天翼云联手鲲鹏，为企业Agent补上“长期记忆”的关键拼图

过去两年，AI产业的叙事中心一直围绕大模型展开：参数规模、训练效率、推理成本、模型能力边界。

可当OpenClaw代表的Agent落地到千行百业，越来越多的问题浮出水面：一个能够理解任务、调用工具、访问数据、编排流程、持续执行的智能体，需要的不仅是基础算力和模型，而是一套完整的运行体系。

问题在于，什么是适合Agent的运行体系呢？

5月22日的KADC2026鲲鹏开发者峰会上，天翼云联合鲲鹏给出了清晰的答案——构建Runtime、Token与Data协同的AI全栈云底座。

01 底座重构，企业AI正在从“调API”走向Agent Native

很多企业做AI应用，本质上是在“调接口”：前端套一个聊天框，后端接一个大模型API，再接几个业务插件。

这样的模式，曾是两年前的主流思路，但在Agent时代已经行不通。

因为企业业务不是单轮问答，常常是跨系统、跨角色、跨流程、跨权限的连续任务，一个真正可用的Agent，既要能理解任务，也要能调用ERP、OA、CRM、知识库、浏览器、代码环境等工具。折射到企业的IT架构上，AI不能停留在“外挂能力”的阶段，必须变成云原生架构中的一层运行时。

天翼云公有云事业部研发专家周望在演讲中提到，天翼公有云当前的AI全栈产品体系被划分为三个模块。

第一个是Agent Infra，提供Agent Runtime、Agent沙箱、流程模式、中间件、Serverless底座等核心运行能力。可以理解为智能体运行的“水电煤”，解决了任务怎么拆解、工具怎么调用、状态怎么保存、异常怎么回滚、权限怎么隔离、多个Agent之间怎么协同等应用和运行问题。

第二个是AI Infra，包含异构算力池化调度、推理加速、密态计算、智算网络等算力与引擎能力。简单来说，就是为Agent提供稳定、高效、低成本的“动力系统”，解决的是怎么让每一个Token生成得更快、更便宜、更安全，怎么让每一个Agent任务跑得更稳、更流畅、更可持续。

第三个是Data Infra，涵盖向量存储、极速缓存、可信数据空间等数据服务。Agent执行任务的过程中，需要持续调用企业内部的知识库、业务数据、历史记录和外部信息，Data Infra的价值正是让Agent在执行任务时能够快速检索、精准调用、稳定读写，并且保证数据安全和权限可控。

三个模块实现了上层应用到底层算力的全覆盖，同时也揭示了Agent时代的生存法则：影响智能体能否落地的因素，不只是模型本身，关系到运行、数据、安全与成本控制在内的全套能力。

企业需要的不是一个个孤立的Agent应用，而是一个能够承载智能体开发、部署、运行、治理和运营的统一底座，企业的AI基础设施正在从“Model Native”走向“Agent Native”。

在Model Native的架构下，主要提供算力、模型训练、推理接口、API调用，目标是让企业“用上大模型”；而Agent Native架构的要求，进一步升维到智能体运行所需的能力，需要原生融入云基础设施中，涉及任务编排、工具调用、上下文管理、长期记忆、权限隔离、数据访问……不再是应用层临时拼接出来的功能，而是AI基础设施的标准能力。

就像天翼云所示范的：Agent Infra解决运行框架，AI Infra解决推理效率，Data Infra解决数据支撑，三者合在一起，才让Agent从一个“会对话的应用”，变成了适合千行百业的生产力引擎。

02 跨越瓶颈，软硬协同攻克“失忆症”与“成本陷阱”

Agent进入企业的生产环境后，摆在案头的是一个更加棘手的问题：一份份近乎“天价”的算力账单。

和AI进行对话时，每次只需要完成一次回答，但企业Agent要处理长任务、多轮交互、多工具调用、多步骤规划。一旦任务链条变长，问题就会集中爆发，其中被诟病最多的瓶颈有两个：

一个是“失忆症”，由于初期任务信息易丢失、缺少全局最优规划、缺乏自我修正机制等，导致长序列任务准确度较低。

另一个是“成本陷阱”，因为历史上下文不可压缩、失败重试与冗余路径增加等原因，Token消耗随对话轮次指数级膨胀。

面对横亘在千行百业面前的难题，天翼云和鲲鹏的合作没有止步于算力：天翼云自研的智能体应用AgentDesk与鲲鹏智能体记忆系统进行了协同增强，用软硬协同方式消除了Agent长任务场景的系统瓶颈。

核心思路是引入鲲鹏oG-Memory管理框架，通过记忆压缩、上下文缓存、精细提取、按需渐进加载、历史会话摘要、记忆共享/隔离等能力，以及openGauss的向量存储，鲲鹏的检索加速、Embedding CPU加速、存储加速等能力，在保留关键记忆的同时，降低推理过程中的Token开销。

以LoCoMo长序列任务测试为例，AgentDesk+鲲鹏智能体记忆系统组合交出了一份实打实的高分答卷：在长序列任务中的准确度达到90.8%，较原生OpenClaw提升了37%，较AgentDesk提升了36%；输入Token消耗仅236万，比原生OpenClaw降低了68%，比AgentDesk降低了30%。

隐藏在数字背后的，是软硬协同的融合创新范式。

不少Agent框架处理长期任务，采用的是“堆上下文”的方式。结果就是，任务越长，塞进去的历史越多，Token成本越高，模型注意力越分散。看似记忆比较完整，实际效率随着对话轮次越来越低。

天翼云和鲲鹏的实践，没有简单地把历史对话塞回上下文，而是把记忆从上下文窗口里“拆出来”，变成一套可检索、可压缩、可分层、可隔离、可加速的数据基础设施。在Agent执行任务的过程中，模型不需要每次吞下全部历史对话，可以在需要时按需加载关键记忆。

把视角再放大一些，天翼云和鲲鹏明确了一个方向：Agent的能力边界，不只由模型决定，Runtime、Memory与算力基础设施的协同，将是AI从对话机器人走向数字员工的分水岭。

不只是长期记忆系统，在Agent的安全治理方面，天翼云和鲲鹏有着相同的原则——“让AI在边界内行动”

天翼云的智能体引擎AGE打造了浏览器、代码、手机等沙箱系统，鲲鹏超节点的沙箱系统进一步实现了快速启动、高密部署和快速回滚，正在以双向奔赴的形式让Agent既能高效、准确、低成本执行任务，且始终被限制在可隔离、可回滚、可审计的安全边界内。

03 写在最后

智能体时代的AI基础设施，将从“应用中心”转向“Agent中心”，从“模型接入”转向“运行体系”，从“单点智能”转向“全栈协同”。

大模型并没有消失，而是退到了幕后，成为AI计算底座中的一项基础能力。左右决定企业AI落地速度的，是能否把模型、算力、数据、工具、记忆、安全和成本统一起来。谁先拥抱Runtime、Token与Data协同的AI全栈云底座，谁就更有机会拿到Agentic AI时代的“船票”。