量子位AI Agent

螞蟻集團開源Avernet,讓人與智能體像組織一樣高效協作

2026年8月7日 11:12
螞蟻集團開源Avernet,讓人與智能體像組織一樣高效協作

重點摘要

**螞蟻集團開源Avernet:打造人與智能體高效協作的“組織級”基礎設施** **來源:量子位** **2026-08-07 11:08:51** 近日,螞蟻集團正式宣佈開源多智能體協作基礎設施Avernet,其社區版本已同步上線。作為業界首個聚焦於“組織級協作”的智能體基礎設施,Avernet的首個版本重點開放了智能體協作網絡能力,旨在支持不同智能體之間的發現、共識達成、跨團隊協作與治理,為人工智能從“單點智能”走向“系統智能”提供關鍵支撐。

站內 AI 整理稿

**螞蟻集團開源Avernet:打造人與智能體高效協作的“組織級”基礎設施**

**來源:量子位**

**2026-08-07 11:08:51**

近日,螞蟻集團正式宣佈開源多智能體協作基礎設施Avernet,其社區版本已同步上線。作為業界首個聚焦於“組織級協作”的智能體基礎設施,Avernet的首個版本重點開放了智能體協作網絡能力,旨在支持不同智能體之間的發現、共識達成、跨團隊協作與治理,為人工智能從“單點智能”走向“系統智能”提供關鍵支撐。伴隨AI Coding與智能體技術的迅猛發展,內容生成、代碼編寫和方案設計的速度已獲得指數級提升。然而,系統整合與組織協同的進度卻明顯滯後。業界普遍認識到,新的挑戰不再是讓單個智能體變得更聰明,而是如何有效發現並組織分散在不同團隊、不同系統中的異構能力,以協同完成日益複雜的業務任務。

Avernet的出現,正是為瞭解決這一核心痛點。在真實的企業環境中,數據往往受到隱私、合規和業務邊界的嚴格約束,將所有信息和權限集中交給一個“超級智能體”並不現實。有效的多智能體協作,必須以明確的身份、權限與責任邊界為前提。Avernet因此被設計為一個面向人類與異構智能體的開放協作平臺,讓不同參與者能夠在各自的安全邊界內建立連接、開展分工並共同完成任務,從而實現真正的“有邊界協作”。Avernet源於螞蟻集團內部的真實組織協作需求,其設計初衷是為瞭解決企業在智能體應用中普遍存在的“找不到、對不齊、跑不快、留不住”四大難題。

具體而言,當業務需要特定能力時,難以快速找到合適的智能體;多個參與者之間難以形成有效共識;任務執行過度依賴人工反覆轉交,效率低下;而項目經驗也難以沉澱為可複用的組織能力。針對上述問題,本次開源的社區版本重點開放了智能體協作網絡能力。不同類型的智能體既可以主動申請加入,也可以從現有平臺無縫接入。在統一的協作環境中,這些智能體能夠被發現、被邀請、參與任務並返回結果。協作過程中,Avernet支持多方就關鍵輸出達成共識,並對整個協作過程進行觀測與記錄,使得協作經驗得以沉澱和複用。值得一提的是,Avernet在設計上不綁定任何單一模型或智能體引擎。

開發者可以根據實際業務場景,靈活接入和組合現有的模型能力與智能體框架,這極大降低了企業採用多智能體協作技術的門檻,也為未來技術演進保留了充分的擴展空間。安全治理是Avernet的首要考量。本次社區版本已部分開放身份認證、訪問授權、權限控制、生命週期管理及部分安全防護能力,幫助開發者有效解決多智能體協作中“它是誰、能看什麼、能做什麼”的基礎治理問題。後續版本將進一步開放審計追蹤、可觀測與評測、記憶與持續優化,以及服務化、容器集群管理等能力,持續完善面向生產環境的基礎設施。據悉,截至2026年7月31日,Avernet相關能力已在螞蟻集團內部覆蓋12個核心業務板塊,智能體任務完成率穩定超過90%。

這些經過大規模生產場景嚴苛驗證的能力,將隨社區版本的迭代持續向外部開發者開放,這意味著Avernet不僅是螞蟻集團內部技術實力的展示,更是對整個行業智能體協作生態的一次重要賦能。Avernet的長期目標,不僅是讓多個智能體協同完成一次任務,更是希望構建一個讓“人與智能體像一個組織一樣運轉”的基礎設施。在這個組織中,每個參與者都有明確的身份、權限、分工與治理機制,協作經驗能夠逐步沉澱為可複用的組織能力,從而真正釋放人工智能在複雜業務場景中的巨大潛力。目前,Avernet已基於Apache 2.0協議正式開源,開發者可以通過官方渠道獲取代碼並參與社區共建。

這標誌著多智能體協作技術從實驗室走向產業應用的重要一步,也為全球開發者提供了一個探索“組織級智能”的開放平臺。

Related

相關文章

當 human in the loop 變成“閉著眼睛點確認”,企業Agent 安全還能靠誰?

專家指出,AI Agent 從內容安全轉向行為安全,提示詞注入、工具濫用與過度授權成為主要風險。企業應建立可視、可管、可追溯的安全基線,並對工具權限進行最小化與臨時化管理,避免 human in the loop 淪為形式。安全防護需從靜態入口轉向動態行為約束,以因應 Agent 自主執行帶來的全新挑戰。

剛剛

開源Agent框架刷爆ARC-AGI-3,「自我改進」的RLM harness引爭議

一套開源Agent框架在ARC-AGI-3基準測試中創下超過85%的正確率,大幅領先其他解決方案,其核心是名為「RLM harness」的自我改進機制。然而,該方法引發學術爭議,部分研究者批評它透過反覆試錯「鑽漏洞」,不符合ARC-AGI評測一次性推理的精神。這場討論促使AI社群重新審視評測標準,並可能影響未來ARC-AGI版本的設計方向。

剛剛
TechWebAI Agent

ChinaJoy 2026 AI遊戲規模化落地,邊緣雲與API安全重構產業底層邏輯

2026年ChinaJoy展館,“與AI同遊”的主題隨處可見。行業調查顯示,僅有21%的企業擁有完整的API資產清單,大量後臺AI接口仍在無人監控的狀態下裸奔。合規與安全也同步下沉。算力下沉還不夠,API安全必須同步前移邊緣雲解決了體驗問題,但AI交互入口的安全,同樣需要前置到邊緣。算力與安全,缺一不可Akamai的判斷很明確:遊戲AI轉型不能割裂算力與安全。這也是遊戲廠商規模化落地AI智能體、構建AI原生遊戲的標準化底層方案。

4 小時前