從模型到智能體：阿里雲 Agentic Cloud 的三層架構

企業要讓 AI 智能體持續執行任務，光有模型還不夠：還需要管理執行流程、提供可用的資料，以及支撐大量運算的儲存與網路。在 2026 年杭州雲棲大會上，阿里雲以 Agentic Cloud 串起這些環節，將策略歸納為 Model、Harness、Context 三種場景與相應的三層架構。34

三層架構各管什麼？

• **Model → AI Native Cloud：**支援大規模模型訓練與推論。3
• **Harness → Agent Native Cloud：**支援企業智能體的部署、運行與安全管理。這裡的 Harness 可理解為讓智能體執行任務的運作框架，而非模型本身。34
• **Context → Context Engine：**提供即時資料與長期記憶，讓智能體取得單次互動以外的資訊。34

這套說法的重點，是把模型能力、智能體的執行管理，以及可持續使用的資訊來源放進同一個雲端架構，而不只是提供模型呼叫服務。34

AgentCore 管生命週期；安全產品的整合程度仍待釐清

位於 Agent Native Cloud 層的 AgentCore，被阿里雲定位為企業建置、運行及管理智能體的平台，涵蓋生命週期管理、人與智能體協作的管控，以及效能監察。34 一份大會報導另提到，平台支援長時間任務、失敗重試、中斷後恢復及非同步執行，並提供隔離執行環境、身分權限與稽核紀錄。7

Agent Security Center 則是阿里雲另行介紹的智能體安全產品；其資料將 Agent Loop 列為日誌分析模組。2530 但現有大會資料未說明它與 AgentCore 具體整合了哪些安全控制，也沒有量化這些控制在正式環境中的效果，不能把產品名稱當成安全保證。

CPFS 與 HPN 8.0 Pro：儲存和網路底座

針對模型訓練，阿里雲宣稱新一代 CPFS（雲端平行檔案儲存） 可提供百 TB/s 級吞吐量、每秒億級輸入輸出操作次數（IOPS），並將企業 AI 儲存成本降低 69%。17 大會報導另稱，單一檔案系統規模可達 100 PiB、為上一代的五倍；模型平均啟動時間縮短 50%，尖峰運算利用率提高 30%。7

網路方面，阿里雲表示 HPN 8.0 Pro 提供 100 Pb 頻寬，單一叢集支援超過 13 萬個 800G 埠。17 大會報導稱，其冗餘設計旨在避免光收發器或鏈路故障中斷服務；與上一代相比，網路升級及故障造成的「影響」由 50% 降至 25%，但報導未交代這項影響的具體衡量方式。3

上述效能與成本數字均屬廠商宣稱，並非獨立驗證結果，也不宜套用到每一種部署。尤其阿里雲既有的 CPFS 產品文件列出的吞吐量上限會依配置而異。23 對企業而言，這些發布資訊說明了阿里雲打算如何把模型訓練、智能體治理與持續性的資料脈絡接起來；至於特定工作負載能否達到宣稱效果，仍需要更明確的測試條件與實際數據。3717