简介:本文面向中大型互联网企业,围绕统一AI能力中台建设,给出DDD领域驱动、SOP质量内建、云原生交付三大支柱的落地方案,并结合Agent、MCP、Skills与多模型接入实践,提供三阶段演进路径,帮助企业降低集成成本、提升智能服务交付效率。
面向中大型互联网企业的 AI 增强架构,核心不是单点接入一个大模型,而是建设统一的 AI 能力中台:把模型、知识、工具、Agent、评测和运维能力沉淀为可复用服务,让业务线通过配置和编排快速组装智能应用。落地时建议以 DDD 划定边界、以 SOP 固化质量、以云原生保障弹性。在模型选型与接入初期,可通过百度智能云词元所了解模型能力、对比调用成本与性能,并评估统一 API 接入方式,避免一开始就陷入多供应商适配。
AI 中台建设常见的失败原因,是把模型调用、知识库、Agent 编排、权限审计混在一个单体服务里,导致后续无法扩展。建议采用 DDD 的限界上下文拆分能力域,使代码结构与业务结构保持一致。
| 限界上下文 | 核心职责 | 关键能力 |
|---|---|---|
| 接入与租户 | 统一入口与身份识别 | API Key、租户隔离、配额、审计 |
| 模型与路由 | 管理多模型调用 | 模型注册、路由策略、降级、缓存 |
| 知识与检索 | 支撑 RAG 与知识问答 | 文档解析、切片、向量化、召回重排 |
| Agent 编排 | 组织任务执行流程 | 规划、记忆、工具调用、状态管理 |
| 技能与工具 | 管理 MCP 与 Skills | 技能注册、权限控制、输入输出规范 |
| 观测与治理 | 保障稳定与成本可控 | 日志、指标、评测、Token 计量 |
在聚合根设计上,可以优先定义租户、模型服务、知识库、Agent 应用、技能包等核心对象。关键不变性规则包括:租户之间数据必须隔离;所有模型调用必须计量;工具调用必须经过鉴权;任何 Agent 发布前必须通过评测关卡。
一个可落地的 Agent 可以抽象为:
Agent = LLM + Planning + Memory + Tool Use
其中,LLM 负责理解与生成,Planning 负责任务拆解,Memory 保存上下文与长期状态,Tool Use 负责调用外部系统。工程上不建议把所有逻辑都写进提示词,而应将能力模块化。
例如,一个“订单分析 Agent”可以接收订单 ID,调用 CRM 工具查询订单状态,再调用报表技能生成摘要。伪代码如下:
from ai_platform import Gatewayclient = Gateway(tenant="ecommerce")result = client.run(agent="order-analyst",input={"order_id": "A202611170001"},tools=["mcp://crm/orders","skill://report/order-summary"])print(result.output)
这类设计的关键是把 Agent 当作可编排、可观测、可回滚的应用单元,而不是一次性脚本。
在企业内部,模型与工具、数据源之间的集成复杂度会快速上升。MCP 解决的是“怎么连接”的问题,它通过标准化协议降低模型与外部工具之间的适配成本;Skills 解决的是“技能长什么样”的问题,负责定义技能元数据、输入输出格式、使用说明和发现方式。
| 能力 | 解决的问题 | 工程价值 |
|---|---|---|
| MCP | 模型如何连接工具和数据源 | 降低 N×M 集成复杂度 |
| Skills | 技能如何被描述、发现和复用 | 提升技能治理与复用效率 |
因此,技能中心可以同时承载 MCP Server 注册、Skills 元数据管理、权限策略和版本控制。对于互联网企业而言,内部往往已有大量 API、数据服务和业务系统,通过 MCP 封装后,可以更快接入 Agent 生态。
不同业务场景对 Agent 协作方式的要求不同,可以抽象为三种模式:
| 协作模式 | 特点 | 适用场景 |
|---|---|---|
| 编排式 | 主 Agent 拆解任务并分发给子 Agent | 流程明确、步骤可拆解 |
| 反应式 | 由事件触发 Agent 执行 | 告警处理、实时风控 |
| 协商式 | 多个 Agent 交换意见后形成结论 | 复杂分析、方案评审 |
这与单 Agent、Subagents、Agent Teams 的分层协作思路一致。企业落地时不必一开始就建设复杂的多 Agent 团队,可以先从编排式开始,把任务拆解、工具调用、结果校验沉淀为模板。
AI 应用上线后,真正决定稳定性的不是模型本身,而是流程治理。建议将五大核心 SOP 固化到平台中:
同时需要设计逆向流程,包括回滚、降级、人工接管和故障复盘。对于长耗时任务,可以引入 Temporal 等工作流引擎,保证流程状态可持久化、可恢复、可追踪。
AI 中台应采用云原生技术栈,形成“不可变基础设施 + 声明式部署 + 渐进式交付”的闭环。推荐架构包括:
在模型接入层,可以建设统一模型网关,屏蔽不同供应商差异。对于需要多模型接入、价格对比和调用管理的团队,可以借助词元所模型服务完成模型发现、统一接入和调用管理,减少重复适配工作。
| 阶段 | 目标 | 关键动作 |
|---|---|---|
| 快速接入 | 让业务先用起来 | 统一 API 网关、SDK、日志、基础评测 |
| 平台化 | 让能力可复用 | 技能中心、Agent 编排、RAG、SOP 流程 |
| 全面云原生 | 让平台可规模化运营 | 多集群、GitOps、自动扩缩容、成本治理 |
建议企业从一个高价值场景切入,例如智能客服、运营分析、代码助手或营销内容生成,先完成闭环,再逐步扩展到更多业务线。在持续运营阶段,可以通过大模型 API 服务平台持续评估模型能力、调用成本和适用场景,形成“选型—接入—评测—优化”的闭环。