1. 算力竞争进入下半场Agent 成了那个打破平衡的变量过去两年大家聊算力默认聊的是训练集群。万卡、十万卡、H100、液冷、光互联这些词基本等于算力竞争的全部。但到了现在这个阶段行业里一个很明显的转向是大模型的训练门槛已经高到只剩少数玩家在玩而真正开始大规模消耗算力的变成了跑在模型之上的 Agent。华为全联接大会 2026 还没开但华为云联合社区推动 Karmada 正式毕业、喊出 Agentic Cloud 这个口号信号已经很明确了。Karmada 是干啥的它是多云多集群容器编排的事实标准项目从华为云内部走向 CNCF 顶级项目。它毕业这件事放在 Agent 爆发的背景下看就是底座层开始为 Agent 的部署密度和调度复杂度做准备了。我当时看到这个消息的第一反应是Agent 对算力底座的改造已经不只是模型层面的事而是整个基础设施层的事。过去我们给大模型做底座核心是伺候好 GPU把训练任务喂饱。现在给 Agent 做底座核心变成了伺候好一群任务这些任务会自己调工具、自己调模型、自己出错重试、自己互相协作。算力竞争的下半场比的不是谁的卡多而是谁的底座能撑住 Agent 这种全新的负载模型。这篇文章我想从工程落地的角度把我对 Agent 新底座的理解拆开讲清楚。涵盖 Agent 的算力消耗画像、异构算力的调度逻辑、精度选型的实际影响、编排框架与记忆状态的管理以及我在实操中踩过的一些坑。不管你是做 Agent 应用开发、做平台底座还是刚准备入手这个方向应该都能从中找到直接能用的东西。2. 先搞明白 Agent 是怎么吃算力的才能谈底座2.1 Agent 的算力消耗公式推理次数 × 单次 Token 量很多人对 Agent 的算力消耗没有直觉。传统的大模型应用是一次请求一次回答算力消耗基本可以预测。Agent 不一样它的核心循环是理解任务、拆解步骤、调用工具、观察结果、调整计划、继续执行。这个循环意味着一次用户请求背后可能是十几甚至几十次模型推理。我自己在实际项目中测过一个数据一个简单的帮我把这份 PDF 里的数据整理成表格并生成周报任务内部经历了 23 次模型调用累计消耗的输入 Token 超过 80 万输出 Token 约 5 万。换成一个普通 ChatBot同样的任务规模大概只有 2 次调用、不到 1 万 Token。这个量级差接近一个数量级。所以 Agent 底座的第一条设计原则就是不要按并发用户数 × 单次请求成本来算算力要按并发 Agent 实例数 × 单 Agent 平均推理次数 × 单次 Token 量来算。这个公式听起来简单但实际做容量规划的时候几乎没有团队真的按它来。结果就是生产环境一跑GPU 队列全部打满Agent 任务互相等资源整体响应时间直接崩。2.2 内存墙比算力墙更早到来还有一个非常容易被忽略的瓶颈显存带宽和容量。Agent 场景下上下文窗口普遍开得很大几万 Token 的 context 是常态几十万的也越来越常见。大上下文对算力FLOPS的消耗是次要的主要压力在 KV Cache也就是模型推理时缓存的键值对。我在工程实践中粗略算过一个 32B 参数的模型如果上下文开 128K单实例的 KV Cache 就能吃掉 30GB 以上的显存。也就是一张 80GB 的 A100理论上能并发 2 个实例实际跑起来显存先满了算力还闲着。这就是典型的内存墙问题。所以给 Agent 做底座不能只看 GPU 型号和卡数还得看推理引擎对 KV Cache 的优化程度。比如 PagedAttention 这类技术能把 KV Cache 的碎片化问题缓解不少支持更灵活的显存分配。48GB 的 L40S 在这个场景下甚至比 80GB 的 A100 更实用因为 L40S 的显存带宽更高而 Agent 场景恰恰是带宽敏感型。2.3 不同 Agent 负载需要的算力差异极大Agent 不是一种负载而是多种负载的混合。我在做底座设计的时候习惯把 Agent 相关的推理任务分成四类轻量路由型模型需要根据任务决定下一步调用什么工具这类请求 Token 量小但频率极高延迟要求苛刻。深度推理型Agent 在复杂任务中反复自我纠错、规划路径模型可能在单步上思考很长时间Token 消耗巨大。长上下文型读取大量文档、代码仓库或历史对话作为上下文这些请求对 KV Cache 和显存容量要求极高。多模态型Agent 需要同时处理图像、语音、视频这类请求对视觉编码器和交叉注意力部分的算力要求很高。这四类负载对底座的诉求完全不同。有些需要高吞吐的小模型集群有些需要大模型的低延迟推理有些需要大容量显存。一台 GPU 服务器不可能同时满足所有诉求。这也是我后面要展开的异构算力调度的核心动机。3. 底座重构的方向异构算力与 Agent 级调度3.1 异构算力不是可选项是必经之路传统的大模型训练底座追求同构——最好全是同一型号的 GPU方便并行策略设计。但到了 Agent 场景同构的方案完全不成立。原因在于 Agent 的工作流里不同环节需要不同性能特征的算力。举个例子我搭过的一个 Agent 系统里包含了一个 7B 的意图识别模型用 A10 就能扛、一个 72B 的推理主模型需要 A100/H20 级别、还有一个向量化模型用于记忆检索用 T4 就行。如果全部上 A100成本直接翻三倍而且小模型的吞吐能力在大卡上反而因为并发度不足而浪费。这个问题的本质在于Agent 底座要解决的是把合适的任务调度到合适的算力上而不是把最强的算力堆给所有任务。我在生产环境里用的方案是把 GPU 资源池化按卡型划分资源组然后在调度层根据 Agent 当前的执行阶段动态匹配资源组。3.2 Karmada 毕业这件事为什么重要回到开头提到的 Karmada 正式毕业。Karmada 是 CNCF 的多云容器编排项目核心理念是一次建多集群、集中管控配置、故障自动迁移。它从华为云内部孵化到 CNCF 顶级项目本身就说明多云多集群在行业里已经成了刚需。为什么 Agent 底座需要多云多集群两个原因。第一Agent 的负载波动极其剧烈——白天是上班高峰晚上是批量任务高峰周末可能骤降。单云单集群很难做弹性伸缩而多云多集群可以通过跨云调度来平滑波峰波谷。第二Agent 涉及数据合规和就近接入不同地域的数据不能出域只能靠多集群来覆盖。我之前接触过一个 Agent 项目客户在北京和深圳各有一批数据Agent 需要同时访问两边的数据源。如果只部署一个集群网络延迟和合规都是大问题。用 Karmada 做多集群统一管理之后Agent 的任务按数据属地分发到就近集群延迟直接降了一半资源利用率也上来了。Karmada 毕业的意义在于这个方案不再是某个云的私有能力而是行业级的标准化底座。3.3 从任务级调度走向 Agent 级调度传统的作业调度系统是基于任务的用户提交一个任务调度器分配资源任务跑完释放资源。Agent 场景打破了这种模式——Agent 不是一个一次性的任务它是有状态的、长时间运行的、会自己拆分出子任务的实体。这意味着底座的调度器需要具备几个新能力状态感知调度器要能感知每个 Agent 实例当前的执行状态等待工具结果、模型推理中、已挂起才能做出合理的资源分配。优先级继承主 Agent 拆出来的子任务应该继承主任务的优先级避免高优任务被低优子任务拖死。断点续跑Agent 的推理如果在执行中途被抢占被压掉的进度要有办法恢复而不是从头再来。我见过的很多 Agent 底座的失败案例本质上都是拿旧的作业调度逻辑去套新的负载形态。任务队列一长Agent 的超时重试机制就会疯狂触发产生雪崩效应。底座的调度语义不升级上层 Agent 框架怎么优化都白搭。4. Agent 底座的五大支柱算力、编排、记忆、安全、可观测4.1 算力供给从自建到云算力的补充自建 GPU 集群在 Agent 爆发初期还行等到业务量上来绝大多数团队会发现算力不够用。这时候云上算力平台就成了最及时的补充。原因很简单Agent 的负载波动是不可预测的你没法像传统业务那样提前规划容量。目前业界的做法一般是混合模式核心的、延迟敏感的 Agent 推理放在自建集群上弹性的、可延迟的任务放在云算力平台上。比如在高峰期流量上来时把非关键的 Agent 子任务像文档摘要、批量数据处理弹到云上跑等波峰过去再缩回来。在选择云算力平台时我的经验是重点看三件事是否有丰富的卡型可选A10、L40S、A100、H800 都要有、是否支持按小时计费的弹性模式、以及是否提供容器化的推理环境。有些平台还提供预设的推理镜像能省去不少环境配置的时间这个对快速扩缩容很关键。4.2 编排与调度Agent 框架之上的底座层Agent 框架层目前选择很多像 LangGraph、AutoGen、CrewAI 这些各有各的优势和社区生态。但框架解决的是 Agent 内部的逻辑编排解决不了跨实例的资源调度、故障隔离和弹性伸缩。这两层必须分开。我搭建 Agent 底座时的一个核心思路是上层跑 Agent 框架下层用 Kubernetes 和 Karmada 做资源容器化与跨集群调度中间用消息队列解耦 Agent 之间的通信。这个架构的好处是每一层都能独立扩展。具体来说每个 Agent 实例跑在一个 Kubernetes Pod 里通过消息队列接收任务。当任务量上来Kubernetes 的 HPA 自动扩容 Agent 实例数Karmada 负责把新的实例调度到有空闲算力的集群。这个链路下来单集群故障不会影响全局算力不足时可以跨云扩容。4.3 记忆与状态底座必须帮 Agent 记住自己干到哪了Agent 的记忆问题其实是底座层最容易忽视的部分。Agent 不是无状态的——它需要记住用户的目标、已经完成的任务、中间产出的结果、以及对话历史。这些记忆存哪里、怎么取、怎么保证一致性是底座层必须回答的问题。我见过不少团队用向量数据库充当 Agent 的所有记忆这是一个误区。向量检索适合语义召回但它不能保证精确的时序状态恢复——比如 Agent 执行到第 3 步调用了支付接口返回成功但回调未收到时你不能靠向量检索把这个状态找回来。合理的做法是分层记忆操作日志存在日志系统里对话上下文存到缓存里长期事实存在向量库里任务状态存到状态数据库中。底座层的职责是统一管理这些存储并按 Agent 的 ID 提供一致性视图。这样即使 Agent 崩溃重启也能从断点恢复执行。4.4 安全与可观测Agent 底座的两条生命线Agent 安全问题比传统应用更棘手。Agent 会调用外部工具、访问外部网络、并且可能因为错误的规划去做危险操作。底座必须有能力约束 Agent 的行为边界。我目前的实践是把安全策略下沉到底座而不是依赖模型本身的自律。具体做法是在 Agent 的工具调用链路上加白名单校验只允许调用注册过的工具对 Agent 的外部请求做内容检查防止敏感信息外泄对 Agent 的操作做配额限制防止死循环或者无限调用。可观测性方面Agent 的分布式追踪比微服务还复杂。一次用户请求可能触发多个 Agent 协作每个 Agent 又有自己的推理过程和工具调用任何一环出问题都难以排查。底座的日志系统需要记录三类信息调用链追踪哪个用户请求触发了哪些 Agent、模型调用日志每次推理的输入输出和 Token 消耗、工具执行日志每个工具的入参、出参、耗时和错误。4.5 精度与成本int8、fp16、fp32、fp64 到底怎么选最后一个底座层面的问题是精度选型。这个主题最近在社区讨论很多普遍的现象是大家直接套用默认值。默认 fp16 推理、默认不做量化然后发现成本高得离谱。先讲清楚几个精度的本质区别。fp64 是双精度通常用于科学计算AI 推理场景几乎用不到。fp32 是单精度能保证较高的数值稳定性但显存消耗和计算量都大。fp16 是半精度是当前大模型推理的主流选择性能好但容易在某些算子中出现精度损失。int8 是整型量化推理速度最快、显存占用最小但需要做量化校准否则模型精度可能有显著下降。我实际测试过一个 7B 模型在四种精度下的表现。fp32 显存占用约 28GB推理延迟 100msfp16 显存 14GB延迟 50msint8 显存 7GB延迟 35ms。在任务评测集上int8 的准确率比 fp16 低约 1.5 个百分点。对于对话闲聊场景这个差距完全无感但对于写代码或者数学推理1.5% 的下降可能是致命的。所以我的经验是Agent 的主推理模型用 fp16 保精度如果任务对延迟极敏感可以考虑 int8 量化配合重试机制——Agent 本身有纠错能力轻微的精度损失可以通过多次尝试来弥补。这个思路在实际项目中让推理成本降了接近一半。5. 实操指南给 Agent 选配新底座的五个步骤5.1 第一步对你的 Agent 场景做负载画像这一步很多人跳过了但我建议认真做。把 Agent 的典型任务跑一遍记录三个数字单 Agent 任务的平均推理次数、平均 Token 消耗量、峰值并发实例数。这三个数字决定了你底座的形态。我实操时是先用开源模型在本地做压测把任务模板跑 50 遍取中位数。然后根据业务预估的日活和单用户任务频率推算出所需的 Token 吞吐量。再除以单卡能提供的吞吐就能得出一个比较靠谱的卡数估算。5.2 第二步按负载类型选算力高并发低延迟的意图识别类任务用小模型7B-13B用消费级显卡即可。深度推理主模型用中大型模型32B-72B需要 A100/H20/L40S 级别注意显存容量。长上下文分析优先选显存大、带宽高的卡比如 L40S 或 A100 80GB。批量离线任务可以降级用 int8 量化并用消费级显卡分摊。5.3 第三步设计部署架构这个环节把我的标准架构分享一下。底层基础设施是 Kubernetes Karmada管理多个集群可以混合自建和公有云。每个集群内部部署三组服务推理服务vLLM 或 TGI、Agent 运行时跑 Agent 框架、数据服务向量库、Redis、状态库。外层再套一层消息队列作为 Agent 任务的入口。这样做的好处是任务先进队列再由消费者拉取执行不会因为并发冲击压垮推理服务。Agent 实例的伸缩完全由队列深度驱动天然做到了弹性。我在一个项目里实测过这个架构压测冲到 200 并发的 Agent 任务时Kubernetes 自动把 Agent 实例从 8 个扩到 32 个推理服务在 Karmada 的调度下自动分担到两个集群。整个过程没有人工干预请求成功率维持在 99%。相比之前单集群硬扛的方案可用性提升非常明显。5.4 第四步建立 Agent 可观测体系底座的第三根支柱是可观测。Agent 系统太容易出问题而且问题通常是隐性的——模型调了工具但入参错了、Agent 陷入循环但没报错、记忆污染导致回答质量下降。这些问题如果不在底座层做监控光靠业务日志是查不出来的。监控指标方面我建议至少覆盖这几个Agent 任务成功率、平均推理次数异常升高说明 Agent 在无效循环、工具调用成功率、Token 消耗速率、模型推理延迟。对比基线的变化趋势比绝对值更重要能很大程度上帮助提前发现 Agent 行为异常。另外提示词和模型版本都要纳入版本管理。Agent 的模型一更新同一条任务的成功率可能从 90% 掉到 60%而原因可能只是某个工具的描述写得太模糊。可观测体系的终极目标是让每个 Agent 行为的变化都有据可查。5.5 第五步持续压测与容量规划Agent 底座的容量规划不是一次性的工作要持续做。因为 Agent 的复杂度和业务量在持续变化每周跑一次压测记录峰值吞吐和数据。下次再讨论加不加卡的时候都用数据说话而不是靠感觉。其中格外建议关注的是 Token 消耗的趋势。大模型成本本质上由 Token 决定Agent 场景下 Prompt 越长Token 消耗越大。我遇到过一个典型案例某团队只是把 Agent 的工具描述多写了 200 字半个月后 GPU 成本涨了 18%根源是每个 Agent 都要把工具描述加载进上下文。这种问题不监控 Token 消耗趋势几乎不可能发现。6. 常见问题与踩坑实录这部分把我在 Agent 底座落地过程中遇到的高频问题列出来给正在做同样事情的朋友做个参考。现象原因分析解决方案Agent 推理速度慢GPU 利用率却不高内存墙限制KV Cache 占满显存算力闲置升级推理引擎开启 PagedAttention换显存带宽更高的卡高峰期 Agent 大规模超时调度器按任务并发分配资源没有考虑 Agent 实例的持续占用底座引入 Agent 级调度按实例数而不是任务数分配模型升级后 Agent 行为突然异常新模型对工具调用的理解与旧版本不一致建立模型版本灰度机制新旧模型并行跑对比任务成功率跨集群调用时数据延迟高没有做数据就近调度Agent 在远地访问数据用 Karmada 的调度策略做数据感知路由任务随数据走小额 Token 浪费严重工具描述、系统提示词过长且每个请求都带上做 Prompt 压缩固定前缀做缓存动态部分单独拼接Agent 陷入无限重试循环不结束没有设置推理次数上限也没有异常熔断在底座层加推理次数熔断超过阈值就强制终止并上报异常7. 最后几个实际经验关于 Agent 底座我最后分享几条这些年踩坑攒下的经验。第一算力竞争进入下半场之后衡量算力有效性的 KPI 变了。以前看训练吞吐和集群利用率现在看的是每万个有效 Agent 任务的推理成本和平均完成时间。底座设计的一切决策都应该围绕这两个指标展开。第二不要迷信大模型和高端卡。Agent 场景下小模型的路由能力往往决定了大模型的推理质量。合理设计模型分工用小模型做意图判断和工具调用只把复杂推理交给大模型整体成本能降一半以上而且时延感受更好。第三资源和编排架构里日志和状态分离是关键。Agent 的状态存储不能依赖日志系统日志是给人看的状态是给 Agent 恢复用的。两者混在一起排查时会陷入看日志不知道状态、看状态不知道因果的尴尬局面。第四开源生态正在加速食品化。Karmada 从华为云内部走向 CNCF 顶级项目说明多云编排已经成为共识底座。对大多数团队来说基于这些开源方案搭建自己的底座比从零自研要稳妥得多也更利于后续的生态兼容。Agent 对底座的改造还在早期但方向已经很清晰了算力从训练重心转向推理重心调度从任务级转向实例级资源从同构走向异构部署从单云走向多云。谁能先把这套底座打磨好谁就能在 Agent 的战场上赢下持久战。