正在加载，请稍候
2026年8月蚂蚁开源Avernet，已在内部12个业务线跑通90%完成率。它不是一个AI框架，而是多智能体协作网络层——解决发现、共识、治理三个企业级难题。
2026 年 8 月 7 日，蚂蚁集团正式开源 Avernet——一个面向人机混合组织的多智能体协作基础设施。它在蚂蚁内部已覆盖 12 个核心业务板块，任务完成率稳定超过 90%。这不是又一个让单个 AI 变得更聪明的框架，它要解决的是更棘手的工程问题：多个 AI 智能体之间如何像团队一样协作。
过去两年，企业内部 AI 应用从实验品走向生产环境，但绝大多数团队都撞上了同一堵墙：把多个部门的数据和权限汇集到一个超级系统里，在工程上不可行。蚂蚁在 Avernet 设计文档中明确指出：数据受到隐私、合规和业务边界约束，难以将所有信息集中交给一个"超级智能体"。
拆开看有三重约束。第一，数据隐私——风控部门的交易日志和客服部门的对话记录，法律上就不能放在同一个模型上下文中。第二，合规边界——金融、医疗等场景要求每次操作都能追溯到具体角色，一个"万能系统"会让审计变成灾难。第三，权限治理——不同团队对同一数据源的读写权限不同，单点模式下只能做全有或全无的粗粒度控制。
这也解释了为什么我们在AI 落地企业的三个工程债中反复强调：授权、上下文、成本三者不可偏废。超级智能体的思路本质上是绕过治理，而企业场景恰恰不允许你绕。
这套系统的设计出发点是解决蚂蚁内部实际遇到的四类协作问题，官方概括为八个字："找不到、对不齐、跑不快、留不住"。首个社区版本开放了四项核心能力来逐一应对。
不同类型的 AI 能力可以主动注册加入协作网络，也可以从现有平台无缝接入。在统一环境中，它们能被其他参与者发现、邀请、参与任务并返回结果。这解决了"找不到"——不再是每个团队各自维护一份能力清单，而是有一个活的、可查询的目录。
多个参与者协作同一任务时，平台支持就关键输出形成共识。这不是简单投票，而是在任务执行的特定节点上，多方对中间产物达成一致后再推进。类比人类团队中的评审会——只不过参与者中既有 AI 也有人。
每一步协作都被记录下来：谁调用了谁、输入是什么、输出是什么、共识结果如何。这让经验得以沉淀和复用——下一批新人或新系统加入时，不需要从零开始摸索协作模式。这也是4590 组实验揭示的多智能体为何总在重复犯错的根因解药：没有观测就没有改进。
安全治理是首要考量。社区版本已部分开放了三个基础问题的答案："它是谁、能看什么、能做什么"——即身份认证、访问授权和权限控制。后续版本还将补充审计追踪、生命周期管理和安全防护。
值得强调的是，Avernet 不绑定单一模型或引擎。开发者可以按业务场景灵活接入现有能力。这意味着不需要为了用它而重写已有的 AI 系统——它更像一个"协作中间件"而非又一个框架。
截至 2026 年 7 月 31 日，这套协作基础设施已在蚂蚁内部覆盖 12 个核心业务板块，任务完成率稳定超过 90%。这个数字放在实验室不算惊人，但放在蚂蚁量级的真实生产环境中——涉及支付、风控、信贷、保险等多个强监管业务线——就相当有说服力了。
哪些场景跑得好？边界清晰、规则明确的任务——跨系统的数据核对、合规检查流程、多环节审批链路。这些场景的共同特点是输入输出可标准化、成功标准可量化。
哪些仍需人工兜底？跨域决策。当任务涉及多部门利益权衡或策略判断时，共识机制可以提供选项和依据，但最终决策权仍保留在人手里。这不是技术缺陷而是设计选择——它的定位是"协作基础设施"而非"自动决策引擎"。这一点在AI 生产化部署中也讨论过：PoC 跑通只完成了 30%，剩下的 70% 是组织适配和流程改造。
如果把 2026 年的 AI 基础设施画一条分层线，Avernet 和 LangChain Managed Deep Agents 恰好落在不同层次上，形成互补而非竞争关系。
| 对比维度 | Avernet（蚂蚁） | LangChain Managed Deep Agents |
|---|---|---|
| 定位 | 多智能体协作网络层 | 单智能体托管运行时 |
| 核心能力 | 发现、多方共识、协作治理、身份权限 | 执行环境、长期记忆、追踪评估、部署运维 |
| 解决的问题 | "多个 AI 怎么协作" | "单个 AI 怎么可靠运行" |
| 协议/标准 | 不绑定引擎，兼容多模型 | LangSmith 平台原生集成 |
| 开源协议 | Apache 2.0 | 部分开源 + 托管服务 |
| 适用场景 | 跨团队、跨系统、跨组织边界的协作 | 从开发到生产的全生命周期管理 |
简单说：LangChain 让你把一个 AI 管好，Avernet 让你把一堆 AI 组织起来。两者不是二选一。一个务实的架构可能是：用 LangSmith 管单个系统的执行和记忆，用 Avernet 做跨系统的发现和共识——这正是A2A 与 MCP 协议在 2026 年生产环境的分工所讨论的核心理念：系统间通信和系统对工具通信是两个不同层次，需要不同的协议和基础设施。
不是每个企业现在就需要 Avernet。下面这份自检表帮 CTO 判断团队处于哪个阶段。
| 维度 | L1：起步期 | L2：扩展期 | L3：协作期 |
|---|---|---|---|
| AI 智能体数量 | 1–3 个独立运行 | 5–15 个，开始出现跨系统调用 | 20+ 个，来自不同团队 |
| 协作模式 | 人工编排，手动串联 | 有简单工作流引擎 | 需要动态发现 + 共识机制 |
| 权限治理 | 无或极粗粒度 | 按团队划分但跨团队混乱 | 需要细粒度"谁-看什么-做什么" |
| 可观测性 | 看日志 | 有追踪但缺协作链路视图 | 需要端到端协作过程记录 |
| 建议动作 | 先用托管方案跑通单点 | 开始规划协作网络层 | 评估 Avernet 或同类基础设施 |
如果你的团队目前还在 L1，优先把单个 AI 系统跑稳——LangChain Managed Deep Agents 或自建运行时都行。一到 L2，跨系统调用链就会逼着你思考"发现"和"共识"问题。到了 L3，Avernet 这类协作基础设施就不再是"nice to have"，而是"没有它协作成本会吃掉所有效率收益"。
A2A（Agent-to-Agent）是 Google 提出的智能体间通信协议标准，定义了彼此之间如何发现、交互和交换信息。Avernet 可以理解为A2A 的一个生产级实现——在协议之上补充了共识、治理、可观测性和组织级权限控制。
不。蚂蚁内部覆盖的 12 个业务板块横跨支付、风控、信贷、保险、合规等多个领域，设计本身是领域无关的。任何存在"多团队、多系统、需要跨边界协作"的场景——供应链、智能制造、医疗协同——都可以复用其协作网络模式。
社区版本的核心协作网络能力与内部版本一致。后续版本将逐步开放审计追踪、可观测与评测、记忆与持续优化、服务化与容器集群管理等已验证能力。开源的节奏是"先放骨架、再补血肉"。
暂时不需要。3 个系统之间的协作靠人工编排或简单工作流就够了。但当数量跨过 10 个，且来自不同团队、使用不同技术栈时，"找不到"和"对不齐"的问题会指数级增长。建议参照上面的成熟度自检表，在 L2 阶段开始预研。
蓝曜炬辉（广州市蓝曜炬辉科技有限公司）专注 AI 应用开发与企业级多智能体架构落地。团队正在从单系统向多系统协作演进？联系我们做一次免费的技术评估。
]]>