

因此,OAN 采用角色分离的基础设施设计。Registrar 负责资源接入和注册辅助;Root 负责可信验证、资源包归档、Root Proof 生成和分发协调;CDN 负责资源包分发但不承担信任权威;Discovery 负责同步 Root 验证后的资源,并对外提供可查询的候选结果;SDK 和 Skill 则降低开发者接入成本。每个角色都有自己的职责边界,避免把所有能力塞进一个中心化平台。

从代码到研究材料的闭环

这种角色分离也体现在代码结构里。oan-protocol-common 提供 Rust 协议类型、DID、资源包、签名请求、语义推荐等共享能力;oan-root-servicesoan-registrar-nodeoan-discovery-node 分别对应 Root、注册和发现节点;oan-sdk-ts 给前端和开发者工具提供 TypeScript SDK;oan-agent-py 用 Python 展示智能体侧实验;oan-homepageoan-public-docs 则承担网站和公开文档入口。基础设施核心使用 Rust,不是为了堆技术栈,而是因为注册、验证、索引和签名响应对并发、类型约束和运行稳定性有较高要求。

OAN 的公开材料也在把这套工程实现与更大的智能体互联网问题连接起来。白皮书讨论的是开放智能体网络为什么需要资源身份、可信发现和治理框架;黄皮书进一步把 did:oan、资源包、Root 证明、授权域等机制落到协议对象;AONA 方向强调智能体互联网不应只有端到端交互协议,还需要可治理、可发现、可验证的网络层能力。这些材料对应到代码里,并不是单纯概念:注册接口、发现接口、资源包校验、SDK 默认入口和第三方节点测试套件,都是把同一套思路变成可运行系统的组成部分。

对开发者和生态的价值

这种基础设施化思路对智能体生态有两个直接价值。第一,它让资源发布者有稳定的进入路径:准备 DID 文档、提交注册、通过 Root 验证、进入 Discovery 索引。第二,它让资源消费者有更可靠的选择路径:查询 Discovery、获得候选资源、检查 DID 文档、Root Proof、资源包哈希和签名响应,然后再决定是否调用。

从产业视角看,多智能体协作不会只发生在一个厂商内部。企业工具、行业平台、个人开发者能力、科研原型、开源 Skill、MCP Server 和各类 API 都会进入同一个大生态。越开放,越需要底层信任机制。OAN 的定位就是在这些协议和应用之下,提供一个开放治理、统一标识、可信注册和可信发现的基础设施层。

智能体互联网真正成熟时,用户不应该只是在网页上搜索“有没有某个工具”,而应该能让自己的智能体自动发现、验证和接入合适资源。要达到这一步,基础设施不是锦上添花,而是智能体从“单点工具”走向“开放网络”的前提。

与传统方式的差异

传统方式 在 OAN 中 变化
人工维护资源目录 使用 did:oan 标识资源 资源身份更稳定
依赖发布者自述 绑定哈希和 Root Proof 资源状态可验证
只做搜索和推荐 同时提供治理和发现 更适合自动调用
每个系统各自接入 统一资源包、注册和发现流程 生态协作成本更低

这里的核心不是把所有智能体做成同一种形态,而是把资源进入网络之后的身份、验证、发现和治理过程变成公共能力。

从基础设施视角看 OAN 的价值

在这些讨论里,重点并不是“单次调用能不能跑通”,而是“资源怎么被可信地进入网络、怎么被验证、怎么被发现、怎么被持续更新”。这正是智能体互联网从应用走向基础设施时必须补齐的能力。

关注点 如果没有基础设施层 有了 OAN 之后
资源进入网络 只能靠人工分发链接 先注册,再验证,再分发
资源可信性 只能相信发布者自述 可核验 DID、哈希和 Root Proof
资源发现 只适合搜索,不适合调用 可得到可验证候选资源
生态扩展 每个项目各做一套 共享同一套注册与发现语义

这类基础设施适合哪些人

对开发者来说,它降低了发布和接入门槛;对研究者来说,它提供了可讨论、可复现的协议对象;对节点运营者来说,它把治理、分发和发现拆成了清楚的职责边界。这样,OAN 才不是一组演示页面,而是一套能长期演进的网络底座。

相关文章
|
2月前
|
人工智能 数据可视化 数据挖掘
Harness工具是什么?Harness可为AI编程工具扩展联网搜索、代码解释器、网页抓取等能力
Harness是阿里云百炼Token Plan为Qwen系列模型(如Qwen3.8-Max-Preview)内置的增强工具集,支持联网搜索、代码解释器、网页抓取、文搜图、图搜图等能力,按调用次数计费,从套餐Credits中抵扣,开箱即用,无需额外配置。在阿里云百炼官网:https://t.aliyun.com/U/fPVHqY 免费领取千万Tokens
|
2月前
|
SQL 人工智能 安全
企业级 AI Agent 的安全防护实践:防止提示注入与数据泄露
AI Agent正重塑企业安全边界:其自主调用API、数据库、知识库等能力,在提升自动化效率的同时,也引入提示注入、工具滥用、记忆污染等新型风险。本文系统剖析十大威胁与防护策略,提出“模型管推理、系统管安全”的多层防御架构,涵盖输入检测、Prompt隔离、工具白名单、RAG权限治理及全链路审计,助力企业构建可信AI智能体。
271 0
|
2月前
|
人工智能 安全 调度
一周上线!信永中和基于阿里云 AgentTeams + AI 网关打造多智能体 AI 平台
信永中和携手阿里云,基于 AgentTeams 与 AI 网关搭建企业级多智能体平台,一周内完成上线!本文将完整介绍这段从知识问答走向任务执行的企业 AI 落地路径。
|
3月前
|
存储 人工智能 机器人
从工具到伙伴:深度解析智能体(AI Agent)的架构演进与未来范式
本文深度解析AI智能体(Agent)从工具到伙伴的范式跃迁,系统阐述其“感知-规划-行动-反思”四大核心架构、主流框架(LangGraph/AutoGen/CrewAI等)、关键技术挑战及多模态、具身智能等未来方向,为技术决策者提供全景式实践指南。
|
2月前
|
人工智能 文字识别 API
2026年AI融合RPA能替代哪些工作?企业财务运营自动化真实使用体验
2026年AI与RPA深度融合已成为企业自动化标配。本文从真实财务运营场景出发,深度拆解银行流水自动转凭证、发票OCR识别与三单匹配、银企对账、薪资核算与社保申报、费用报销自动化、财务报表自动生成等6类可自动化工作,结合149个核算主体对账革命等实战案例,分析页面改版中断、数据安全合规、多设备部署成本三大落地痛点及解法。并从AI融合深度、部署灵活性、生态对接能力、成本透明度、使用门槛五个维度,为企业提供2026年国产轻量型RPA选型参考。
426 5
|
2月前
|
人工智能 JSON 搜索推荐
企业尽调智能体实战:60+真实企业的AI尽调报告
从5天到10分钟:AI如何重构企业尽调 企业贷前尽调,银行和金融机构最头疼的环节。一位信贷经理曾这样描述他的工作:打开天眼查查工商信息,切到Wind拉行情,再打开百度搜新闻,最后把散落在七八个系统里的数据拼进Word模板。一家企业,至少5天。如果碰上集团客户、关联方众多的,两周起步。 一家支行行长曾无奈地说:"25个客户经理,每个人做的尽调报告格式都不一样。同样的企业,A经理评'低风险',B经理评'中等风险',谁对谁错无从判断。"问题的根源不是人的能力差异,而是工具链的碎片化——数据散落在不同系统里,没有
|
3月前
|
人工智能 供应链 Cloud Native
2026中国B2B企业服务业GEO白皮书:从产业洞察到优化实践
78%的企业HR、法务、采购已通过AI筛选服务商。本白皮书覆盖法律服务、管理咨询、金融科技、人力资源、IT服务等10大核心赛道,通过DSS原则(语义深度、数据支持、权威来源),将过会率、交付周期、客户评价等转化为可验证的AI信任资产,助力专业服务机构实现AI获客。
689 2
|
3月前
|
人工智能 自然语言处理 Java
Spring Boot+MCP深度落地:让存量Java服务成为AI可调用业务工具实战流程
在企业IT架构中,大量运行数年的Spring Boot系统承载着核心业务逻辑、数据与流程,是数字化体系里不可替代的资产。但随着大模型与AI应用的普及,一个普遍难题逐渐凸显:这些成熟的Java业务系统拥有完整接口与数据,却无法被AI直接识别和调用,形成了数据与智能之间的壁垒。传统解决方案往往需要人工导出数据、复制内容至AI对话框,不仅效率低下,还存在数据泄露、操作繁琐等问题。而MCP(模型上下文协议)的出现,搭配Spring AI生态,为存量Spring Boot服务接入AI提供了轻量化、无侵入的解决方案。本文将结合企业人力资源管理系统实战,完整讲解如何基于SSE传输模式搭建MCP服务端与客户端
449 0
|
5月前
|
机器学习/深度学习 人工智能 架构师
Skill技术正在吃掉传统自动化框架的最后一块领地
本文深度解析AI测试范式革命:传统自动化脚本正被“Skill”技术重构。Skill非代码而是可复用的测试方法论;Agent、MCP、Skill三层协同,实现从“写脚本”到“搭能力”的跃迁。Cursor、Money Forward、OpenClaw等案例印证:测试工程师正升级为AI时代的Skill架构师。
|
8月前
|
自然语言处理 算法 测试技术
大模型应用:基于本地大模型的中文命名实体识别技术实践与应用
本文探讨了基于本地部署的大模型在命名实体识别(NER)任务中的应用优势。通过通用领域中文NER和医疗领域专用NER两个典型案例,展示了本地大模型在数据安全、响应速度和识别精度方面的显著优势。通用领域采用RoBERTa模型在CLUENER2020数据集上微调,可识别10类实体;医疗领域基于BERT架构的专用模型,在CMEEE数据集上训练,准确识别疾病、症状等医疗实体。本地部署不仅满足合规要求,还能通过领域自适应提升专业文本识别效果,为各行业智能化转型提供可靠技术方案。
716 14

热门文章

最新文章