阿里雲的 Agent Studio，是百煉（Bailian）試圖把智能體開發從一組彼此分散的工程專案，轉變為可託管的企業服務。平台在 2026 年 8 月 14 日的阿里雲飛天發布時刻公布，整合了智能體建置、託管執行、知識檢索、記憶、工具與營運介面等能力。820

它所傳達的更大訊號是：當大模型變得更容易取得，企業 AI 真正困難、也可能更昂貴的部分，將是如何讓智能體在生產環境中可靠地執行多步驟工作。Agent Studio 的定位，正是管理模型周邊的這一層，而不只是繼續在模型能力上競爭。

Agent Studio 想解決什麼問題？

Agent Studio 把企業團隊原本必須自行拼湊的多項能力集中起來，包括：

• 智能體與工作流程建置
• 長時間任務的託管執行
• 工具與 MCP 整合
• 企業知識檢索與 Agentic RAG
• 持久化記憶與可重複使用的 Skills
• 沙箱化程式碼與檔案處理
• 用於呼叫、檢索、記憶與執行環境管理的 API 117

因此，它並不只是拖拉元件、組合提示詞的視覺化工具，而是面向生產環境的企業平台。當智能體需要規劃任務、呼叫工具、處理檔案、保留上下文、從中斷中恢復，並在安全與成本限制內運作時，這些才是實際會浮現的工程問題。

企業正在面對三種建置路線

企業大致可以在三種方式之間作選擇。

1. 完全自行建置

自行打造的技術堆疊，能讓企業掌握編排邏輯、資料儲存、身分識別、安全性、可觀測性、基礎設施與跨平台移植性。對需求特殊，或已經擁有成熟內部平台的組織而言，這條路可能更合適。

但代價是，企業也必須自行承擔可靠性工程、系統整合，以及細緻的成本追蹤與歸屬問題。

2. 使用開發框架

各類框架與 SDK 可以加快工作流程編排、工具使用及模型整合，是很有用的建構元件。不過，框架本身不會自動提供生產環境託管、沙箱隔離、持久狀態、身分驗證、治理、監控或 FinOps（財務營運管理）。這些工作仍由應用團隊負責。

3. 採用企業級智能體平台

Agent Studio 這類託管平台，則是把更多相關能力包裝成服務層。企業可以縮短從原型到正式上線的時間，並建立較標準化的營運模式。

相對地，企業會失去部分底層控制權，也可能增加對供應商的依賴；尤其當工具、記憶、知識儲存與執行環境 API 都緊密整合在同一個生態系時，平台移轉成本可能更高。

Managed Agent：把多步驟任務交給託管執行環境

Managed Agent 是百煉提供的託管執行環境，面向多步驟工具呼叫、程式碼執行與檔案處理等長時間任務。平台負責管理工作階段狀態、沙箱環境與工具執行；智能體則在隔離的雲端容器中運作，事件歷史會持久化儲存在伺服器端，並支援任務中斷與續接。17

它的架構可以拆成五個層次：

1. 執行環境基礎： 由託管運算資源與生命週期管理取代客戶自行維護的工作節點叢集。
2. 上下文管理： 由伺服器端管理工作階段與持久化事件歷史，減少應用程式自行處理狀態的程式碼。17
3. MCP 與 Skills 擴充： 將標準化工具與可重複使用的能力接到智能體上。
4. 沙箱安全： 在隔離環境中執行命令、讀寫檔案、安裝依賴套件與處理資料。17
5. API 與可觀測性： 透過程式介面管理託管智能體生命週期、應用程式呼叫、知識檢索與記憶管理。1

這種設計之所以重要，是因為智能體工作負載並不等同於一次性的模型呼叫。一個使用者請求，可能觸發規劃、檢索、多次工具呼叫、程式碼執行、重試與後續行動。若平台把這些步驟視為可管理的執行歷史，企業會更容易操作、追蹤與稽核；不過，實際成本與可靠性仍取決於任務本身、使用的模型、工具以及所設定的控制措施。

保險案例值得看，但不能當成普遍保證

與阿里雲相關的報導提到一個保險審查案例：原本需要 3 至 4 小時的核保工作，縮短至約 15 分鐘，每張保單的成本則標示為人民幣 0.12 元。10

這個數字應被理解為報導中的個案結果，而不是 Agent Studio 的通用基準或成本保證。實際成果可能受到文件品質、工作流程複雜度、模型選擇、工具使用量、例外處理，以及所需人工覆核程度影響。

因此，這個案例最適合被視為平台所追求的營運改善類型，而不是企業導入後必然得到的數據。

One Key Service：整合工具認證，處理 MCP 部署的麻煩

在智能體部署中，一個常見障礙是：每個外部工具或 MCP 服務，可能都有自己的身分驗證與憑證管理流程。Agent Studio 所提出的 One Key Service，旨在為 MCP 市場合作夥伴提供統一的認證層，讓企業不必逐一整合不同合作夥伴的授權流程。810

這不只是便利性功能。MCP 市場對企業是否真正有用，取決於其中的工具能否被大規模核准、驗證、監控與治理。統一金鑰機制試圖把 MCP 市場納入可運作的企業模型，而不只是提供一份可搜尋的工具目錄。

相關報導指出，One Key MCP 首批接入 14 家雲市場合作夥伴，並預計有接近 50 家 MCP 生態服務商加入這套體系。810

Private Skills：把企業內部知識封裝成可重用能力

Agent Studio 所描述的 Private Skills 設計，分為三種範圍：可廣泛重用的平台或公開能力、組織層級的私有能力，以及更狹窄的個人或專案能力。8

背後的想法，是把企業自有的流程、API 與業務規則，包裝成可重複使用的能力。團隊不必在每個提示詞中反覆塞入內部指示，也不必為每個智能體重新打造相同整合，而是可以將其作為具備明確適用範圍的受控 Skills。

但對企業而言，真正需要解決的問題不只是「能不能建立 Skill」，還包括權限、版本管理、所有權、審查流程與跨平台移植性。

Knowledge Studio、Agentic Search 與 Memory Studio

Agent Studio 的知識層以 Knowledge Studio 為核心。這是一項企業級 RAG 服務，支援文件解析、切分、向量化、索引、檢索與串流問答，並可透過 API、MCP、CLI 與 Skills 整合到應用程式中。3

它更值得注意的地方，在於區分了傳統檢索與 Agentic Retrieval。Knowledge Studio 所描述的 Agentic RAG 循環，結合了：

• Agentic Search： 先規劃問題，再於企業知識中進行多輪、反覆檢索；
• Agentic Generation： 在完成檢索後產生答案，並提供來源與引用。46

這種方式是為了處理無法靠單次相似度搜尋妥善回答的問題。智能體可能需要先理解需求、決定檢索路徑、進行多次搜尋，並確認取得的資料是否足夠，最後才生成回覆。

Memory Studio 或相關記憶服務則扮演不同但相互補充的角色。阿里雲的 Agentic Memory 文件描述了長期、短期與上下文記憶的儲存及檢索，也支援 Skills 與知識庫資料。11 對應用程式而言，這能減少每次互動都重新輸入使用者偏好、過往決策或可重用上下文的需要。

但記憶也帶來治理要求，包括資料保存期限、刪除機制、存取權限，以及錯誤資訊被持續帶入後續互動的風險。

Playground 與自然語言建置

Playground 被定位為統一的建置介面，整合 Flow Agent、Managed Agent、RAG、Memory、MCP、Skills、情境範本，以及以自然語言描述工作流程的「Vibe Builder」。8

理想的操作流程很直接：企業可以先從範本開始，或直接描述一個業務流程，再連接相應的知識、記憶、工具與執行環境。這能降低初期試驗門檻，也讓業務團隊與技術團隊在同一個平台上協作。

不過，降低建置門檻並不代表可以省略測試、權限設定、模型評估，或對高影響行動進行人工核准。當智能體能夠代表企業採取實際行動時，這些控制仍不可或缺。

為什麼雲端供應商都想掌握智能體這一層？

企業 AI 的競爭邊界，正從模型向外移動。模型提供推理與生成能力，但一個能在生產環境中運作的智能體，還需要執行環境、狀態管理、工具、資料存取、身分識別、隔離、監控與治理控制。

這讓雲端供應商取得重要的策略位置。若智能體成為使用者提出工作需求的入口，智能體平台也可能成為替使用者發現、組合與呼叫雲端服務的中介層。搜尋、儲存、API、資料庫與企業業務系統，未來可能不再由開發者為每個工作流程手動逐一選擇，而是透過受治理的智能體行動間接使用。

對企業買家而言，這項機會同時伴隨幾個現實問題：

• 智能體與 Skills 在不同供應商之間有多大程度的可移植性？
• 誰能控制工具權限與資料邊界？
• 多步驟任務的成本要如何歸屬到團隊或業務流程？
• 企業能否重建智能體做了什麼，以及為什麼這樣做？
• 當模型、工具或檢索來源改變時，工作流程會發生什麼事？

Agent Studio 的答案，是把模型周邊的託管系統本身變成產品。它最終能否成功，關鍵不在於「一站式平台」的架構圖看起來多完整，而在於企業是否能驗證輸出、控制行動、理解成本，並把重要工作流程從展示原型真正推進到可靠的生產環境。

阿里雲的 Agent Studio，是百煉（Bailian）試圖把智能體開發從一組彼此分散的工程專案，轉變為可託管的企業服務。平台在 2026 年 8 月 14 日的阿里雲飛天發布時刻公布，整合了智能體建置、託管執行、知識檢索、記憶、工具與營運介面等能力。820

它所傳達的更大訊號是：當大模型變得更容易取得，企業 AI 真正困難、也可能更昂貴的部分，將是如何讓智能體在生產環境中可靠地執行多步驟工作。Agent Studio 的定位，正是管理模型周邊的這一層，而不只是繼續在模型能力上競爭。

Agent Studio 想解決什麼問題？

Agent Studio 把企業團隊原本必須自行拼湊的多項能力集中起來，包括：

• 智能體與工作流程建置
• 長時間任務的託管執行
• 工具與 MCP 整合
• 企業知識檢索與 Agentic RAG
• 持久化記憶與可重複使用的 Skills
• 沙箱化程式碼與檔案處理
• 用於呼叫、檢索、記憶與執行環境管理的 API 117

因此，它並不只是拖拉元件、組合提示詞的視覺化工具，而是面向生產環境的企業平台。當智能體需要規劃任務、呼叫工具、處理檔案、保留上下文、從中斷中恢復，並在安全與成本限制內運作時，這些才是實際會浮現的工程問題。

企業正在面對三種建置路線

企業大致可以在三種方式之間作選擇。

1. 完全自行建置

自行打造的技術堆疊，能讓企業掌握編排邏輯、資料儲存、身分識別、安全性、可觀測性、基礎設施與跨平台移植性。對需求特殊，或已經擁有成熟內部平台的組織而言，這條路可能更合適。

但代價是，企業也必須自行承擔可靠性工程、系統整合，以及細緻的成本追蹤與歸屬問題。

2. 使用開發框架

各類框架與 SDK 可以加快工作流程編排、工具使用及模型整合，是很有用的建構元件。不過，框架本身不會自動提供生產環境託管、沙箱隔離、持久狀態、身分驗證、治理、監控或 FinOps（財務營運管理）。這些工作仍由應用團隊負責。

3. 採用企業級智能體平台

Agent Studio 這類託管平台，則是把更多相關能力包裝成服務層。企業可以縮短從原型到正式上線的時間，並建立較標準化的營運模式。

相對地，企業會失去部分底層控制權，也可能增加對供應商的依賴；尤其當工具、記憶、知識儲存與執行環境 API 都緊密整合在同一個生態系時，平台移轉成本可能更高。

Managed Agent：把多步驟任務交給託管執行環境

Managed Agent 是百煉提供的託管執行環境，面向多步驟工具呼叫、程式碼執行與檔案處理等長時間任務。平台負責管理工作階段狀態、沙箱環境與工具執行；智能體則在隔離的雲端容器中運作，事件歷史會持久化儲存在伺服器端，並支援任務中斷與續接。17

它的架構可以拆成五個層次：

1. 執行環境基礎： 由託管運算資源與生命週期管理取代客戶自行維護的工作節點叢集。
2. 上下文管理： 由伺服器端管理工作階段與持久化事件歷史，減少應用程式自行處理狀態的程式碼。17
3. MCP 與 Skills 擴充： 將標準化工具與可重複使用的能力接到智能體上。
4. 沙箱安全： 在隔離環境中執行命令、讀寫檔案、安裝依賴套件與處理資料。17
5. API 與可觀測性： 透過程式介面管理託管智能體生命週期、應用程式呼叫、知識檢索與記憶管理。1

這種設計之所以重要，是因為智能體工作負載並不等同於一次性的模型呼叫。一個使用者請求，可能觸發規劃、檢索、多次工具呼叫、程式碼執行、重試與後續行動。若平台把這些步驟視為可管理的執行歷史，企業會更容易操作、追蹤與稽核；不過，實際成本與可靠性仍取決於任務本身、使用的模型、工具以及所設定的控制措施。

保險案例值得看，但不能當成普遍保證

與阿里雲相關的報導提到一個保險審查案例：原本需要 3 至 4 小時的核保工作，縮短至約 15 分鐘，每張保單的成本則標示為人民幣 0.12 元。10

這個數字應被理解為報導中的個案結果，而不是 Agent Studio 的通用基準或成本保證。實際成果可能受到文件品質、工作流程複雜度、模型選擇、工具使用量、例外處理，以及所需人工覆核程度影響。

因此，這個案例最適合被視為平台所追求的營運改善類型，而不是企業導入後必然得到的數據。

One Key Service：整合工具認證，處理 MCP 部署的麻煩

在智能體部署中，一個常見障礙是：每個外部工具或 MCP 服務，可能都有自己的身分驗證與憑證管理流程。Agent Studio 所提出的 One Key Service，旨在為 MCP 市場合作夥伴提供統一的認證層，讓企業不必逐一整合不同合作夥伴的授權流程。810

這不只是便利性功能。MCP 市場對企業是否真正有用，取決於其中的工具能否被大規模核准、驗證、監控與治理。統一金鑰機制試圖把 MCP 市場納入可運作的企業模型，而不只是提供一份可搜尋的工具目錄。

相關報導指出，One Key MCP 首批接入 14 家雲市場合作夥伴，並預計有接近 50 家 MCP 生態服務商加入這套體系。810

Private Skills：把企業內部知識封裝成可重用能力

Agent Studio 所描述的 Private Skills 設計，分為三種範圍：可廣泛重用的平台或公開能力、組織層級的私有能力，以及更狹窄的個人或專案能力。8

背後的想法，是把企業自有的流程、API 與業務規則，包裝成可重複使用的能力。團隊不必在每個提示詞中反覆塞入內部指示，也不必為每個智能體重新打造相同整合，而是可以將其作為具備明確適用範圍的受控 Skills。

但對企業而言，真正需要解決的問題不只是「能不能建立 Skill」，還包括權限、版本管理、所有權、審查流程與跨平台移植性。

Knowledge Studio、Agentic Search 與 Memory Studio

Agent Studio 的知識層以 Knowledge Studio 為核心。這是一項企業級 RAG 服務，支援文件解析、切分、向量化、索引、檢索與串流問答，並可透過 API、MCP、CLI 與 Skills 整合到應用程式中。3

它更值得注意的地方，在於區分了傳統檢索與 Agentic Retrieval。Knowledge Studio 所描述的 Agentic RAG 循環，結合了：

• Agentic Search： 先規劃問題，再於企業知識中進行多輪、反覆檢索；
• Agentic Generation： 在完成檢索後產生答案，並提供來源與引用。46

這種方式是為了處理無法靠單次相似度搜尋妥善回答的問題。智能體可能需要先理解需求、決定檢索路徑、進行多次搜尋，並確認取得的資料是否足夠，最後才生成回覆。

Memory Studio 或相關記憶服務則扮演不同但相互補充的角色。阿里雲的 Agentic Memory 文件描述了長期、短期與上下文記憶的儲存及檢索，也支援 Skills 與知識庫資料。11 對應用程式而言，這能減少每次互動都重新輸入使用者偏好、過往決策或可重用上下文的需要。

但記憶也帶來治理要求，包括資料保存期限、刪除機制、存取權限，以及錯誤資訊被持續帶入後續互動的風險。

Playground 與自然語言建置

Playground 被定位為統一的建置介面，整合 Flow Agent、Managed Agent、RAG、Memory、MCP、Skills、情境範本，以及以自然語言描述工作流程的「Vibe Builder」。8

理想的操作流程很直接：企業可以先從範本開始，或直接描述一個業務流程，再連接相應的知識、記憶、工具與執行環境。這能降低初期試驗門檻，也讓業務團隊與技術團隊在同一個平台上協作。

不過，降低建置門檻並不代表可以省略測試、權限設定、模型評估，或對高影響行動進行人工核准。當智能體能夠代表企業採取實際行動時，這些控制仍不可或缺。

為什麼雲端供應商都想掌握智能體這一層？

企業 AI 的競爭邊界，正從模型向外移動。模型提供推理與生成能力，但一個能在生產環境中運作的智能體，還需要執行環境、狀態管理、工具、資料存取、身分識別、隔離、監控與治理控制。

這讓雲端供應商取得重要的策略位置。若智能體成為使用者提出工作需求的入口，智能體平台也可能成為替使用者發現、組合與呼叫雲端服務的中介層。搜尋、儲存、API、資料庫與企業業務系統，未來可能不再由開發者為每個工作流程手動逐一選擇，而是透過受治理的智能體行動間接使用。

對企業買家而言，這項機會同時伴隨幾個現實問題：

• 智能體與 Skills 在不同供應商之間有多大程度的可移植性？
• 誰能控制工具權限與資料邊界？
• 多步驟任務的成本要如何歸屬到團隊或業務流程？
• 企業能否重建智能體做了什麼，以及為什麼這樣做？
• 當模型、工具或檢索來源改變時，工作流程會發生什麼事？

Agent Studio 的答案，是把模型周邊的託管系統本身變成產品。它最終能否成功，關鍵不在於「一站式平台」的架構圖看起來多完整，而在於企業是否能驗證輸出、控制行動、理解成本，並把重要工作流程從展示原型真正推進到可靠的生產環境。