编辑 | 王玮

构建一系列能在生产环境中落地的 Agent，远比想象中复杂。

从模型选择上来看，AI 发展飞快，优秀的开源和闭源模型层出不穷，技术选型变得异常困难且昂贵。其次，即便选定了模型，如何用企业自身的数据进行“二次锻造”又是一道高墙。传统的精调技术门槛高、数据要求苛刻，让多数企业望而却步 。

更深层的问题在于数据。企业的核心知识沉淀在海量的内部文档、数据库中，形成一个个数据孤岛，而模型本身又因其训练数据的时效性，无法感知瞬息万变的外部世界。即便技术上勉强搭建起一个 Agent，其能力边界也往往十分狭窄，难以处理需要多角色、多步骤协同的复杂业务流程 。

最终，当企业试图将 Agent 投入生产时，稳定性、安全性、可维护性等一系列严峻的工程挑战，则成为压垮项目的最后一根稻草。

“智能经济时代，一定要有新的基础设施来支撑，这就是智能优先的 AI 云。”在 8 月 28 日召开的 2025 百度云智大会上，百度集团执行副总裁、百度智能云事业群总裁沈抖给出了云厂商在 AI 原生时代的新定位，千帆企业级 AI 开发平台也在大会上迎来了新升级，发布了 4.0 新版本。

升级后的千帆，核心关键词是 Agent——为开发者一站式提供 Agent 开发所需要的模型、Agent 编排、数据和企业级服务等能力

。

这意味着企业无需再从零拼凑零件，而是可以直接站在百度智能云千帆 4.0 这个企业级 AI 平台之上，专注于创造自身的业务价值。根据百度智能云最新公布的新一代 AI 云基础设施说明图来看，这架源自百度的“AI 星舰”重装上阵。

1

一站式平台的解局之道：从能力拼凑到系统化供给

对于一家头部云计算公司而言，如何在 AI 时代完成转身，实现智能优先？百度集团执行副总裁、百度智能云事业群总裁沈抖说：“是算力、模型、数据和工程能力，这四个，是 AI 云的核心要素。”

于百度智能云千帆而言，就是将 Agent 开发所需的全链路能力，从模型、数据、Agent 到企业级服务，进行系统性的封装和供给，这也是千帆 4.0 的核心升级思路。

针对前文提到的模型选型的困境，平台提供了一个拥有超过 150 个精选模型的“标准化超市”

。“模型超市”在云计算公司中已经是标准操作了，可上架开源模型并不难，有独家资源，且能保证模型 API 的最佳调用体验不简单。

在 API 调用体验上，百度智能云千帆为模型“标准化超市”打造了快速集成能力，并为 Agent 应用做了“预处理”。开源模型只是数智化的关键组件，而不是全部。千帆平台为所有模型预置和补齐了落地生产环境所需的关键能力，确保企业无论选择哪款模型，都能获得一致且可靠的开发体验。

百度智能云作为国内首个支持 A2A（Agent-to-Agent，智能体间交互）协议的云厂商，模型生态是极为开放的。千帆 4.0 本次也推出了多智能体协作模式，通过该协议实现智能体间的灵活调用，支持 Handoff（任务交接）、Planning（任务规划）等多种调用方式。不仅可与市场中其他支持 A2A 协议的智能体平台或独立智能体企业实现互调，还能通过协议适配功能，接入采用非标准接入方式的企业智能体。

这一切，使得千帆平台生态价值独特。

数据问题更为关键，千帆 4.0 通过升级后的多模态 RAG（检索增强生成）技术，盘活企业内部沉睡的数据资产

得益于百度的“看家本领”搜索引擎，数据处理一直是百度智能云的强项。

比如百度 AI 搜索 MCP Server，既可以用来生成数据、还可以为模型补充时效性信息和长尾知识和内容、结合实时搜索的结果对模型做交叉验证。如此一来，百度 20 多年在搜索领域的积累，其中沉淀的高质量内容就可以

通过

搜索结果返回，满足了大模型对信息全面性、权威性和时效性的需求而深度优化，从而为 Agent 接通了实时世界的信息管道。

最好的模型加上最好的大数据技术，企业完全可以在百度智能云平台上，将 GenAI 的通用能力，转化为服务企业实际业务的专有能力，只要针对所选模型，做好系统性的、有规划的监督微调。

这点百度智能云也想到了。传统监督微调需要“手把手”教模型、且需要大量高质量数据的痛点，千帆 4.0 发布了 RFT（强化反馈精调）工具链 。这种方法让模型“自学成才”，只需数百条样本数据就能达到显著效果，可提升 43% 的训练效率 。这极大地降低了企业进行模型精调的技术和数据门槛。

模型微调后，企业可能会针对具体业务场景开发智能体，那么全链路“白盒化”的可观测能力就尤为关键。百度智能云 AI 与大模型平台总经理忻舟表示：

“业界有一个可运维黄金指标，叫指标追踪和日志，我们设置了关于模型和智能体运行的一些关键指标，能快速通过这些指标发现性能和效果的问题。发现问题后，我们提供了故障追踪的可视化。我们的‘白盒化’可观测能力，看到模型调用和智能体运行中各个环节的问题，便于快速诊断。”

2

“AI 星舰”背后的战略秘密

要实现覆盖全流程的整合式服务，对技术储备的深度与战略规划的清晰度均有较高要求。从行业实践来看，百度在该领域的布局与落地，与其长期推进的 “云智一体” 战略形成的技术协同效应，以及对产业发展趋势的预判存在关联，这两方面因素共同构成了其在服务整合能力构建中的关键支撑。

从时间线上看，在国内大厂中，百度是第一个全面拥抱 AI 的，并且多年来都在持续投入。与其他云厂商从传统 IT 基础设施逐步叠加 AI 能力不同，百度智能云是围绕 AI 的需求来重构和设计云的。这种“AI-Native”的思路，带来了从底层芯片到上层应用的全栈协同优化优势。

在算力层，百度不仅拥有自研的昆仑芯 AI 芯片，更构建了国内首个全自研的 3 万卡智算集群。其 AI 异构计算平台“百舸”，经过持续迭代，已经发展到专为大模型时代优化的 5.0 版本。百舸平台针对当前主流的 MoE 模型架构，进行了从芯片、框架到集群的端到端协同优化 。

它不仅仅实现了业界普遍在谈的 PD（Prompt/Decoding）分离，更是演进了到更细粒度的 VIT（视觉编码）、AM（Attention/MLP）分离的系统架构 ，从而能根据不同计算负载的特征进行极致的资源优化和调度。这种深入底层的优化，使得百度在提供 AI 算力时，能达到更高的效率和更低的故障率，为上层的千帆平台提供了坚实且高效的基座。

这种从芯片到平台的垂直整合能力，意味着百度可以进行跨层级的端到端优化，这是其能够提供稳定、高效且成本可控的一站式 AI 服务的技术前提。

一直以来，百度对 AI 发展的判断都很接地气，坚定偏向数智化转型和 AI 应用落地的。

比如传统矿山的智能化运营场景，仅供电系统就存在许多智能化改造的空间和机会。

矿山供电系统需要区分井上和井下，涉及不同规格的变电站，关键负荷包括主排水泵、主通风机、提升机、连续采煤机、胶带输送机等，均属一级负荷，要求“双回路、双电源”。且整个系统工作的环境恶劣，大功率采掘设备频繁启停，使得这一套供电设备的使用损耗很大，故障率很高。

推进新能源设备巡检从浅层“感知智能”向深层“认知智能”演进

，进一步提升了供电管理的数字化和智能化水平。

“电博士”可以通过 Copilot 的方式面向矿山全员可提供法律法规、标准规范、供电管理制度、安全规程等相关的安全知识问答服务，为现场作业人员及设备运维人员提供运维指导服务。在使用过程中，可通过点、踩的方式进行反馈，系统有专家进行复核，复核后的历史问答将作为模型精调的数据集。

百度智能云千帆平台的演进路径清晰地表明：未来企业的核心竞争力，将不仅仅是拥有某个强大的模型，而是掌握一套能够持续、高效地创造、部署和迭代 AI 应用的方法论。

在这种认知下，底层的基础大模型，无论是开源还是闭源，都将逐渐变为可灵活替换的“发动机” 。而企业真正的、难以被复制的护城河，将是沉淀在平台之上的、与自身业务深度绑定的应用经验、Agent 构建的 Know-how，以及经过精细治理的专属数据资产。

这一前瞻性判断，也预示着 AI 商业模式的未来演进方向——从按 Token 计费，走向 RaaS（Result as a Service，结果即服务)。当 AI 的价值可以直接通过业务成果来衡量，例如生产效率提升了多少、成本降低了多少，AI 才能真正成为企业不可或缺的生产力 。

企业 AI 落地的进程，正经历一场深刻的范式转移。以百度智能云千帆 4.0 为代表的一站式 AI 开发平台，正是这场变革中的关键基础设施。它通过系统化的技术和服务，抹平了 AI 应用的技术鸿沟，让企业得以从繁杂的底层构建中解放出来，将精力聚焦于业务创新。

这不仅是百度“云智一体”战略的厚积薄发，更代表了 AI 技术真正融入千行百业、重塑产业格局的必然方向。