# Alibaba Cloud open-sources an AI Agent Handbook on taking enterprise agents to production

> Original title: 阿里云开源《AI Agent Handbook》：用 Harness 把企业 Agent 从试点推到可治理生产

- Source: meng shao
- Published: 2026-10-30T01:14:45.000Z
- Bad Influence: https://badinfluence.news/items/bascdbkcxns838ir31wz6h3fv
- Original: https://x.com/shao__meng/status/2115975663148765204

## Summary

Alibaba Cloud has open-sourced the AI Agent Handbook, a lifecycle guide to enterprise agents covering architecture, building, running, governance and tuning, with a 2026 survey. The survey says about 46% of respondents have built or are building agents, but only about 18% have deployed to production. It reports that about 90% face context and memory needs, that roughly 8% rely on automated trajectory evaluation, and that only about 9% have deployed MCP privately within their enterprise.

## Post

阿里云开源《AI Agent Handbook》：用 Harness 把企业 Agent 从试点推到可治理生产

企业级 Agent 全生命周期实践手册：架构、构建、运行、治理、调优，外加调研与案例，开源地址：
https://github.com/aliyun/ai-agent-handbook

手册为何重写？
前言归纳三大新挑战：让概率智能变成能扛关键任务的可靠生产力；在稳定、安全、性能、成本上做成可大规模部署的基础设施；让 Agent 进入核心业务流程，而不是停在孤岛试点。写作目标还包括统一术语（Harness、Runtime、Agent、Workflow 等），减少「同一词各说各话」被模型放大后的混乱。

2026 年调研结果
· 投入成共识：已开发完成或开发中合计约 46%（去年约 36%）；真正部署到生产约 18%；持续迭代更低。
形态共存：单 Agent 约 40%、多 Agent 约 42%、以 HITL 为主要架构约 15%——自主度是可调参数，不是新旧替代。
编码最先规模化：采购 Coding 工具约 57%，通用 Agent 框架约 78%，近四成两者并用；市场碎片化，可迁移工程抽象比押单一厂商更稳。
构建后难点：上下文/记忆需求约 90%；多模型路由与成本治理约 63%；评估上人工抽查约 55%，基于轨迹自动评估不足约 8%。
成功率：达 90% 以上约一成；约 16% 根本没量化过成功率。有评估体系的团队，高成功率比例明显高于无评估者（文中对比）。
MCP：关注或落地合计约 37%，企业内私有部署仅约 9%；缺的是注册中心、身份鉴权、版本灰度、审计与网关，不是「懂不懂协议」。
成熟度 L1–L4：辅助生成 → 受控自动化 → Agentic Execution → Managed & Optimizing；全书后半部基本在回答如何从 L2 往 L3/L4 走。

手册整体结构
· 架构（1–2）：Agentic Application 边界、企业成熟度、参考架构（组件 / 平台责任 / 生命周期）
· 构建（3–6）：以 Harness 为核心：范式与责任边界；任务编排与长程推进；上下文、状态、Memory/Knowledge/Skill；受控行动（Function Calling、MCP、A2A、HITL、验证闭环）
· 运行（7–12）：Runtime 与沙箱；状态存储与语义资产；AI 网关统一 LLM/MCP/Agent 流量；异步与自动化；Multi-Agent；分布式通信
· 治理（13–16）：可观测与成本归因；安全（注入、鉴权、高危授权、出域）；Prompt/Skill/MCP/Agent 资产管理；上线前仿真与质量验证
· 调优（17–24）：模型侧（SFT、Agentic RL、蒸馏等）与 Agent 侧数据飞轮：Trace→Trajectory、黄金数据集、Badcase、受控自进化、边缘运行时
· 实践（25–29 + 专题）：研发效能、设计工程、运维与企业 IT、客户销售运营、GOAI Agent Infra；另有 Jev 决策模型专题、Personal Agent / Agent as a Service 专题
· 展望（30）：从 Agentic Application 走向 Agentic OS

![](https://badinfluence.news/api/img-proxy?u=https%3A%2F%2Fpbs.twimg.com%2Fmedia%2FHV10o9FbUAAWE_P.jpg&mode=thumb&exp=1793577600&sig=ca6e7b4bee42e3d3)