9 月 22 日，2026 杭州云栖大会上，阿里云 CTO 李飞飞系统性阐述了 Agentic Cloud 战略布局，阿里云将 Model、Harness、Context 作为核心构建场景，推出全新的云上算力底座和 Agent 构建治理平台 AgentCore、Agent Sandbox、新一代高性能存储 CPFS 等一系列新品，让 AI 真正进入生产流程、走向规模化价值创造。

随着 2026 年 Agent 的爆发式增长，越来越多的智能体正跨过 " 问答型 " 的分水岭，进入自主规划、实时决策阶段，这对算力和云提出了更高的要求。李飞飞认为，企业级 Agent 的大规模落地还需要这些能力：以全面、统一、持续更新的上下文形成全域认知；支持自主运行与持续进化；融入安全、控制、信任和身份认证，实现人与 Agent、Agent 之间的可信协作；从静态规则走向实时感知、动态推理和自主行动。

围绕这四大能力支柱，阿里云重构了从 AI Native Cloud、 Agent Native Cloud 到 Context Engine 的完整技术栈体系。

AI Native Cloud：挑战 RSI 的算力底座

当下模型尺寸正面临从万亿到十万亿参数的跃迁，训练范式也从预训练、后训练 Agentic RL 进一步走向以递归式自我改进 RSI，这要求云底座同时解决超大规模集群稳定性、毫秒级弹性、百万级并发，以及训练、推理和环境交付的统一协同。

阿里云在会上展示了全栈自研的算力底座，覆盖计算、存储、网络等多个产品线，应对 RSI 带来的挑战。以灵骏真武 M890 超节点为例，这是首个国产十万卡超节点集群，有力支撑了 Qwen3.8 Max、KIMI K3 等超 2T 参数大模型对外提供商业服务。即将在明年推出灵骏真武 V900 超节点，性能提升三倍，搭载业界首发 200Pbps 通信带宽，6us 时延集群架构，自研 SNPO 支持全光互联，支持千卡 Scale-Up 互连，单集群可扩展至 50 万卡规模，向广域超节点演进。 

同时，阿里云还推出了新一代全栈自研高性能存储 CPFS，提供高达百 TB/s 级吞吐和亿级 IOPS，单文件系统规模提升 5 倍至 100PiB，支撑大规模模型训练和多模态数据处理。在实际模型训练中，可将模型启动平均耗时降低 50%、峰值算力利用率提升 30%、AI 存储成本降低 69%，使 GPU 从 " 等待数据 " 转向持续高效计算。

推理方面，面对容量激增的 KVCache 和多轮任务的普及，阿里云围绕 Token 生产和缓存调用进行极致的优化，推出大模型 KVCache 管理和调度系统 Tair KVCM，统一编排 Mempool、KVCacheStore 与远端共享存储等多级缓存，存有效命中率可达 99%，每 token 成本下降 50%；推出存储加速引擎 KV CacheStore，位于 G3.5 存储层，承接长上下文、多轮对话和复杂 Agent 任务产生的大量缓存，满足千亿级 KV 存储规模，在客户生产环境下实现缓存覆盖时间窗口扩大 900%，吞吐提升 20%，首 token 延迟降低 54%；全新的智算中心融合网络 TPN，采用 2 层网络设计，访问带宽增加 2.5 倍，网络规模增加 10 倍，延时降低 1/3 ……这些围绕 " 算网存 " 多方协同的技术创新，为模型推理。

此外，人工智能平台 PAI 新增支持异步 AgenticRL 的训练框架，打通轨迹采样、回报累计、模型训练、参数更新的环路。在支持 Qwen 模型后训练的实战中，实现 5 天完成一次 SOTA 模型的后训练。

Agent Native Cloud：支撑 Agent 应用规模化落地

随着 Harness 工程和 skill 的成熟与普及，大模型竞争正从能力比拼转向业务价值兑现——能在真实的生产环境中精细化使用、具备智能组织和智能基础设施、不是概率智能而是可靠的生产力……这些正成为让 Agent 真正融入业务流程必须跨越的门槛。

为了更快让企业级客户与 Harness 深度协同，阿里云推出企业级 Agent 构建治理平台 AgentCore，将企业级 Agent 基础设施标准化、托管化，支持长任务、失败重试、断点恢复和异步执行；提供安全执行环境、资源隔离、身份权限和全链路审计，统一管理模型、MCP Server、Skill 等资产，可提升任务完成率 99%，TCO 成本降低 70%。

此外，阿里云还准备了一系列 Agent 相关产品，为企业级客户提供丰富的选择：包括 Agent Sandbox，为 Agent 提供开箱即用、极致弹性、安全可靠的执行环境，创建吞吐 10 万 / 分钟，深休眠唤醒＜600ms，兼容 E2B 和 K8s，满足从开发者到企业级 Agent 的规模化运行需求；Agentic OS，Agent 原生操作系统，可节省 Token 消耗 30% 以上，沙箱部署密度提升 3 倍；Agentic Computer，为智能体提供统一、长期在线的专属云电脑工位，兼容主流 Agent 框架，具备 Computer Use 和 GUI 操作能力，权限可控、操作可审计……

Context Engine：让企业全域数据成为 Agent 的实时上下文

决定 Agent 能力上限的不只是模型参数，还包括能否持续理解企业知识、业务状态和执行反馈，因此上下文不再是应用侧的一段缓存，而正在成为企业需要统一建设和治理的新型数据资产。

  围绕这一变化，阿里云提出了 " 存储—计算处理—上下文工程 " 三位一体的引擎—— Context Engine ，将企业全域数据转化为实时上下文，让 Agent 从 " 知道什么 " 进一步走向 " 此刻应该做什么 "：底层以多模态数据存储承接对话、视频帧、点云、轨迹和 Agent 反馈；中间层覆盖数据集成、转换、治理、质量和建模；上层通过全域知识库、多模态语义整合、持续记忆管理和实时上下文装配，把分散数据组织成 Agent 可以按需调用、动态更新的上下文。

产品层面，Agent Context 面向复杂知识检索，将准确率提升 50 个百分点，Token 使用效率提升 3 倍以上；OpenLake 提供统一全模态数据湖仓，通过一份数据支持多引擎计算，使总体拥有成本降低 38%；Apsara Lakebase 支持亚秒级、零拷贝创建数据分支，为 Agent 提供快速、隔离的数据空间；MC-MaxFrame 以自研分布式计算框架处理多模态数据，计算性能提升 12%；Flink Streaming Agent 提供 60 多种全模态算子，把实时数据流转化为可触发业务流程的实时行动。

从面向 Model 的模型生产，到面向 Harness 的自主运行与持续进化，再到面向 Context 的实时智能决策，阿里云正在把算力、网络、存储、运行环境、身份安全和企业数据组织成统一的 Agentic Cloud。" 阿里云已形成从 AI 芯片、服务器 CPU，到互联、网卡、存储主控和 AI 软件栈的完整布局，可以从计算、网络到存储做全栈协同和联合调优，把智能生产效率做到更高。" 李飞飞表示。