最近一年，几乎所有人都在谈 Agent：自动写方案、自动跑流程、自动协作，像下一代“数字员工”。
很多企业第一次在内部系统里用自然语言驱动流程时，会产生一种错觉：只要接入一个 Agent 平台，未来就来了。
但我们在真实项目里看到的情况，恰恰相反。
Agent 并没有让事情变简单，它只是把复杂性从前台转移到了后台。
当 Agent 真正开始参与业务，真正决定系统能不能跑起来、跑得稳、跑得久的，是背后支撑它的 AI Infra。
下面这段经历来自我们最近的一次脱敏实践——我们尝试让一个“业务 Agent”接入内部系统，做三件事：
- 读懂业务上下文（从知识库/历史记录中补全信息）
- 调用工具完成动作（查询/更新/触发审批）
- 把结果回写系统，并能复盘与迭代
结果是：
Agent 的“聪明”不是第一天卡住我们的点。第一天卡住我们的，是系统有没有为“不确定性”做好准备。
01
Agent 是结果，不是起点
如果只看 Demo，Agent 很容易让人误判：它能拆任务、调用工具、自动执行，看起来像“会思考的系统”。
但一旦进入真实业务，问题会集中暴露：
- 数据不全、不准、不可用：Agent 要做的判断依赖历史记录、业务主数据、过程事件，但这些在很多系统里要么缺失、要么口径不一致、要么无法在线取到。
- 工具接口不稳定，权限混乱：Agent 调一次接口失败不致命，调一串接口失败就会把流程拖进“半成品状态”；更麻烦的是，权限边界不清会让系统不敢放开写操作。
- 任务执行不可回溯，不可审计：出了问题你不知道它“看到了什么、调用了什么、为什么这么做”，只能猜。
- 行为结果不可解释，也不可优化：没有对照、没有回放、没有指标，最后只能靠“调 prompt + 祈祷”。
这些现象，看起来像 Agent 不够聪明，但本质上是：
底层基础设施没有为“可变输入、概率输出、长链路执行”的系统形态准备好。
我们更愿意把 Agent 看成一辆 F1：
你可以优化引擎、优化驾驶策略，但如果赛道还是坑坑洼洼的土路，性能永远发挥不出来。
这条“赛道”，就是 AI Infra。
02
传统数据基础设施，已经不够用了（因为数据第一次变成“生产资料”）
过去十多年，企业的数据基础设施主要围绕“人用数据”来设计：
报表给人看、数据集市给分析师用、离线为主、治理更像“规范问题”。
但当 Agent 进入系统后，数据第一次变成了“给模型和智能体用的生产资料”。
它带来三个根本变化：
01.数据不再是静态资产，而是流动资产
Agent 的行为会持续消耗数据、生成新数据、暴露数据问题，数据进入持续演化状态。
02.多模态成为常态，而非例外
文本、日志、图片、音频、操作轨迹同时存在，传统的单一表结构很难承载。
03.实时性和反馈闭环变得关键
数据不只是“被查询”，而是参与决策、执行与优化。
在这种背景下，单纯的“大数据平台 + AI 工具拼装”很快会出现断层——
因为缺少端到端的闭环能力。
03
AI Infra 的核心是闭环
很多讨论 AI Infra 的文章第一反应是算力、GPU、推理加速。这些当然重要，但在工程实践里，它们往往不是最先卡住团队的地方。
真正让项目停滞的，通常是这些更“脏”的问题：
- 数据从哪里来？口径是否可信？是否可复用？
- 模型输出如何被验证？错误如何被记录与定位？
- Agent 的行为能否被追踪、回放和分析？
- 新的数据与反馈，是否能反哺系统，而不是被丢弃？
这四个问题背后指向的是有没有形成“智能系统的闭环能力”。
我们把一个成熟的 AI Infra 拆成三件事（也是我们在项目里按顺序补齐的三块地基）
1. Data for AI：让数据天然适配模型与 Agent 的使用方式
不是说是“把数据扔进向量库就完事”这么简单，是需要回答：
- 业务对象的统一口径是什么？（主数据/数据契约）
- 过程事件如何被采集？（行为日志/操作轨迹/关键字段落库）
- 哪些数据能在线取到、能用于决策？（实时/准实时链路）
- 这些数据能否被复盘？（版本、时间、来源可追踪）
如果没有这些，“Agent 看起来能对话”，但对话背后无法可靠执行。
2. AI for Data：用 AI 反过来提升数据加工、治理与理解效率
我们在交付里最直接的体感是：AI 不仅是“消费数据”，它也应该用于“生产与治理数据”——比如自动补齐字段解释、发现口径冲突、生成数据文档、辅助标注与对齐。
否则，数据治理的成本会在 Agent 时代被放大。
3. 闭环进化：把真实行为与结果变成下一轮优化输入
这一步通常最难，但也最关键。因为它要求你把“结果”结构化保存下来：
- 这次任务输入是什么？（上下文、检索结果、工具返回）
- 执行链路是什么？（每一步 tool call、耗时、失败原因）
- 输出质量如何？（评测指标/人工验收/线上反馈）
- 下一轮怎么改？（策略更新、数据补齐、工具修复）
没有闭环，Agent 只能停留在“演示智能”；有了闭环，Agent 才可能进入“可持续演进”。
04
另一个经常被低估的坑
当 Agent 真正参与业务流程时，复杂性会在“执行侧”集中爆发。
我们把它叫 Agent Infra——它和 AI Infra 有交叉，但关注点更偏“长期运行的安全与可控”。
我们在项目里把“能上线”的最低标准收敛成三件事：
1. 必须有沙箱与权限边界
沙箱不是简单的一句话，它至少要回答这些边界：
- Agent 能访问哪些系统？能写哪些字段？
- 写操作如何分级？（只读/建议/需审批/自动执行）
- 费用与速率如何限制？（避免失控调用）
- 敏感数据如何脱敏与隔离？
2. 必须有可观测性与行为日志
我们建议把日志当作产品的一部分：
- 每次任务的输入、检索、工具调用、输出
- 每步耗时、token/cost、成功率
- 失败原因分类（权限/接口/数据缺失/模型不确定/业务规则冲突）
- 能回放（Replay），能对照（A/B），能审计（Audit）
3. 必须有失败路径与回滚策略
“不确定系统”的常态是失败。关键不是避免失败，而是：
- 失败时如何中断？如何让人接管？
- 写操作如何补偿与幂等？如何撤销？
- 哪些场景必须“人审”才能继续？
如果这些基础不在，Agent 一旦出问题，排查成本会迅速高于它带来的收益。
05
我们为什么一直在“打地基”
很多人会问：为什么不直接追逐最热门的 Agent 产品原型？
因为在我们深度参与从产品搭建到系统演进的全过程中，一个结论愈发清晰：
在复杂业务里决定长期成败的，是最后托底的基础设施。
我们的实践反复印证了这一点：无论是在应用层尝试构建智能触点，在数据层梳理混乱的资产，还是在 AI 层寻求增长转化，所有看似前沿的探索，其成败的临界点都落回同一个问题——
是否具备一个为“不确定性”而设计的、闭环的基础设施层。
换句话说，在 Agent 时代真正降临之前，需要一片坚实而智能的土壤。
这片土壤，由两条必须协同前进的「腿」共同支撑：
一条是稳健的“左腿”——数据与数据基础设施；
另一条是灵活的“右腿”——模型与智能 Agent。
企业若想真正让AI应用奔跑起来，而非蹒跚学步，二者缺一不可。
因此，我们将资源持续投入于基础设施的构建。
这并非出于对热点的回避，而是因为在复杂的业务系统中，我们清晰地看到：
唯有当地基足够深厚、反馈链路足够健全时，上层建筑的智能才有意义，也才能真正创造可持续的价值。
06
写在最后
Agent 必将成为主角。
但在帷幕升起之前，构筑那座让主角能够稳步登场的舞台，是一项同样重要、甚至更为迫切的工作。
AI Infra 决定了这场技术变革的下限与边界。
而我们，选择从这里开始。
