AI Infra 全景图：Agent Framework:调度:编排:沙箱:记忆管理:Tracing 分层拆解

2026年，AI Agent遍地开花，但真正能投入生产的却寥寥无几。本文将为你揭示从底层资源到上层应用的9层架构全景与4个横切能力，助你构建坚如磐石的生产级AI Infra。
核心内容：
1. 剖析AI Agent项目难以投入生产的核心症结——Infra缺失
2. 逐层拆解从基础资源到可观测运营的9层纵向架构
3. 解读贯穿所有层的4大横切能力：安全、CI/CD、成本与开发者体验

2026 年，几乎每家公司都在做 AI Agent。

但一个残酷的事实是：绝大多数 Agent 项目停留在Demo阶段，无法融入生产。

不是模型不行，不是算法不行——是 Infra 不行。

构建一个生产级 AI Agent 系统，你需要的远不止一个大模型和一个向量库。你需要算力调度、模型网关、数据管道、Prompt 管理、Agent 编排、工具沙箱、记忆系统、评测体系、可观测平台——还要让安全、CI/CD、成本和开发者体验贯穿每一层。

这就是完整的 AI Infra。

本文从 L0 到 L8，逐层拆解 9 层架构 + 4 个横切能力，给出工具选型和生产级最佳实践。

全景图：9 层 + 4 横切

先看全景，再逐层拆解。

纵向 9 层（从底层资源到上层应用）：

层级	名称	核心问题
L0	基础资源层	模型和应用运行在哪里？
L1	模型与推理层	用哪个模型？怎么调用？怎么降本？
L2	数据与知识层	模型如何安全、准确地使用企业私有知识？
L3	Prompt 与上下文层	如何组织模型能可靠执行的输入？
L4	编排与 Agent 层	复杂任务如何被拆解、调度、执行？
L5	工具执行层	Agent 能做什么？执行边界在哪里？
L6	状态与记忆层	系统如何记住一切而不越权？
L7	评测与质量层	改动后质量是变好了还是变坏了？
L8	可观测与运营层	出了问题能否定位？成本能否归因？

横向 4 个能力（贯穿所有层）：

• 安全治理
• CI/CD 与发布治理
• FinOps 成本治理
• 开发者体验（DevEx）

关键洞察：大多数团队只关注 L4（Agent Framework）+ L2（向量库），忽略了其他 7 层和 4 个横切能力。但生产级 Agent 的稳定性，恰恰取决于那些「不起眼」的基础设施。

L0：基础资源层——算力、存储、网络

L0 是所有 AI 系统的物理和云原生底座。

核心组件：

类别	技术	代表工具
计算	GPU / TPU / NPU / CPU	NVIDIA A100/H100、Google TPU v5e
编排	容器调度	Kubernetes、Ray、Slurm、Volcano、Kueue
存储	对象 / 块 / 文件	S3、MinIO、JuiceFS、Alluxio
网络	高速互联	RDMA、InfiniBand、VPC、服务网格
镜像	容器与模型	Harbor、Artifact Registry、HuggingFace Hub
安全	密钥与隔离	Secret Manager、KMS、多租户隔离

这一层回答的问题：模型和 AI 应用运行在哪里，资源如何调度，如何保证稳定、弹性和成本可控。

生产级实践：

• 推理用 GPU 按需弹性伸缩（如 Modal、RunPod Serverless），避免空跑
• 训练用 Ray Cluster + Kueue 做任务队列，多租户公平调度
• 模型权重统一存到 Artifact Registry，版本化管理，禁止散落本地磁盘

L1：模型与推理层——模型服务与智能网关

L1 管理模型的来源、调用和路由，是 AI Infra 的「神经中枢」。

核心组件清单：

• Model Gateway：统一入口，屏蔽不同供应商 API 差异
• Model Router：根据任务类型智能选择模型
• Inference Server：vLLM、TGI、TensorRT-LLM 等高性能推理引擎
• Model Registry：模型版本管理、元数据、A/B 测试
• Fallback / Rate Limit / Quota：容错、限流、配额
• Cache / Batching / Streaming：缓存、批处理、流式输出
• Quantization / KV Cache：量化和 KV 缓存优化

主流工具对比：

工具	定位	特点
LiteLLM	开源网关	100+ 模型统一接口，自动 Fallback
Portkey	商业网关	内置缓存、重试、日志、成本分析
vLLM	推理引擎	PagedAttention，高吞吐
OpenRouter	SaaS 路由	按量计费，零部署
自建网关	完全控制	可定制路由策略、合规审计

生产级最佳实践：

1. 智能路由：简单任务用小模型（降本），复杂任务用大模型（保质量）
2. 自动 Fallback：主模型超时或报错，自动切换备用模型
3. 成本控制：设置每用户 / 每应用的 Token 预算，超额自动降级
4. KV Cache 复用：相同前缀的请求共享 KV Cache，减少重复计算

L2：数据与知识层——让模型安全使用企业私有知识

L2 负责把企业数据变成模型可用的上下文，是 RAG 的基础。

完整数据管道：

数据源 → 解析/清洗 → Chunking → Embedding → 向量索引 → 检索 → Rerank → 注入 Prompt

每个环节都有技术选型：

环节	技术选项
数据源连接	API、数据库 CDC、网页抓取、文件系统
文档解析	OCR、表格解析、PDF 解析（PyMuPDF、Marker）
Chunking	固定长度、语义分割、递归分割
Embedding	text-embedding-3-large、BGE-M3、Cohere embed-v3
向量索引	Pinecone、Qdrant、Milvus、Weaviate、pgvector
混合检索	向量 + 全文 + 知识图谱
Rerank	Cohere Rerank、BGE-Reranker、Cross-Encoder
权限继承	ACL、文档级 / 字段级权限控制

向量数据库对比（2026）：

数据库	部署方式	适用场景
Pinecone	全托管 SaaS	快速上线，不想管基础设施
Qdrant	自托管 / Cloud	大规模数据，性能敏感
Milvus	自托管	十亿级向量，企业级分布式
Weaviate	自托管 / Cloud	多模态 RAG，GraphQL API
pgvector	PostgreSQL 插件	已有 PG，数据量不大
ChromaDB	嵌入式	本地开发，原型验证

从朴素 RAG 到 Agentic RAG：

• 朴素 RAG：Query → 检索 Top-K → 拼接 Prompt → 生成
• Advanced RAG：Query Rewrite → 混合检索 → Rerank → Citation → 生成
• Agentic RAG：Agent 主动决定何时检索、检索什么、是否需要二次检索

L3：Prompt 与上下文层——PromptOps 与上下文工程

L3 负责管理进入模型的上下文结构——这是最容易被忽视但最影响质量的一层。

上下文的组成：

一次 LLM 调用的输入由多个部分拼装而成：

• System Prompt：角色定义、行为约束
• Developer Prompt：工具说明、输出格式
• RAG 结果：检索到的知识片段
• Few-shot Examples：示范输入输出
• 用户画像：用户偏好、历史行为
• 会话记忆：最近 N 轮对话
• User Prompt：用户当前问题

PromptOps 核心能力：

能力	说明
Prompt 版本管理	每个 Prompt 有版本号，可回滚
Prompt Registry	统一管理所有 Prompt 模板
Prompt 实验	A/B 测试，数据说话
Prompt 审批	修改需 Review，不能随意上线
上下文压缩	Token 超限时自动压缩/截断
Token Budget	控制每个组件的 Token 分配

主流工具：

工具	核心能力
LangSmith	Prompt Hub + Tracing + Evaluation
LangFuse	开源 Prompt 版本管理 + 追踪
PromptLayer	Prompt 版本管理 + A/B 测试
自建（Git + YAML）	最大灵活性，已有 CI/CD 的团队

最佳实践：Prompt 即代码——将 Prompt 纳入版本控制、Code Review、灰度发布。

L4：编排与 Agent 层——Workflow 与 Agent Runtime

L4 是 AI Infra 的核心层，负责将大模型的能力组织成可执行的工作流。

四大主流 Agent Framework 对比（2025-2026）：

维度	LangGraph	CrewAI	AutoGen (0.4+)	OpenAI Agents SDK
架构模式	有向图状态机	角色扮演 + 任务分工	异步事件驱动	简单链式 + Handoff
多 Agent	原生支持	内置角色协作	对话式协作	Handoff 模式
状态管理	Checkpoint 持久化	内置 Memory	异步状态	简单上下文
学习曲线	陡峭	平缓	中等	最平缓
最新版本	0.6 (2025.06)	Flows 特性	0.5.3	2025.03

选型建议：

• 复杂工作流、精细控制 → LangGraph
• 多角色协作、团队分工 → CrewAI
• 实时对话、事件驱动 → AutoGen 0.4+
• 快速原型、OpenAI 生态 → OpenAI Agents SDK

除了 Agent Framework，还需要 Workflow Engine：

工具	定位
Temporal	持久化工作流，适合长时间运行的 Agent 任务
Airflow / Dagster	数据管道编排，适合批量 RAG 索引构建
Prefect	Python 原生工作流，适合 ML Pipeline

LangGraph 的核心优势——有向图状态机：

• 节点（Node）：每个步骤是一个函数
• 边（Edge）：定义步骤之间的转移逻辑
• 状态（State）：全局共享的可持久化状态

天然支持：循环、分支、并行、断点恢复（Checkpoint）。

L5：工具执行层——沙箱、集成与执行边界

当 Agent 需要执行代码、调用 API、操作数据库时，你不能让它在生产服务器上直接跑 exec()。

工具执行层的完整能力矩阵：

能力	说明

函数调用	Agent 调用预定义函数
MCP Server	标准化工具协议，即插即用
API Connector	连接企业 SaaS（CRM、ERP、工单）
代码解释器	沙箱内执行 Python / Node.js
浏览器自动化	Playwright、Puppeteer
RPA	操作传统 GUI 系统
权限校验	最小权限，按需申请
沙箱隔离	每次执行一个独立环境
输出校验	工具返回结果格式校验
幂等 / 事务	失败可重试，副作用可补偿

沙箱方案对比：

方案	启动速度	隔离级别	适用场景
E2B	< 150ms	VM 级	Agent 代码执行首选
Modal	< 500ms	容器级	GPU 密集型任务
Fly.io Machines	< 300ms	VM 级	全球分布式执行
Docker（自建）	1-3s	弱隔离	开发环境

安全设计三原则：

• 最小权限：Agent 只能访问必要的资源
• 网络隔离：默认禁止外网，按需开放白名单
• 资源限制：CPU、内存、磁盘、执行时间全部设上限

L6：状态与记忆层——让 Agent 记住一切而不越权

L6 保存系统运行过程中的短期和长期状态。

记忆的分层模型：

类型	时间范围	存储方式	典型场景
工作记忆	当前对话	Context Window	对话上下文
短期记忆	最近 N 轮	内存 / Redis	多轮对话连贯性
长期记忆	跨会话	向量数据库	用户偏好、历史事实
情景记忆	特定事件	结构化存储	「上次你说过……」
语义记忆	通用知识	知识图谱 / 向量	「Python 是一种编程语言」

主流记忆管理工具：

工具	特点	适用场景
Mem0	自动提取 + 存储用户记忆	个人助理，需要「认识」用户
LangGraph Memory	Checkpoint + 命名空间读写	LangGraph 生态内的 Agent
Zep	长期记忆 + 事实提取	客服、对话型 Agent

必须管理的能力：

• TTL：记忆过期自动清除
• 隐私：PII 脱敏，用户可要求删除
• 写入策略：哪些信息值得记忆
• 召回策略：如何从海量记忆中检索最相关的

L7：评测与质量层——AI 系统能否生产化的关键

L7 是整个架构中最容易被跳过、但决定项目生死的一层。

没有评测，你就是在「盲飞」——改了 Prompt、换了模型、调了 RAG 参数，不知道质量是变好了还是变坏了。

评测的三个层次：

层次	时机	方法
离线评测	上线前	Golden Set、合成数据、回归测试
在线评测	运行中	实时指标、用户反馈、A/B 测试
人审抽检	定期	人工标注、安全红队

关键评测指标：

指标	衡量什么
RAG Faithfulness	回答是否忠于检索到的上下文
Answer Relevance	回答是否与问题相关
Context Precision	检索的内容是否精准
Tool Success Rate	工具调用是否成功
Agent Completion Rate	Agent 任务完成率
Toxicity / Bias	输出是否有害或有偏见
幻觉检测	是否编造了不存在的事实

评测工具：

工具	核心能力

RAGAS	RAG 评测框架，Faithfulness / Relevance / Precision
DeepEval	LLM 输出评测，支持自定义指标
LangSmith Evaluation	在线 + 离线评测一体化
自建 Golden Set	最高控制力，贴合业务场景

最佳实践：发布门禁——每次 Prompt / 模型 / RAG / 工具改动，必须通过评测门禁才能上线。

L8：可观测与运营层——看见系统里发生了什么

L8 是 AI Infra 的「眼睛」——没有它，你就是在黑暗中运行 Agent。

AI 可观测性的三大支柱：

1. Tracing（追踪）：记录每次调用的完整链路
2. Metrics（指标）：Token 用量、成本、延迟、错误率
3. Logs（日志）：中间状态和输出记录

一次完整的 Trace 应包含：

• 用户原始问题
• 实际发送的完整 Prompt
• Tool Calls 及参数
• Tool Results
• LLM 原始输出
• 最终回复
• Token 用量、延迟、成本

主流工具对比：

工具	类型	核心能力
LangSmith	商业	Tracing + Eval + Prompt Hub
LangFuse	开源	Tracing + Prompt 管理，可自建
OpenTelemetry	开源标准	通用追踪协议，厂商中立
Arize Phoenix	开源	Tracing + 模型漂移检测

OpenTelemetry 作为通用基础：

OpenTelemetry（OTel）是 CNCF 项目，提供厂商中立的 traces、metrics、logs 采集标准。许多 AI 可观测工具（LangFuse、Arize）都支持 OTel 协议，让你不被锁定在特定供应商。

四个横切能力：贯穿所有 9 层

除了纵向 9 层，还有 4 个能力必须贯穿每一层：

横切 1：安全治理

覆盖所有层的安全能力：

• 身份认证与权限：谁能调用哪个模型、访问哪个知识库
• 租户隔离：多租户场景下数据和计算资源隔离
• PII / DLP：防止敏感数据泄露
• Prompt Injection 防护：检测和阻止恶意 Prompt
• 工具调用审批：高风险操作需人工确认
• 审计日志：所有操作可追溯
• 模型供应链安全：模型来源、许可证合规

横切 2：CI/CD 与发布治理

不只是代码需要版本化——AI 系统的所有组件都需要：

• 代码：标准 CI/CD
• Prompt：版本管理 + A/B 测试 + 审批
• 模型：Model Registry + 灰度发布 + 回滚
• RAG 索引：增量更新 + 版本回滚
• 工具 Schema：变更审批 + 兼容性检查
• Workflow：版本管理 + 断点续跑

横切 3：FinOps 成本治理

AI 系统的成本构成复杂，需要全链路计量：

• Token 消耗（按模型、按应用、按用户）
• GPU 计算（训练 + 推理）
• 向量数据库存储和查询
• Embedding / Rerank 调用
• 日志和追踪数据留存
• 带宽和存储

目标：每一笔成本都能归因到具体的应用、用户和任务。

横切 4：开发者体验（DevEx）

降低 AI 应用开发门槛：

• Playground：在线调试 Prompt 和 Agent
• Trace 回放：可视化查看每次调用的完整链路
• Prompt 调试：对比不同版本的 Prompt 效果
• RAG 调试：查看检索结果和注入过程
• Eval 看板：实时监控质量指标
• SDK / CLI：标准化开发工具
• 模板工程：常见场景的脚手架

一次完整的 Agent 调用：穿越 9 层

看一次真实的 Agent 调用如何穿越所有层：

场景：用户问 Agent 「帮我分析这份 CSV 文件里的销售趋势」

1. L0：请求到达 Kubernetes 集群，调度到 GPU 节点
2. L1：LLM 网关路由到 GPT-4o（复杂分析任务），启用 KV Cache
3. L2：Agent 从向量数据库检索 「CSV 分析最佳实践」
4. L3：System Prompt + RAG 结果 + 用户偏好拼装成完整上下文
5. L4：LangGraph 启动工作流——Agent 决定需要读取文件 + 执行代码
6. L5：Agent 在 E2B 沙箱中启动 Python 环境，执行 pandas 分析代码
7. L6：Agent 读取用户偏好（「偏好中文报告」），写入分析结果到长期记忆
8. L7：离线评测确认分析质量达标，在线指标监控幻觉率
9. L8：LangFuse 记录完整 Trace——Prompt、Tool Calls、Token 消耗、延迟

每一步都有日志，每一步都可追溯，每一步都有 Fallback。

这就是生产级 Agent 和 Demo 级 Agent 的区别。

技术选型路线图

阶段 1：验证期（1-2 周）

• L1：直接 OpenAI API
• L2：ChromaDB（嵌入式）
• L3：Prompt 硬编码在代码中
• L4：LangChain 简单 Chain
• L5：本地 Docker
• L6：简单变量存储
• L7：人工检查输出
• L8：print() 日志

阶段 2：原型期（1-2 月）

• L1：LiteLLM（统一接口 + Fallback）
• L2：Pinecone / Qdrant Cloud
• L3：LangFuse Prompt 管理
• L4：LangGraph / CrewAI
• L5：E2B 沙箱
• L6：LangGraph Memory
• L7：RAGAS + Golden Set
• L8：LangFuse（开源部署）

阶段 3：生产期（持续迭代）

• L0：K8s + GPU 弹性伸缩
• L1：自建网关 + vLLM + 智能路由
• L2：Milvus / Qdrant 集群 + Advanced RAG
• L3：Prompt Registry + 审批流程
• L4：LangGraph + Temporal 持久化工作流
• L5：E2B + Modal（GPU 任务）+ MCP
• L6：Mem0 + 自建记忆策略
• L7：在线评测 + 发布门禁 + 人审抽检
• L8：OpenTelemetry + Grafana + 告警
• 横切：安全治理、CI/CD、FinOps、DevEx 全面落地

总结：一句话定义完整 AI Infra

完整 AI Infra 不是 「模型 + LangChain + 向量库」，而是：

算力资源底座 + 模型服务与网关 + 数据 / RAG 管道 + Prompt / Context 管理 + Agent / Workflow 编排 + 工具执行沙箱 + 状态记忆系统 + 评测质量体系 + 可观测 / SRE + 安全治理 / 合规 + 成本与开发者平台。

9 层纵向架构 + 4 个横切能力，缺一不可。

Demo 只需要 L1 + L4。生产需要全部 9 层 + 4 横切。

参考资料：

1. LangGraph 官方文档（https://langchain-ai.github.io/langgraph/）
2. CrewAI 官方文档（https://docs.crewai.com/）
3. Microsoft AutoGen（https://microsoft.github.io/autogen/）
4. OpenAI Agents SDK（https://platform.openai.com/docs/guides/agents）
5. E2B 沙箱官方文档（https://e2b.dev/docs）
6. Mem0 记忆管理（https://docs.mem0.ai/）
7. LangFuse 开源可观测性（https://langfuse.com/docs）
8. OpenTelemetry GenAI 语义约定（https://opentelemetry.io/blog/2024/genai/）
9. RAGAS RAG 评测框架（https://docs.ragas.io/）
10. vLLM 推理引擎（https://docs.vllm.ai/）
11. LiteLLM 统一网关（https://docs.litellm.ai/）
12. Pinecone 向量数据库（https://docs.pinecone.io/）
13. Qdrant 向量数据库（https://qdrant.tech/documentation/）

作者：Knock | 约 7500 字

如果觉得有用，欢迎转发给正在搭建 AI 系统的朋友。

登录查看剩余 70% 内容