一句话结论
阿里云推出 AgentCore、CPFS 存储及 Tair KVCM 等新品，构建 Agentic Cloud 全栈体系，将企业级智能体任务完成率提升至 99%。
关键要点
- 阿里云发布企业级 Agent 构建治理平台 AgentCore，提供安全执行与资产统一管理，使智能体任务完成率提升 99%，总体拥有成本降低 70%。
- 推出新一代全栈自研高性能存储 CPFS，吞吐达百 TB/s 级，将模型启动平均耗时降低 50%，GPU 算力利用率提升 30%，AI 存储成本降低 69%。
- 推出大模型 KVCache 管理和调度系统 Tair KVCM，有效命中率可达 99%，每 Token 生成成本下降 50%；配套 KV CacheStore 使缓存覆盖时间窗口扩大 900%。
- 发布全模态数据湖仓 OpenLake，通过一份数据支持多引擎计算，使总体拥有成本降低 38%；Context Engine 将复杂知识检索准确率提升 50 个百分点。
- 展示灵骏真武 M890 首个国产十万卡超节点集群，支撑 Qwen3.8 Max 等超 2 万亿参数模型商业服务，预计明年推出的 V900 超节点性能提升 3 倍，单集群可扩展至 50 万卡规模。
背景与事实
2026 年 9 月 22 日，在 2026 杭州云栖大会上，阿里云 CTO 李飞飞系统性阐述了 Agentic Cloud 战略布局。面对 2026 年智能体爆发式增长及从“问答型”向“自主规划、实时决策”阶段跨越的趋势，阿里云将 Model（模型）、Harness（框架）和 Context（上下文）作为核心构建场景，重构了从 AI Native Cloud、Agent Native Cloud 到 Context Engine 的完整技术栈体系。
在 AI Native Cloud 层面，针对模型参数从万亿向十万亿跃迁及递归式自我改进 RSI 训练范式，阿里云展示了全栈自研算力底座。作为该底座的代表，灵骏真武 M890 超节点是首个国产十万卡超节点集群，有力支撑了 Qwen3.8 Max、KIMI K3 等超 2T 参数大模型对外提供商业服务。即将在明年推出的灵骏真武 V900 超节点，性能提升三倍，搭载业界首发 200Pbps 通信带宽和 6us 时延集群架构，自研 SNPO 支持全光互联，单集群可扩展至 50 万卡规模。在推理环节，Tair KVCM 统一编排多级缓存，在客户生产环境下实现缓存覆盖时间窗口扩大 900%，首 Token 延迟降低 54%。全新的智算中心融合网络 TPN 采用 2 层网络设计，访问带宽增加 2.5 倍，网络规模增加 10 倍，延时降低 1/3。
在 Agent Native Cloud 层面，为支持 Harness 工程成熟与企业级应用规模化落地，阿里云推出了 AgentCore 和 Agent Sandbox。AgentCore 将企业级 Agent 基础设施标准化、托管化，支持长任务、失败重试、断点恢复和异步执行，统一管理模型、MCP Server、Skill 等资产。Agent Sandbox 提供开箱即用的执行环境，创建吞吐达 10 万/分钟，深休眠唤醒时间小于 600 毫秒，兼容 E2B 和 K8s。此外，Agentic OS 可节省 Token 消耗 30% 以上，Agentic Computer 提供统一、长期在线的专属云电脑工位，具备 Computer Use 和 GUI 操作能力。
在 Context Engine 层面，阿里云提出“存储—计算处理—上下文工程”三位一体引擎，将企业全域数据转化为实时上下文。底层以多模态数据存储承接对话、视频帧、点云和 Agent 反馈；中间层覆盖数据集成、转换、治理和建模；上层通过全域知识库和持续记忆管理，组织分散数据。在相关产品中，Agent Context 将复杂知识检索准确率提升 50 个百分点，Token 使用效率提升 3 倍以上；OpenLake 提供统一全模态数据湖仓，使总体拥有成本降低 38%；Apsara Lakebase 支持亚秒级、零拷贝创建数据分支；MC-MaxFrame 处理多模态数据计算性能提升 12%；Flink Streaming Agent 提供 60 多种全模态算子，将实时数据流转化为可触发业务流程的实时行动。
影响分析
本次发布对中文开发者与从业者具有显著的工程落地影响。首先，AgentCore 与 Agent Sandbox 将原本复杂的智能体运行环境标准化，大幅降低了企业构建自主规划型 Agent 的门槛。开发者无需从零构建安全隔离环境、身份权限和断点恢复机制，可直接利用托管服务将精力聚焦于业务逻辑，任务完成率的提升直接转化为企业生产力的提升。其次，Tair KVCM 和 KV CacheStore 针对多轮任务和长上下文场景的深度优化，使 Token 成本下降 50% 和首 Token 延迟降低 54% 成为可能。这直接缓解了当前大型语言模型推理侧最核心的算力焦虑，使高频交互的复杂 Agent 应用在经济上具备大规模商业可行性。最后，Context Engine 将企业全域数据转化为实时上下文，意味着 Agent 的竞争将从单纯的模型参数比拼，转向对企业私有数据理解和实时决策能力的竞争，掌握上下文工程能力的团队将拥有更高的技术壁垒。
适用边界
上述结论与性能数据主要适用于基于阿里云基础设施构建、且追求企业级高可用性与低成本集成的场景。对于完全依赖开源本地部署、不具备大规模并发需求或数据不出域要求极严的隐私敏感场景，这些云上托管服务与集中式调优方案可能不适用。此外，文中提及的千万亿参数模型支持与递归式自我改进训练框架，当前仍属于前沿探索与特定商业化阶段，尚未成为所有主流中小模型的通用标准，相关结论在通用开源模型微调场景下未必直接成立。
孤本观察
从 AI Native 到 Agent Native 的命名跃迁，结合 50 万卡集群与 99% 缓存命中率的披露，表明底层算力与存储已彻底脱离通用云计算范式，正式确立为专属智能体生态的核心基础设施底座。
常见问题
阿里云 AgentCore 将企业级智能体任务完成率提升至多少，并降低多少总体拥有成本？
任务完成率提升至 99%，总体拥有成本降低 70%。
新一代 CPFS 存储如何将模型启动平均耗时、GPU 算力利用率和 AI 存储成本分别优化？
模型启动平均耗时降低 50%，GPU 算力利用率提升 30%，AI 存储成本降低 69%。
Tair KVCM 和 KV CacheStore 在缓存命中与成本方面取得了哪些具体数据？
有效命中率达 99%，每 Token 生成成本下降 50%，缓存覆盖时间窗口扩大 900%。
灵骏真武 V900 超节点预计何时推出，其性能提升倍数及单集群可扩展规模是多少？
预计明年推出，性能提升 3 倍，单集群可扩展至 50 万卡规模。
阿里云的适用边界指出哪些场景下云上托管服务可能不适用？
完全依赖开源本地部署、不具备大规模并发需求或数据不出域要求极严的隐私敏感场景。
来源：雷峰网