摘要

Agent Infra 的竞争焦点，正从“把模型跑起来”转向“让 Agent 真正完成任务”。 旭卿把传统 AI Infra 概括为 token 吞吐、首 token 延时、分布式训练推理效率与成本；Agent Infra 则把 model service 降为一个组件，再补上 memory、tool use、任务规划、sandbox、multi-agent、安全与身份。“任何一个组件都是刚需”，短板最终会反映在任务成功率上。
AgentBay 选择做完整平台，而不是在某个垂直组件上争夺单项第一。 团队希望各模块达到“中等偏上”，再靠 code、browser、mobile 环境、持久化、MCP、未来的 memory/context 和更高层 agent service 形成系统能力；目标客户也从能自行拼积木的头部开发者，下沉到需要低代码、API 化能力的 SMB。AWS AgentCore 后续展现出的产品布局和接口，与其判断“相似度非常高”。
最强烈的需求信号来自并发：一家国内 Agent 厂商提出白天约 20 万个并发子任务；另一家国内大模型厂商需要 20 万乃至 40 万级虚拟机并发。 前者不是 20 万用户各发一个任务，而可能是少量主任务像 Manus Wide Research 一样，各自“开枝散叶”出 100—200 个子任务；主持人据此判断，Agent 让 token 和算力消耗从此前担忧见顶，转为十倍乃至百倍增长。团队称需求曲线“非常指数”，已经开始考虑全球资源调度。
AgentBay 当前更看采用量而非收入，但长期计费可能从卖沙箱转向卖完整服务。 安陈明确表示当前还没有非常明确的收费模式，现阶段重点是把产品能力做出来；旭卿则提到，长期可以从按算力、沙箱资源计费，扩展到覆盖多模态推理、浏览器感知、上百个沙箱的状态一致性等成本，届时“算力可能在里面就是个很 minor 的成本”。更值得投资者注意的是，阿里云增加了人、钱和资源，却没有追加营收 KPI，管理层追问的是“有多少客户在用这件事情”。
云端与本地沙箱之争，本质上同时涉及信任、隔离和并发能力，而不只是数据存放位置。 面对“密码和身份信息上云可能出大事”的质疑，旭卿以公共云持续迭代、几千人的安全团队和抗 DDoS 能力反驳，并用“钱放在自己家里还是放在银行”作比；主持人则保留了本地浏览器已有 cookie、无需重新登录的便利。云端更直接的优势是失败可丢弃：模型误删目录在本机是真损失，在隔离沙箱里可以重建，也不会触碰个人文件。
可见的 Agent 商业化首先发生在 Coding Agent 和通用 Agent，规模更大的改造可能藏在企业内部。 安陈观察到电商比价、商品上架、主图设计，以及运营、财务、OA、内部客服等传统 RPA 工作流正在 Agent 化；面向外部用户的机会则集中在 HR、金融投资建议和医疗。金融之所以拥挤，是因为“离钱近”、数据以数字为主且容易形成反馈闭环，但节目没有给出具体收入或渗透率预测。
AgentBay 并非无影云电脑的替代品，而是把后者扩展为可被 AI 驱动的弹性执行环境。 无影仍保持“三位数”增长，二者被定义为兄弟关系；主持人把 2025 年称为“超级个体的一年”“个人云计算的一年”，新一代逻辑云电脑则要同时具备持久化、可瞬时复制 100 份、多端漫游和自然语言驱动，最终形态涉及人和持续在线的数字分身“硅碳共生”。
旭卿的组织下注方式，是从当下异常信号推演两三年后的基础设施，而最大风险不是某项做错，而是漏掉未曾想到的模块。 2016 年从虚拟化仍有 3%—5%损耗的问题出发，他推动软硬件协同和神龙服务器；2015 年又在 K2 支撑拍立淘的需求中提前布局 AI Infra。此次 GTC 后连夜转向 Agent Infra 延续了同一方法，而他的核心提醒是：“不知道自己不知道什么，这个是最可怕的。”

精读

1. Agent 已先把技术管理者重新拉回代码现场

安陈日常使用 Onlook，以自然语言快速生成前端交互设计；另一项高频工具是淘宝团队内部的“星流”，用来快速阅读外文论文。这两类需求分别对应可执行的产品设计与高密度信息处理。
旭卿更多使用阿里内部的 One Day，也认可 Cursor。他上一次持续亲手写代码大约在 2017—2018 年，但 Coding Agent 让已经转向战略和架构的技术管理者，再次获得“写代码的快乐”。
这一变化并不限于一线工程师：旭卿提到达摩院院长张建锋也用 Cursor 写代码，并给他演示过一个 Windows 扫雷游戏。Agent 的早期渗透路径，正是先把自然语言变成可运行成果。

2. Agent Infra 把 model service 从终点变成了底座

旭卿对传统 AI Infra 的定义很明确：优化 token 吞吐、首 token 延时、大规模分布式训练和推理效率，以及成本，“怎么能够把 GPU 的效率榨干”。最终交付物是训练、部署与推理所需的 model service。
到 Agent 阶段，model service 只是基础组件。应用要真正完成工作，还需要工具调用、长期和短期记忆、任务规划、执行环境、多 Agent 协作以及安全机制，基础设施的评价标准也从单次推理效率转向端到端任务成功率。
旭卿用传统计算机比喻：大模型像 CPU，短期与长期记忆像内存和存储。安陈补充，代码执行、网页操作需要算力，存储对应长期记忆；网络则连接更多能力，MCP 使模型从“聚焦于思考”走到“真正付诸行动”。

3. 六类组件已经构成事实上的 Agent 技术栈

两位嘉宾归纳的核心模块包括 memory、tool use、任务规划、sandbox、multi-agent 协作，以及安全与隐私；context engineering、记忆管理和任务编排贯穿其中。没有谁正式规定标准答案，但开发者“默默地、不约而同”走向了相似架构。
在 memory 方向，安陈点到 Mem0 和 MemGPT，认为它们做得有特色、相对较深；执行环境与工具方向则包括 E2B、Browserbase，以及 computer use、browser use 等产品形态。
task planning 暂时很难说哪家明显领先，因为能力仍高度依赖模型、提示词和自动化程度；multi-agent 编排已有 LangGraph、OpenAI Agents SDK 等框架，阿里内部也使用纯自研协作框架，但尚未对外发布。
协作协议层面，Google A2A 试图定义 Agent 之间的交互范式，做法被安陈形容为“更激进一点”。安全层则覆盖代码围栏、敏感信息保护、多租户隔离和本地零侵入，身份认证又构成另一条独立链路。

4. 所有模块都是刚需，但采购发生在最疼的瓶颈

面对“哪一环最重要”的追问，安陈没有给出排序：“其实都很重要”，并认为每个组件都是刚需。coding sandbox 可能对终端用户不可见，memory 却几乎必然暴露问题，因为上下文窗口有限，而用户又要求更高的任务成功率。
在 Agent Infra 概念形成前，开发者通常试图垂直做完整技术栈；结果就像新员工入职后还要自己准备桌椅、网线和电脑。“又要跑步又要修路”拖慢了应用爆发，也为第三方组件和平台化服务留下空间。
一家国内大模型厂商起初自建虚拟代码环境、browser use 和 mobile use，看到 AgentBay 后很快切换，因为它真正需要的是 20 万乃至 40 万级虚拟机并发，而这不是模型公司的核心能力。
一些汽车公司关心的不是极端并发，而是让智能体长期记住司机过去问过的问题；团队可以基于向量数据库帮助搭建长期记忆。旭卿强调，这不是逐客定制，而是通用能力在不同客户处暴露出不同优先级。

5. 身份与安全是最容易被效率目标掩盖的长期模块

安陈特别补充了身份管理：当 computer use Agent 访问多个网站时，怎样自动完成认证、处理不同网站的身份授权，又不让凭证在工作流里失控，是实现自动操作必须解决的问题，团队已经开始布局。
早期很多团队更容易追求执行效率，把身份和安全放到后面；云厂商则被长期训练出不同的“肌肉记忆”。旭卿的判断是，一旦数据隐私或权限边界失守，后果可能是灾难性的，因此它们不能只是上线后的补丁。

6. AgentBay 源自 Manus 爆发与 GTC 之后的一次连夜转向

2025 年春节后，Manus 让行业讨论从大模型和聊天能力转向通用 Agent。随后团队参加英伟达 GTC，看到美国 Agent 公司快速增多，甚至英伟达投资的公司“几乎都在讲自己的 Agent”。
安陈由此确定，团队不应再做一个 Manus 的竞争者，而应“赋能像 Manus 这样的公司”。他们连夜开会调整方向，把阿里云已有的计算、存储和网络能力重新组织为 AgentBay。
从决策到世界人工智能大会期间发布，团队用了约四五个月。早期产品先提供 computer use、mobile use、browser use 等执行能力，做深后才发现客户还需要长期记忆、身份管理和安全，这些成为第二阶段重点。

7. 完整平台的价值来自更高层抽象，而非单项冠军

主持人的挑战是：同时做十项能力，会不会稀释注意力，导致沙箱等单项打不过专门的 startup？旭卿的回答是 To B 本来就是长期赛道，目标不是短期每项第一，而是各模块“能力比较均衡”“中等偏上”，组合后整体更强。
旭卿进一步区分了定位：垂直 startup 更多服务头部 AI 开发者，后者有能力自行拼装复杂积木；云厂商做的是普惠生意，要让中小创业公司通过低代码和简单 API，也能搭建 Agent 应用。
因此 AgentBay 首先支持 MCP，并以 API 开放能力；底层同时覆盖 code、mobile、browser 环境，上层提供 Agent Service，下面接统一持久化，未来再加入 memory 和 context。它最终更像 Agent 建设平台，而非一个原子沙箱。
抽象还要继续向应用层延伸：DOM tree 无法完整识别 iframe、视频等画面，纯文本输入会让模型“抓瞎”。服务方必须组装多模态模型，同时提供视觉感知与动作输出，客户才不必自行管理沙箱里的 Agent 层。

8. 云厂商正在同一张 Agent Infra 产品图上收敛

AgentBay 大概在 4 月 7 日的峰会上先发布概念和初步能力，到世界人工智能大会期间正式商用；AWS AgentCore 随后发布后，团队对其分析发现，从能力、接口定义到整体布局“相似度还是非常高的”。
旭卿没有评价哪家云厂商投入最大，只判断 Agent 是 AI 的一个重要应用方向，各家都会高度重视。阿里云内部，吴泳铭在今年年初的全员启动会上重点提到 Agent 和 Agent Infra，商用发布前又听取了新一轮汇报。
团队继续获得人、钱和资源。安陈补充，管理层从未要求“营收多少”，而是追问“有多少客户在用这件事情”；现阶段也没有替阿里云卖更多云资源的指标。
AgentBay 在阿里云 AI 战略中的位置被定义为“承上启下”：通过 Agent Infra 把模型能力对外开放，向上再支持 Agent 开发框架及应用。旭卿甚至认为，一号位眼下未必把它首先视为生意，而是云厂商应补齐的行业能力。

9. 本地与云端沙箱之争，首先是一场信任路线之争

主持人引用周鸿祎发布“纳米 AI 智能体蜂群”时的路线选择：把沙箱放在本地，因为用户密码、身份认证信息上云“可能出大事”。这一质疑也抓住了云端 Agent 最敏感的采用门槛。
旭卿承认自己早年也认为自建数据中心更安全，但加入阿里云后改变了看法。他举例称，当年攻击者甚至不需要多少成本，用当时的比特币买 5 G 流量，就可能打垮游戏公司的自建中心；公共云的抗 DDoS 能力则持续迭代。
他的核心反驳是规模经济：阿里云有几千人的安全团队实时守护系统，一般企业既难招到同等级工程师，也无法承担同等投入。“把钱放在自己家里面还是放在银行里面安全”，是他对云端托管的类比。
主持人的推回值得保留：本地浏览器已有 cookie，无需用户重新交出账号密码。旭卿回应，使用本地系统其实同样是在信任微软或谷歌等操作系统、浏览器厂商，而且本机木马与病毒可能让环境更混杂；为什么不能同样信任云厂商，是路线选择而非“本地天然可信”。

10. 云端隔离让失败环境可丢弃，也让大规模执行成为可能

从能力边界看，旭卿引用 Manus 创始人肖弘关于同时调度 100 个 Agent 做 Wide Research 的说法：这类负载很难在个人电脑完成。随着任务越来越并行，“运行在本地其实不太现实”，计算和调度最终仍要依靠云。
云端沙箱还隔离了 Agent 的破坏性动作。旭卿原以为“模型执行命令误删目录”只是段子，后来才知道“这是真的”；如果命令作用于个人电脑，真实文件会消失，作用于沙箱则只需恢复或重建环境。
AgentBay 因而把代码执行、多租户隔离、本地零侵入和端到端数据保护放在一起设计。它提供的是把权限、数据和故障限制在一个相对单一、可回收环境中的能力，而不是软件绝无漏洞。

11. 并发扩张正在把算力需求从用户数放大到子任务数

主持人观察到，市场此前担心 token 消耗接近顶部、GPU 需求可能降温；Agent 能力增强后，单次任务的计算量却可能增加十倍甚至百倍。关键变量不再只是活跃用户，而是每个主任务会派生多少执行分支。
安陈给出的客户要求是：一家国内 Agent 厂商在日间需要约 20 万并发 session。进一步确认后，这个数字指并发子任务，而非 20 万用户同时各发一个任务；此前另一类客户的虚拟机并发诉求还出现过 20 万—40 万级别。
Manus Wide Research 展示了这种乘数效应：一个主任务可以“开枝散叶”出 100—200 个子任务。即使前台只有一万个任务，每个任务再拆出 20 路执行，底层并发也会迅速到达 20 万。
安陈明确表示当前还没有非常明确的收费模式，现阶段重点是把产品能力做出来，钱不是主要考虑因素。长期计费思路仍可能沿用云计算的算力和资源模式，例如客户启动 100 个沙箱，就按相应资源收费；未来再把多模态推理、状态一致性和环境控制等纳入服务化计费。团队称需求是“非常指数的一个曲线”，录制当天还在讨论全球资源调度。

12. Coding 与通用 Agent 最先兑现，企业内部改造更隐蔽

安陈观察到，最先增长的是通用 Agent 和 Coding Agent。后者覆盖面广、商业模式相对成熟；前者则在 Manus 发布后成为大量厂商集中改造的方向，消费者已经可以直接感知。
更广泛但不显眼的需求来自传统应用 Agent 化。以电商为例，运营人员原本要做多平台比价、商品上架和主图设计，这些重复性的 RPA 工作流正逐步交给 Agent。
大客户接入 AgentBay，很多并不是为了立即推出一个面向消费者的新产品，而是处理企业内部 OA、运营、财务和客服的自动化。“潜移默化”的提效可能先进入成本项，而不是形成独立产品收入。
面向客户的案例集中在 HR、金融和民生医疗。金融投资建议尤其拥挤，因为“离钱近”，很多人希望广泛获取消息面数据再让 AI 分析，数据也以数字为主、容易形成反馈闭环；医疗则被认为能从大模型获得更多价值，但嘉宾没有给出具体落地规模。

13. AgentBay 没有取代无影，组织真正承受的是双线投入

旭卿用“十年”定义 To B：2016 年春节前，马云曾以淘宝从 2003—2004 年起步到 2014 年上市、支付宝约从 2006 年发展到 2016 年、阿里云从 2009 年走向 2019 年为例，强调长期投入。“我做任何事情，基本上也都是以十年为单位。”
他纠正了主持人的“转型”表述：无影并未被放弃，仍以“三位数”增速增长；升级为一级事业部后，无影和大模型还被列为阿里云、云智能集团最重要的两个战略产品。AgentBay 是其能力扩展，也是“兄弟关系”。
真正的压力是既要保证成熟业务高速增长，又不能在新赛道踏空。GTC 后方向虽已想清楚，人力却必须重新配置：有人主动举手加入 AI，也有人认为原工作同样重要，不愿被直接调走。
对“留在无影的同学会不会失落”的追问，旭卿承认“肯定是有的”，但强调两边都是战略业务：无影已经落地并高速增长，AgentBay 则更长期。管理难点不是选一边，而是让两条曲线同时成立。

14. 个人云计算正在把“一台电脑”改写为可复制的长期环境

主持人的“暴论”是，无影过去推动端侧算力上云，主要服务设计师使用 Stable Diffusion、FLUX，或仿真用户临时调用高弹性 GPU 等特殊需求；普通消费者此前未必能感知云电脑的必要性。
Agent 改变了这个前提：个人任务可能一次需要 100 个环境，本地 PC 无法满足。主持人因此把 2025 年称作“超级个体的一年”“个人云计算的一年”，认为云电脑可能真正进入普罗大众的工作流。
团队设想的逻辑云电脑有四个特征：状态与数据可以持久化；大任务到来时可镜像成 100 台并发执行；可以在手机、平板、电脑和自研硬件间漫游；最后，它能够由自然语言直接驱动。
AgentBay 做的正是“让 AI 使用一台电脑”。从七岁孩子到八十岁老人都可能用自然语言操作，而人的数字分身可以在休息和交谈时继续完成任务；旭卿用“数字员工”和“硅碳共生”描述人与云端 Agent 的关系。

15. 神龙与早期 AI Infra 展示了同一种提前下注模式

旭卿早期在英特尔从事系统虚拟化，按其口述包括三年实习、六年正式工作。彼时全球研究虚拟化的人可能不到 100 名，其团队约 27—28 人，后来接近 10 人被美国公司直接挖走；Xen、KVM 等技术后来被云计算采用。
2014 年加入阿里后，他提出建设服务千万级客户的计算平台，把不利于扩展的旧架构废掉重来。团队在 2015 年移动互联网应用爆发前完成准备，印证了他“浪来了再防御就晚了”的判断。
2016 年虚拟化性能损失已降至 3%—5%，张建锋仍要求做到零损失。同年展会上的容器热潮，以及 overlayfs、软件虚拟网络的性能问题，让旭卿押注软硬件协同；神龙服务器于 2017 年发布，后来整个业界跟随其标准做 DPU、裸金属和虚拟化。
AI Infra 的下注更早：2015 年，他从集团用英伟达 K2 做机器学习、支撑拍立淘识图的需求里看到外部市场，2016 年底产品已经就绪。随后计算机视觉和语音浪潮爆发，旭卿称中国超过 80%科技公司的 AI 算力需求在阿里云上；2017 年又开始布局 GPU 超级计算集群。

16. 真正的职业杠杆是技术深度、未知意识与持续说服

旭卿把预测方法概括为从今天的困难里寻找“蛛丝马迹”，尤其不能把老板看似不可能的要求当成“不懂技术”。技术管理者要为两三年后的需求提前布局；至于 Agent Infra，他担心的不是已规划模块做错，而是“哪一块我没有想到”。
对主持人“是否找到了自己毫不费力、别人觉得很难的事”的浪漫化提问，他直接反驳：“恰恰相反。”刚进虚拟化团队时，同事说的都是中文，他听得懂字面，却不知道大家在讨论什么；他的目标是用半年时间真正听懂。
给年轻工程师的建议同样不是“什么都懂一点”：大模型已经足够博学，人更需要在一个领域建立深度，再把周边技术与业务融会贯通。若没有专业积累，只扩展知识面，长期发展反而可能受限。
推动神龙芯片时，他几乎每天早上向时任 leader 李津讲其重要性，连续约半个月才争取到投入。这个经历也定义了他对团队的期待：“遇到这些困难的时候，能够迎难而上，能够来说服我”；AgentBay 团队则继续面向毕业生和资深 AI 开发者招聘。

Lovable CEO Anton Osika：基础模型现状、Grok 对决 OpenAI，以及 Replit 对决 Bolt Vol.71 简单聊聊GPT5和美国电力---with 刘一鸣/101 Weekly