鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

无问芯穹推出基础设施智能体蜂群,打造新一代Agentic Infra

编程导航
编程导航
2025-09-23 12:30
阅读 167
编程导航
2025-09-23 12:30
阅读 167

智东西(公众号:zhidxcom)
作者 | ZeR0
编辑 | 漠影

智东西9月23日报道,今日,无问芯穹正式推出基础设施智能体蜂群——基于无问芯穹长期的AI-Native基础设施建设成果及经验沉淀,深度融合多智能体协同架构与行业场景需求,所提供的新一代基础设施智能化解决方案。

该方案通过封装SOTA模型筛选、基础设施平台管家、资源运营、答疑排障、智算集群运维等多个智能体模块,构建高度自治、动态协作的“基础设施智能体蜂群”体系,打造对基础设施全生命周期的智能感知、决策与执行闭环,显著提升资源利用率、运维效率与人工智能(AI)系统的可靠性,以相同的投入实现运维能力100倍拓展。

智能体(AI Agent)是AI演进的关键方向,正逐渐成为人机协同与机器自主决策的核心载体,并有望演进为未来智能社会的基本单元。然而,传统的工具链和人力运维模式,已无法应对智能体生产的动态性与复杂性。

智能体基础设施需要进行一次范式上的革新,让基础设施系统本身拥有自主决策、协同和进化的能力,凭借智能体的主动性和智能性,做出比人类手动操作更优、更快、更精准的决策,完成原本依赖顶尖专家高级脑力劳动才能完成的复杂工作,实现超越人类经验的运营,以支持更高效、稳定、普惠的智能体创新。

以传统的智算集群基础设施使用运营运维方式为例,无问芯穹基础设施智能体蜂群通过多智能体协同,把传统分散在开发、运维、运营团队的割裂流程,统一在一个智能化的“感知—决策—执行”闭环中。

无论是算力池化后的弹性调度、集群跨地域统一运营,还是高性能网络、存储与安全的协同管控,蜂群架构都能实现动态优化与自适应调整。

这种整体性能力让算力平台不再只是被动提供资源,而是以自治化的方式主动服务于研发任务和业务目标,实现集群资源利用率、能效比和可靠性的全面提升。

基础设施智能体蜂群是无问芯穹对新一代AI基础设施范式Agentic Infra给出的具体答案和落地实践。

Agentic Infra以智能体为自治核心,将改变传统IaaS → PaaS → MaaS → Agent应用之间层层堆叠、相互割裂的生产模式,构建出一个高度协同的闭环系统。

无问芯穹推出基础设施智能体蜂群,打造新一代Agentic Infra

这一架构将异构算力资源、云原生组件及AI平台能力统一纳入Agents可调用范围,依托无问芯穹基础设施智能体蜂群自主拆解任务,动态组织链路中所需的算力资源、模型、工具与外部API,并实现端到端的执行、监控与排障,覆盖从算力适配、模型选型、安全管控到最终部署的全链路智能化生产,真正实现“一句话,一个Agent ”,让每个人都能开发AI及智能体。

在蜂群内部,SOTA模型筛选智能体首先承担了“技术哨兵”的角色。它会持续跟踪最新的模型能力和系统需求,帮助集群根据不同任务自动匹配最优的模型与运行环境,从而避免“盲目堆算力”的低效方式。

基础设施平台管家智能体则是集群的“日常管家”,负责环境初始化、容器编排、配额管理和安全策略下发,确保整个IaaS+PaaS的运行有条不紊。其优势在于能够感知用户的任务意图,并将复杂的底层操作自动化,例如为一次RLHF训练任务自动准备分布式容器组和数据缓存。

资源运营智能体更偏向“成本与收益”的视角,它能够实时评估算力利用率、队列等待时间、能耗和计费模式,动态调度资源池,实现资源供需的最优平衡。对于运营方而言,这意味着GPU不再会长时间闲置,同时有效避免了高峰期的资源挤兑。

在运维层面,答疑排障智能体和智算集群运维智能体形成了“前台+后台”的组合:前者通过自然语言接口,成为用户和运维团队的第一接触点,能够快速给出排障建议或自动触发诊断流程;后者则是整个集群的“深度医生”,可以结合日志、监控和Trace信息进行根因分析、自动修复,甚至在任务执行前预判潜在风险并进行规避。

过去,无问芯穹通过服务大量的高校、科研机构及企业客户,在多元异构算力的纳管调度、训练及推理优化领域拥有了深厚积淀,也在算力服务商业化落地中构建了端到端技术栈——从大模型性能优化、分布式训练加速、强化学习框架,到多租户异构调度、RDMA网络拓扑优化、高性能存储及GPU集群运维,形成了全链路技术解决方案,使得智能体得以更快地被结合到无问芯穹实际的智能体业务生产过程中。

通过与诸多重点文生文、文生图智能体客户的共同打磨,无问芯穹的基础设施智能体蜂群已在一些重点客户的真实业务流程中取得了实际有效的落地效果。

具有超百万月活的捏TA被称为二次元爱好者的天堂,用户可以尽情发挥想象,通过AI技术轻松创作二次元风格的角色和故事,展现角色化的个人表达。

其创始人兼CEO胡修涵谈道:“在传统的智能体开发中,我们有大约超过30%的资源消耗于通用组件重构与流程维护,而经过与无问芯穹的合作, 通过端到端的自动化调度与资源编排,显著减少了我们在算力适配、模型集成、安全部署等方面的投入,同时还将迭代速度提升了5倍。智能体开发得以从一个高度工程依赖、重复劳动密集型的困境中解脱出来,转变为以目标为导向、智能自动实现的新范式。”

无问芯穹推出基础设施智能体蜂群,打造新一代Agentic Infra

作为年轻人社交的创新平台头部企业,Soul App从最初的社交连接到AI bot的创建,再到对话、语音、视觉和虚拟人等维度多模态端到端技术的推进,正在持续通过AI技术重新定义“人机关系”的边界。

其创始人兼CEO张璐分享说:“在共同打磨的过程中,无问芯穹的智能体蜂群让我们的创新周期实现了极大压缩,试错成本大幅下降,那些曾因技术门槛或资源限制而被迫搁置的想法,如今已能够快速落地。我们认为,无问芯穹此次的发布,不仅是一次工具层面的升级,更是一场生态级重构的开端。”

无问芯穹推出基础设施智能体蜂群,打造新一代Agentic Infra

无问芯穹联合创始人、CEO夏立雪曾在一次发布会上介绍了无问芯穹构建AI Native基础设施的核心主张:“打开水龙头前,我们不需要知道水是从哪条河里来的。同理,未来我们用各种AI应用时,也不会知道它调用了哪些基座模型,用到了哪种加速卡的算力。”

无问芯穹提出的下一代Agentic Infra范式同样内生于这一理念,不仅是“M(多种模型)×N(多种芯片)”的无感化,更是从灵感到交付的自动化、智能化。

在智能体无处不在的时代,无问芯穹希望让每一个企业都有能力成为这场变革的参与者,尤其是中小规模但具备领域知识的团队,能够以更低门槛、更高效率的方式构建高质量智能体应用。

原文链接: 无问芯穹推出基础设施智能体蜂群,打造新一代Agentic Infra
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230