2026云栖大会上，阿里云CTO李飞飞带来Agentic Cloud完整战略和多款新品。简单来说，现在的AI Agent已经不再只是聊天问答，开始自主规划任务、做实时决策。但想要在企业里大规模跑起来，光靠大模型本身远远不够，算力、存储、安全环境、企业数据上下文，每一环都是卡点。阿里云这次的思路，就是把整套底层基建补齐，让Agent真正落地到生产业务里创造价值。

李飞飞提出，企业级Agent规模化落地，要跨过四道门槛：持续更新的全域上下文、自主迭代进化能力、人和智能体之间可信安全的协作，还有动态感知推理、自主执行动作。围绕这几点，阿里云搭建起三层技术栈：AI Native Cloud、Agent Native Cloud、Context Engine，覆盖模型训练、智能体运行、企业数据治理全链路。

第一层AI Native Cloud，解决大模型训练推理的算力底座难题。现在模型朝着十万亿参数迈进，递归式自我改进RSI这类新训练范式，对集群稳定性、并发能力要求极高。阿里云全栈自研算力底座已经落地，灵骏真武M890超节点，支撑了多个2T参数以上大模型商用。明年上线的真武V900超节点，性能提升三倍，单集群最高可扩展到50万卡，搭配自研全光互联架构，满足超大模型训练需求。

配套推出新一代CPFS高性能存储，吞吐达到百TB/s级别。在模型训练场景里，它能把模型启动耗时砍掉一半，算力利用率提升30%，AI存储成本下降69%，减少GPU等待数据的空转浪费。针对推理阶段大量出现的KV缓存压力，Tair KVCM缓存调度系统把缓存命中率做到99%，单Token成本减半，缓解长上下文、多轮Agent任务带来的开销压力。

第二层Agent Native Cloud，主打智能体的运行与治理。很多开发者试过Agent就会发现，写Demo很简单，放到企业真实业务里，很容易任务中断、权限失控、失败无法回滚。这次推出的AgentCore企业智能体构建平台，就是用来解决这类痛点，支持长任务断点续传、资源隔离、全链路审计，官方数据能把任务完成率提升至99%，降低整体使用成本。同时还有Agent Sandbox、Agentic OS、Agentic Computer配套产品，给智能体提供安全弹性的执行环境，甚至可以让Agent直接操作图形界面，像人一样操作电脑完成工作。

第三层Context Engine，很多人容易忽略，但它决定了Agent能不能看懂企业业务。模型能力有上限，真正限制智能体发挥的，是企业分散的数据。Context Engine把企业各类多模态数据，统一整理成Agent可以实时调用的动态上下文。不再是简单检索知识库，而是持续记忆业务状态，让Agent判断当下该采取什么行动。配套的Agent Context检索能力，检索准确率提升50个百分点，Token使用效率翻3倍以上。

纵观整套Agentic Cloud布局，能看出阿里云的判断：大模型竞赛已经走过单纯比拼参数的阶段，接下来的竞争重心转向智能体规模化落地。模型、算力、存储、执行沙箱、企业上下文，缺一不可。

市面上很多团队聚焦上层Agent应用开发，但底层环境不完善，项目很容易卡在试点阶段，没法大规模复制。阿里云选择从底层入手，打通软硬件全栈协同。从自研芯片、超节点集群，到存储、网络再到上层Agent运行平台，整套体系打通。

当然，基建只是基础。Agent最终能不能普及，还要看企业业务适配、使用成本和稳定性。不过这一轮云栖释放的产品矩阵，说明行业已经从“玩Agent原型”，正式迈向企业生产环境的规模化落地阶段。