Skip to content

智能体基础设施(Agent Infrastructure) ​

专题类型:领域专题 学习目标:让模型从单次生成走向可观测、可评估、可复现的多步任务执行。

推理优化关注一次模型调用怎样更快、更省;智能体基础设施关注多步任务怎样可靠完成。一次智能体任务需要模型调用、工具调用、上下文管理、执行环境、轨迹日志与最终评估协同工作,其工作负载是可能失败、回退和分支的动态调用图。

本专题复用推理优化的服务指标、后训练优化的数据与奖励、性能优化的执行轨迹证据,重点解释工具使用、沙盒执行、轨迹调度与任务级评测之间的关系。

学习路线 ​

先固定任务工作负载、轨迹数据和安全执行环境,再研究轨迹调度与可观测性;只有任务、工具、沙盒和评测协议能够复现时,框架选型与 Agentic RL 的结果才可比较。

Task / 主题本阶段要回答的问题学习入口与验证出口学习顺序主要正文入口
Task0 · 智能体全景与核心链路单次推理怎样演化为多步任务执行?核心:推理优化、后训练优化模型调用 → 工具调用 → 环境反馈 → 任务评估00 智能体工作负载与执行链
Task1 · 轨迹数据生产与验证包含工具调用和环境反馈的轨迹怎样通过验证后进入数据版本?核心:数据工程、后训练优化任务蓝图 → 候选轨迹 → 环境反馈 → 验证分流01 智能体轨迹数据与验证
Task2 · 沙盒与执行环境工具执行怎样隔离资源并产生可复现反馈?核心:部署与异构工具契约 → 权限与资源 → 执行日志 → 环境快照02 智能体沙盒与执行环境
Task3 · 轨迹感知调度与上下文管理多阶段、可失败任务怎样调度和复用状态?核心:推理优化;项目:Part 02 · 70 服务调度依赖状态 → 就绪队列 → 调度 → 重试与上下文复用多步任务怎样调度和恢复
Task4 · 任务评估与可观测性完成率、工具正确性、轨迹质量、延迟与成本怎样对应同一次任务?核心:性能优化;扩展:Part 02 · 50 偏好数据与评测任务身份 → 轨迹事件 → 错误分类 → 质量与成本报告怎样同时评估质量、可靠性和成本
Task5 · 框架与工具协议工具能力、协作方式和运行约束怎样决定编排方案?核心:00 智能体工作负载与执行链;项目:Part 05 综合项目能力需求 → 工具契约 → 编排候选 → 失败与成本对照什么时候需要改变协议或编排框架
Task6 · Agentic RL 与综合交付数据、沙盒、轨迹采样、奖励和评估怎样形成可恢复的训练闭环?机制:Part 02 · Agentic RL 环境轨迹与奖励归因;核心:后训练优化;开放实践:Part 05 实践模板固定任务 → 轨迹采样 → 奖励与更新 → 独立评测 → 采用决策什么时候才进入 Agentic RL

智能体基础设施学习路线:从任务轨迹到训练与交付

智能体基础设施知识地图:工具、状态、环境与证据

扩展与跨专题入口 ​

专题本专题复用的能力本专题增加的对象
推理优化请求指标、调度、KV 状态与推理后端动态轨迹、工具依赖、任务失败与重试
后训练优化SFT、偏好数据、RL / RLVR、奖励与评测工具轨迹、环境反馈与 Agentic RL 任务
数据工程采集、清洗、去重、合成与血缘任务蓝图、轨迹验证与执行反馈数据
性能优化执行轨迹、成本、资源与基准测试方法任务级 SLO、工具等待、沙盒资源与端到端成功率

MCP、函数调用和业务 API 都可以作为工具接入方式。本专题首先检查工具能力、参数约束、返回结果和失败状态是否满足任务需要,再比较具体协议或框架;框架名称不能替代任务成功率、轨迹正确性和资源成本证据。

连续理解一次任务怎样从输入走到采用决策,阅读智能体任务问题链;按失败现象定位检查对象,使用智能体判断手册;概念辨析见专题术语表。

实验与项目出口 ​

任务、工具接口、沙盒限制和轨迹字段固定后,调度、框架和训练候选才具有可比性。Agentic RL 还需要策略版本、奖励分量、任务质量、采样成本和回滚状态共同支持采用决策。当前可运行资产、复用环境与证据缺口见实验资产表。

  • 局部调度与服务行为由 Part 02 项目验证;
  • 跨数据、训练、沙盒和评测的组合由 Part 05 综合项目承接;
  • 场景或框架依赖发生变化时,在 Part 05 中建立新的任务身份和对照,不沿用其他任务的训练或发布结论。

Released under the MIT License.