企业 AI 智能体应用架构 — 2026 全景综述
一句话：2026 H1 是企业级智能体架构从 POC 到生产的分水岭年——业界（Tyk / VDF / MLflow / ISG / 腾讯 / 葡萄城）收敛到一套清晰的层化 + 模式化体系：控制平面（Control Plane）+ 多 Agent 编排 + 全栈治理。
🎯 6 大行业共识（来自 12 篇一手源对照）
共识 1：架构 ≠ 模型（全栈是地基）
| 来源 | 表述 |
|---|---|
| 71-RTSLabs-7-Core-Layers-Enterprise-Agentic-AI | ”把 Agent 当 LLM 集成的企业会在生产规模处卡死” |
| 78-Tencent-企业级Agent-AI-Native架构设计与实践 | AI 集成 ≠ AI Native：加 AI 功能 vs 用 AI 重构 |
| 69-ISG-Agentic-Orchestration-Governance-First | 企业 AI 挑战不再是模型性能，是控制平面设计 |
共识 2：多 Agent 是 2026 默认（单体 Agent 已被淘汰）
| 来源 | 表述 |
|---|---|
| 70-MLflow-Building-Production-Ready-AI-Agents-2026 | Monolithic 原型快、生产脆——Google Bake-Off 实证 1h→10min |
| 73-Internative-Multi-Agent-Enterprise-6-Patterns | 2026 下半年生产 = 多 Agent + 控制器 |
| 76-Tencent-MAS-从笨重设计到多智能体架构 | 笨重设计三宗罪——必须转 MAS |
| 74-ClarityArc-Agentic-AI-Architecture-Enterprise-2026 | 多 Agent = 组织最大价值释放点 |
共识 3：Manager Pattern 是主导编排模式
模式：高智能模型编排 + 小快便宜模型执行（与 Brain-Hands-Decoupling 高度一致）
| 来源 | 表述 |
|---|---|
| 74-ClarityArc-… | ”编排 Agent 不干活，它管理干活的 Agent” |
| 73-Internative-… | Hierarchical / Manager-Worker 模式 |
| 68-Tyk-AI-Agent-Orchestration-Enterprise-Guide | Hierarchical 是企业默认推荐 |
| 76-Tencent-MAS-… | Router + Executor + Auditor |
共识 4：协议层标准化（MCP + A2A）
| 协议 | 用途 | 治理 |
|---|---|---|
| MCP-Model-Context-Protocol | 工具暴露 | Anthropic 主导，2025-11 升级 OAuth 2.1 |
| A2A-Protocol | Agent 间通信 | Linux Foundation 治理（2025 IBM ACP 合并） |
金句（ISG）：“MCP + A2C = vendor-neutral control plane 的连接组织”
共识 5：状态外部化（生产必备）
单 LLM 会话内存太脆——必须外部化到：
- 数据库：Redis / Postgres
- 持久化执行引擎：Temporal / Inngest / Restate
- 图编排框架：LangGraph checkpointer
- 协议自带：A2A 的 Task 对象含 contextId
腾讯版（78-Tencent-…）：4 层记忆体系
- 工作记忆（短期，会话内）
- 情景记忆（跨会话）
- 语义记忆（知识库）
- 程序性记忆（SOP / Skill）
共识 6：治理是基础设施，不是软护栏
| 来源 | 关键技术 |
|---|---|
| 70-MLflow-Building-Production-Ready-AI-Agents-2026 | Privilege Rings + Kill Switches（Microsoft AGT v3.6.0） |
| 74-ClarityArc-… | Bain 阶段化：治理必先于编排和规模 |
| 72-VDF-AI-Agent-Platforms-7-Patterns-2026 | Observability & Audit Plane（第 7 模式） |
| 79-Grapecity-Enterprise-AI-Agent-Whitepaper-2026 | 智能体独立身份体系 + 细粒度策略引擎 |
📐 4 大架构参考模型对照
模型 A：Tyk 4 组件（编排为中心）
- Orchestration Engine（编排引擎）
- State Management Layer（状态管理层）
- Policy & Governance Engine（策略与治理引擎）
- Tool Layer（工具层）
模型 B：RTSLabs 7 层（全栈分层）
- Experience & Interface
- Orchestration & Workflow
- Agent & Reasoning
- Tools & Integrations
- Data & Knowledge
- Observability & Control
- Platform Infrastructure & Governance
模型 C：腾讯 7+2（中国语境）
垂直 7 层：业务应用 / 应用网关 / Agent Core / AI 网关 / 大模型 / 知识&数据 / 基础设施 2 横切：可观测&评估 / 安全治理&合规
模型 D：ClarityArc 3 层（极简层）
- Data & Integration Foundation
- Governance & Controls
- Orchestration & Agent Coordination
🧩 7 大模式（VDF AI）vs 6 大模式（Internative）vs 4 大拓扑（arXiv）
| VDF AI 7 模式 | Internative 6 模式 | arXiv 拓扑 |
|---|---|---|
| Orchestrator-Worker | Hierarchical / Manager-Worker | Tree |
| Supervisor-Router | Router | — |
| RAG Grounding | Tool-Using | Graph |
| Model Gateway | — | — |
| HITL Gates | Critic-Verifier Loop | — |
| Evaluation Loop | — | — |
| Audit Plane | — | — |
| — | Planner-Executor | Chain |
| — | Swarm / Parallel | Mesh |
Internative Koordex 实战经验：典型生产架构层叠 3-5 个模式
🛠 框架对比（4 主流 + 1 协议）
| 框架 | 治理 | Sandboxing | 最适合 |
|---|---|---|---|
| Microsoft AGT | 原生策略引擎 + privilege rings | 容器 | 受监管企业 |
| Google ADK | Supervisor 层 | 有限 | 多 Agent 性能流水线 |
| LangGraph | 手动接线 | 无原生 | 定制图工作流 |
| MLflow Agent Platform | 策略中间件 + AI Gateway | 外部 | 评估 + 观测合一 |
| MCP-Model-Context-Protocol | （协议层） | — | 无论选哪个编排框架都该用 |
中国语境补充（腾讯 7+2）：LangGraph / MAF / Spring AI Alibaba / Dify 是 Agent Core 层 4 选项
📊 生产时间线预期（RTSLabs 实证）
| 部署形态 | 时间 | 首要变量 |
|---|---|---|
| 单 Agent + 治理 | 6-12 个月 | 数据平台成熟度 |
| 多 Agent + 完整可观测 + 合规 | 12-18 个月 | 同上 + 治理基础 |
✅ 采用次序（Bain + RTSLabs + 葡萄城综合）
⚠️ 不可跳跃——跳过某一步会在下一步处卡死
- 选一个高频低风险场景（不是最复杂的）
- 单 Agent + 确定性编排 + 第一天就加可观测和评估管道
- 形式化数据与知识层：治理化检索 + lineage
- 加治理层：策略引擎 + RBAC + HITL
- 单 Agent 跑通后才引入多 Agent 模式
- 平台级治理 + 工具注册中心 + 标准化生命周期管理
⚙️ 关键能力清单（工程师视角）
必备能力
- Orchestrator-Worker 拆解
- Manager Pattern 编排
- MCP 工具集成
- 状态外部化（Redis / Temporal / LangGraph checkpointer / 4 层记忆）
- HITL 审批门禁（高风险动作）
- 可观测（OpenTelemetry + Token / 延迟 / 成本）
- 评估（LLM-as-a-Judge + 离线评估 + 在线评估）
- 审计平面（端到端合规轨迹）
- Prompt 注入防护
- RBAC 权限边界
进阶能力
- A2A 协议（跨厂商 Agent 通信）
- Model Gateway（多模型路由 + 成本控制）
- Privilege Rings + Kill Switches（治理基础设施化）
- Critic-Verifier 循环（输出验证）
- Agentic RAG（vs Naive RAG）
🚨 三大反共识（来自不同 source 实证）
反共识 1：单体 Agent 是陷阱（70-MLflow-…）
“Monolithic agent designs are deceptively easy to prototype but brittle in production.”
反共识 2：多 Agent 不能”什么都用”（73-Internative-…）
“The Three Mistakes Most Teams Make: Multi-Agent for everything; No Verifier; No Observability.”
反共识 3：治理必先于编排（74-ClarityArc-…）
“Bain’s phased approach is explicit on sequencing: governance must precede orchestration and scale.”
🔮 2026 H2 趋势预测（综合 12 源）
| 趋势 | 信号源 |
|---|---|
| A2A 协议成为跨厂商标准 | 68-Tyk-… / 69-ISG-… |
| Model Gateway 进入标配 | 72-VDF-… / 77-Tencent-… |
| AgentOS 概念正式化 | 76-Tencent-MAS-… |
| APaaS（Agent Platform as a Service） | 78-Tencent-… |
| EDD (Eval-Driven Development) 替代 TDD | 78-Tencent-… |
| Privilege Rings + Kill Switches 进入主流框架 | 70-MLflow-… |
🔗 在本 Wiki 中的关系
上层抽象
- Agentic-AI — Agentic AI 整体框架
- Agentic-Engineering — Karpathy 的元学科
同层 / 互补
- Harness-Engineering — 单体 Agent 工程化纪律（本页是平台级延伸）
- Brain-Hands-Decoupling — Session/Harness/Sandbox 三层解耦（Manager Pattern 的理论基础）
- Parallel-Agent-Teams — 多 Agent 并行（本页是规模化延伸）
- 低代码-vs-高代码-智能体建设 — 路径选择（本页是高代码 + 平台路径详解）
下层细化
- AI-工作流平台对比 — 具体平台选型（Coze/Dify/n8n）
- 金融智能体落地 — 金融行业落地实证
- 汽车金融-AI-建设方向 — 汽车金融垂直应用
实体
- MCP-Model-Context-Protocol · A2A-Protocol · LangGraph
- Tyk · Microsoft-AGT · Google-ADK · MLflow-Agent-Platform
- Temporal · Dify · Kong · Higress · Guardrails-AI
💡 一句话总结
2026 企业 AI Agent 架构 = 控制平面 + 多 Agent 编排 + 全栈治理。 6 大行业共识收敛、3 大反共识警示、12-18 月生产时间线、Bain 阶段化不可跳。 架构的胜利不是模型的胜利，是治理基础设施的胜利。