这个五层结构AI Enablement Stack，把真正可用的AI Agent技术栈生态讲透了

图片

• AI赋能栈AI Enablement Stack，构建更全面可用的AI Agent
• AI赋能栈AI Enablement Stack，更全面的AI Agent技术栈
• 这个五层结构的AI Enablement Stack，把真正可用的AI Agent技术栈讲透了
• 理解AI赋能栈AI Enablement Stack，AI Agent开发与构建少走弯路
• AI Enablement Stack：全面分类与生态补缺，推动AI Agents潜力最大化

尽管已在AI开发领域投入了数十亿美元，但编码Agents仍受制于原始的工具。AI技术堆栈不断涌现，却没有一个是专门为编码Agents脱颖而出量身打造的。

如今，这些Agents面临着两大关键挑战。其一，Agents的编码方式就如同人类使用记事本一样——没有集成开发环境（IDE）的辅助。这导致了效率低下的问题：迭代次数增多、token消耗增大以及结果缺乏一致性。

其二，大多数Agents缺乏操控基础设施（daytona称之为“人工智能工作空间”）以动态测试和验证代码的能力。相反，它们大多仅限于执行基本的文件操作，如读取和写入代码，却无法在实际环境中执行、测试或验证其输出结果。这种缺乏运行时上下文的情况严重影响了它们的效能。

GitHub Copilot、Cursor或Cody等AI编码助手，会在你工作时建议代码改进。这些工具功能足够强大，但它们面临很大的限制：通常只能在单个文件中运行，并且无法访问您的完整开发环境。这限制了其完全理解和模拟项目行为的能力。

即使Cursor等工具引入了“影子工作区（shadow workspaces）”等功能，AI仍然无法完全访问动态、全面的环境，以在不中断你工作的情况下安全地进行测试和迭代。

为了改变这种情况，我们需要一种新的解决方案：与Agents无关的中间件基础设施。这种中间件充当一个强大的基于云的系统，可以动态地为AI Agents创建隔离的工作空间——或者说沙箱。

可以将其视为漫威电影宇宙中的多元宇宙，每个新的变化都会衍生出自己的时间线，在这种情况下，就是一个沙箱。这种设置允许人工智能在不同的沙箱中独立运行实验、探索解决方案并进行迭代，而不会影响您的主要项目。当一条路径被证明有价值时，人工智能可以将那些经过测试的解决方案无缝地集成回你的代码中。

这种中间件可动态创建隔离工作区或沙箱供AI Agent运行，让AI能在不影响主项目的情况下进行实验、探索和迭代，找到有价值方案后无缝集成回代码。

它能解决AI编码代理面临的有限上下文和实验干扰问题，使编码代理从以文件为中心的助手转变为能独立分析解决问题的合作伙伴，并且相比传统云平台，其通过自动化高效资源管理降低成本和工作负载。实现该中间件需具备动态环境管理、全面系统交互、工作区知识图谱和独立AI身份等功能。

让Agents突破文件操作限制，利用动态工作空间进行测试和完善的重要性。若不具备这些能力，AI Agents将受到掣肘，无法验证自身的工作成果，也难以确保取得成功的结果。

为应对这些挑战，daytona绘制出了人工智能赋能栈AI Enablement Stack。这一全面的分类体系对AI Agents有效运行所必需的工具和平台进行了分类，同时突出了当前生态系统中必须填补的关键空白，只有这样才能让编码Agents充分发挥其潜力。

AI Enablement Stack的分类体系明确了AI Agents运行所需关键工具与平台，值得对智能体感兴趣的朋友尤其是产品经理和开发人员全面理解和掌握。

为什么需要人工智能赋能栈？

大多数现有的人工智能技术堆栈以列表形式呈现——将众多公司归类在通用的标题之下，通常是为了勾勒竞争格局，而非针对特定用例来映射解决方案。这些栈虽提供了一定的清晰度，但却未能满足为现实世界应用构建人工智能系统的实际需求。

daytona预见，在未来，无论是公司还是个人都将创建自己的专属AI Agents，以满足多样化的用例需求。这些Agents可用于解决内部挑战，也可能融入更大的系统之中，从而提升客户体验，让产品或服务变得更加高效、易用。

这种理念很简单，因为世界正朝着高度Agents的未来迈进。随着这一转变的推进，绘制出创建功能强大、可投入生产的Agents所需的所有构建模块至关重要。这不仅有利于当前已列出的供应商，也有益于这些工具的未来使用者。在每天都有新公司和新技术涌现的领域，这能为他们提供清晰的指引，帮助他们了解有哪些可用资源来实现自身的Agents目标。

daytona创始人兼CEO伊万·布拉津（Ivan Burazin）和尼古拉·巴利奇共同创建的AI Enablement Stack正是为了提供这样的指引。这是一个五层架构，从基础基础设施开始，逐步构建直至面向消费者、能创造实际价值的AI Agents。每一层都具备关键能力，这些能力相互结合，能够释放AI Agents的全部运营潜力。

AI赋能栈AI Enablement Stack的分类体系明确了AI Agents运行所需工具与平台，指出了生态关键空白以助编码Agents发挥潜力，值得对智能体感兴趣的朋友尤其是开发人员全面理解和掌握。

AI Enablement Stack以代码形式维护在其公共GitHub仓库中。如果你发现缺少某个供应商或需要更新任何信息，可以直接通过拉取请求进行贡献。一旦获得批准，栈的可视化界面和README.md文件列表会自动生成更新，以确保其始终是最新的。

GitHub仓库：https://github.com/daytonaio/ai-enablement-stack

理解五层架构

AI Enablement Stack由五个相互关联的层次组成，为AI Agents的开发提供了完整的基础。从基础设施开始，依次经过智能、工程和治理等层次，每一层都提供关键能力，通过面向消费者的Agents创造价值。让我们来探讨每一层的作用。

  第一层-基础设施：奠定基础Infrastructure: Starting from the Foundation

AI Enablement Stack的基础是基础设施层，它是支持所有人工智能开发和部署的支柱。该层由三个基本组件构成：云服务提供商、模型访问和人工智能工作空间，这些组件确保人工智能系统能够高效地构建、测试和部署。

云服务提供商为训练和运行人工智能模型提供可扩展的资源。例如，谷歌云拥有专门的硬件（如张量处理单元）和人工智能管道工具；而像CoreWeave这样的公司则利用英伟达图形处理器。

在此基础之上是模型访问层，它确保与人工智能模型的交互和部署。Cohere提供了一个用于访问先进语言模型的应用程序编程接口（API），使开发者能够直接将这些功能集成到他们的应用程序中。Hugging Face拥有丰富的预训练模型和工具库，使开发者能够部署和微调人工智能系统。

最后，在这一层的顶部是人工智能工作空间，开发者和AI Agents在此互动以创建和优化人工智能系统。例如，Daytona提供人工智能工作空间管理，支持个人或大规模企业的Agent工作流程。

  第二层：智能：认知核心Intelligence: The Cognitive Core

AI Enablement Stack的中心是智能层，这是驱动人工智能系统的认知核心。该层包括三个基本组成部分：框架、知识引擎和专业模型，它们共同推动处理、决策和信息检索。

专业模型为人工智能系统带来了特定领域的专业知识。例如，Codestral专注于生成结构化、高质量且针对特定行业的代码，帮助企业快速原型制作和部署软件解决方案。Poolside Malibu擅长将上下文数据整合到人工智能工作流程中。

知识引擎侧重于信息检索、组织和上下文理解。Pinecone专门研究向量数据库技术，使人工智能系统能够在大型数据集中进行高效且可扩展的搜索。Supabase凭借其开源关系数据库功能，通过提供结构化数据存储和快速查询来补充这一点，确保AI Agents能够随时获取正确的数据。这些工具共同实现了无缝的数据处理和检索，使人工智能系统能够提供精确、具有上下文感知的输出。

框架为构建人工智能应用程序提供了基础工具。LangChain已成为关键参与者，使开发者能够将多个人工智能模型和数据源整合到连贯的工作流程中。同样，PydanticAI简化了结构化、模式感知的人工智能交互的创建，使在智能系统中管理复杂的输入和输出变得更加容易。

  第三层：工程——开发者工具包Engineering - The Developer's Toolkit

工程层作为开发者构建人工智能应用程序的工具包，弥合了原始人工智能能力和生产就绪解决方案之间的差距。该层包括训练模型、开发应用程序以及通过测试确保质量的基本工具和资源，使开发者能够创建健壮可靠的人工智能系统。

测试和质量保证确保人工智能系统可靠运行并符合生产标准。LangSmith是LangChain生态系统的一部分，为人工智能链提供了一个强大的调试和评估框架，帮助开发者测试和优化复杂工作流程的性能。结合Weights&Biases的跟踪功能，开发者获得了强大的系统来诊断问题并在迭代过程中提高模型性能。

工具使开发过程中的人工智能系统编排和优化无缝衔接。Greptile简化了为人工智能工作流程提取、转换和管理数据的过程，确保模型使用高质量且与上下文相关的数据。PromptLayer为提示管理和调试提供了强大的解决方案，帮助开发者跟踪更改、尝试配置并优化提示与人工智能模型之间的交互。这些工具确保开发工作流程顺畅、高效且记录详尽。

训练和微调工具是该层的核心，使开发者能够训练和优化人工智能模型。这些工具确保人工智能模型高效、准确，并针对预期任务进行了优化。Bloop和LLM Stack在微调和操作人工智能工作流程中发挥着关键作用。Bloop简化了代码搜索和理解，为开发者在人工智能开发过程中导航和管理大型代码库提供了强大的工具。LLM Stack工具增强了大型语言模型的定制和部署，简化了将这些系统适应特定用例的过程，同时优化了它们在生产中的性能。

  第四层：可观测性与治理——控制层Observability and Governance - The Control Layer

可观测性与治理层是人工智能赋能栈的控制层，确保人工智能系统得到有效的监控、评估、保护和管理。该层包括四个基本组成部分：开发管道、评估与监控、风险与合规以及安全与访问控制，这些部分确保人工智能系统可靠、透明地运行，并符合组织标准。

安全和访问控制确保人工智能系统免受未经授权的访问和恶意行为的侵害。LiteLLM提供了轻量级的解决方案来管理API安全，确保敏感的人工智能工作流程得到保护并且访问得到有效控制。

风险与合规。人工智能系统必须符合道德和监管标准，这一部分确保与之保持一致。Guardrails AI将护栏直接集成到人工智能工作流程中，以防止意外行为并确保负责任地使用人工智能。Lakera提供了评估人工智能模型的伦理影响和风险的治理工具，帮助团队管理责任并遵守合规框架。这些工具减轻了风险并促进了人工智能开发和部署中的问责制。

评估与监控。这一部分跟踪人工智能系统的性能、完整性和健康状况，以防止漂移、异常和性能下降。Pydantic Logfire提供了针对人工智能模型定制的结构化日志记录和性能监控。WhyLabs提供了全面的工具来监控数据质量，帮助实时识别变化或不一致性。此外，TraceLoop有助于调试和评估人工智能管道，提供对系统行为的洞察并提高可靠性。这些工具使团队能够维持系统性能并确保可靠的输出。

开发管道确保人工智能系统高效地构建和部署，具有简化模型生命周期管理的工具。Portkey使开发人员能够在人工智能应用开发的不同阶段自动化和优化工作流程。Baseten支持机器学习模型的快速部署和管理，而LangServe则专注于可靠且可扩展地提供语言模型。这些工具共同确保人工智能开发保持顺畅并适应不断变化的需求。

  第五层：Agent消费者层——界面层Agent Consumer Layer-The Interface Layer

Agent消费者层代表了人工智能赋能栈的顶点，人工智能的力量在这里转化为有形的、面向用户的应用程序。在这一层，由底层基础设施、智能和工程层赋能的AI Agents与用户和系统互动，提供现实世界的价值。

这一层拥有各种各样的Agents，从能够独立运行的完全自主系统到增强人类生产力的辅助工具，再到针对细分任务定制的专用Agents。当Agents利用下面各层构建的能力时——从基础设施和智能到工程控制和治理——这一层的真正力量得以显现。

构建未来的Agentic AI生态系统

尽管今天的Agents示例令人印象深刻，但它们仅仅代表了可能性的开端。学术以及商业所设想的未来，将出现无限数量的Agents来解决大量用例。这些Agents不仅将解决高度专业化的问题，还将赋予个人和组织创建符合其独特需求的定制解决方案的能力。

Agent消费者层不仅仅是界面——它是整个AI赋能栈潜力的实现。下面的每一层都为使这些Agents具有功能性、可靠性和影响力做出了贡献。随着AI Agents成为软件开发不可或缺的一部分，它们的生态系统将在复杂性和实际影响方面不断扩大。

如果你对AI Enablement Stack感兴趣，可以通过供应商、更新信息以及社交网络分享的形式，助力daytona完善这个AI Agents生态系统，助力塑造AI开发的未来。

参考资料：

Building Better AI Agents: The AI Enablement Stack：https://www.daytona.io/dotfiles/building-better-ai-agents-the-ai-enablement-stack#layer-4-observability-and-governance-the-control-layer

What is AI Agent-Agnostic Infrastructure Middleware：https://openhands.daytona.io/infrastructure

本文转载自​​​王吉伟​​​，作者：王吉伟