蚂蚁数科把智能体做成工厂

蚂蚁数科在 7 月 19 日举行的 2026 世界人工智能大会上，正式发布商业智能体超级工厂核心平台 Agentar 2.0。 这次更新首批预置约 200 个岗位级数字专家模板，并提供数百个可以订阅、开箱使用的 Skills，让企业不必从提示词、工作流和工具接口开始重复造轮子。

Agentar 2.0 是一个面向企业构建、交付和治理智能体的应用平台。 它不只负责把大模型包装成聊天机器人，而是试图把模型、企业知识、业务流程、工具调用、多智能体调度和审计机制放进同一条“生产线”，最终交付能够承担具体岗位任务的数字专家。

这套方案最值得关注的地方，并不是“200 个模板”这个数字，而是蚂蚁数科开始把企业智能体定义为一种需要批量生产、持续运营和统一治理的组织资产。过去两年，企业 Agent 项目最常见的问题并非模型不会回答，而是 Demo 能跑、生产不能上；单个流程能跑，多个部门无法协同；智能体可以调用工具，却没人说得清它为何做出某个决定。

约 200 个岗位模板，解决的是企业 AI 的冷启动

岗位级数字专家是围绕具体岗位职责、专业知识和业务流程封装的企业智能体模板。 与一个只写了角色提示词的 Bot 不同，岗位级专家需要知道任务从哪里开始、要查询哪些数据、可以调用哪些系统、什么情况下必须交给人工，以及最终应当产出什么格式的结果。

Agentar 2.0 首批提供约 200 个此类模板。不同公开报道分别使用“近 200 个”和“200 个”的表述，可以将其理解为同一批首发模板的不同统计口径，而不是两组产品规模。企业可以按岗位和经营需求启用模板，再加入自己的制度文件、知识库、审批规则和系统权限。

Skills 是智能体完成某类具体动作时可以复用的工具能力。 一项 Skill 可以是检索内部制度、生成风险报告、查询供应链状态，也可以是向已有业务系统发起一个受控操作。Agentar 2.0 提供数百个可订阅的 Skills，其价值在于将“智能体会思考”和“智能体能办事”连接起来。

一个法务智能体如果只能总结合同，它仍然更接近文档助手；如果它能识别异常条款、查询企业合同范本、调用供应商风险数据、发起复核流程并留下审计记录，它才真正进入业务链条。Agentar 2.0 的产品方向，就是把后一类能力做成可以复制的标准件。

| 对比维度 | 普通企业聊天机器人 | 通用智能体开发平台 | Agentar 2.0 的定位 | |---|---|---|---| | 主要交付物 | 问答入口 | 工作流或单个 Agent | 岗位级数字专家及多智能体团队 | | 冷启动方式 | 编写提示词、导入文档 | 从节点和工具开始搭建 | 约 200 个岗位模板直接改造 | | 工具能力 | 通常以检索为主 | 可自行接入工具 | 数百个可订阅 Skills | | 协作范围 | 单轮或单角色 | 单 Agent、有限编排 | 面向跨岗位、多智能体协同 | | 运行治理 | 依赖人工检查 | 视平台能力而定 | 强调身份、决策与资金流转留痕 | | 部署侧重点 | 快速上线 | 开发效率 | 私有化交付、组织级生产与治理 | | 已公布价格 | 未公布 | 依厂商方案而异 | 截至 7 月 19 日尚未公布 |

Agentar 2.0 目前仍未公开模板清单、具体定价、部署资源要求和端到端性能数据。 因此，外界暂时无法判断 200 个模板中有多少能够直接投入生产，也无法量化它相对企业自建方案可以缩短多少交付周期、降低多少推理成本。对于企业采购方而言，这些数据比模板总数更关键。

“超级工厂”不是一个平台，而是一套分层技术栈

商业智能体超级工厂是蚂蚁数科对企业级智能体生产系统的整体定义，Agentar 2.0 只是其中面向应用与交付的核心平台。 按照蚂蚁数科在大会上披露的架构，这套体系还包括自研基座模型 LingDT、智能体操作系统 Agentix、大模型服务平台 DTMaaS，以及用于可信身份和过程记录的区块链能力。

| 层级 | 产品或技术 | 主要职责 | |---|---|---| | 模型层 | LingDT | 提供企业任务所需的基础推理能力，强调 Token 效率 | | 调度层 | Agentix | 编排任务、工具和多个智能体的执行过程 | | 服务与交付层 | DTMaaS | 承载模型服务、部署及企业工具链衔接 | | 应用生产层 | Agentar 2.0 | 创建、配置和交付岗位级数字专家 | | 可信治理层 | 区块链与身份体系 | 记录身份、决策、协作及资金流转过程 |

LingDT 是蚂蚁数科为企业场景自研的基座模型。 蚂蚁数科此次重点强调的是 Token 效率，也就是用更少的输入与输出 Token 完成同一类业务任务，从而降低推理费用和响应耗时。不过，官方尚未公布 LingDT 的参数规模、上下文长度、每百万 Token 成本以及权威基准成绩，“省钱、提速”目前仍缺少可横向验证的数字。

Agentix 是负责多智能体运行与调度的智能体操作系统。 如果把 LingDT 看成发动机，Agentix 更接近车间调度系统：它需要决定任务由谁处理、按什么顺序处理、何时调用工具、失败后如何重试，以及什么时候将控制权交还给人类。

多智能体项目的难点通常不在“创建更多 Agent”，而在避免它们互相转述、重复调用和无限循环。一个任务如果经过五个智能体，每个阶段都携带完整上下文，Token 消耗和延迟可能快速叠加；任何一环输出不稳定，也可能污染后续全部判断。Agentix 能否有效压缩上下文、约束执行路径并处理失败恢复，将直接决定“数百个智能体协作”究竟是生产系统还是大会演示。

DTMaaS 是连接模型能力、智能体平台和企业工具链的大模型服务平台。 Agentar 2.0 负责定义岗位专家，Agentix 负责调度执行，DTMaaS 则承担服务化和交付衔接，三者共同构成从开发到生产的链条。这种分层思路并不新鲜，但对金融、能源等复杂行业来说，统一交付比单点功能更重要。

区块链在这里不是噱头，但也不是万能审计

可信身份与过程留痕是 Agentar 2.0 区别于普通低代码智能体平台的重点能力。 蚂蚁数科计划通过区块链为每个 Agent 配置可信身份，并将其决策、协作和资金流转等过程记录下来，以解决多智能体环境下“谁执行、谁授权、谁负责”的问题。

这项设计在涉及交易和跨组织协作时确实有现实价值。传统软件的操作主体通常是员工账号或固定服务账号，而智能体可能根据动态目标自主拆解任务、调用多个系统，甚至委托其他智能体继续执行。只有把身份、授权范围、调用链和结果绑定起来，企业才可能在事后还原完整过程。

上链只能保证记录较难被篡改，不能自动保证智能体的判断正确。 如果错误数据、越权指令或模型幻觉在进入链条前没有被识别，那么不可篡改保存的仍然是错误过程。真正的企业级治理还需要最小权限、敏感操作二次确认、预算上限、数据隔离、人工审批和紧急熔断，不能把区块链等同于安全本身。

蚂蚁数科 CTO 闫莺在发布现场把企业 AI 落地的阻碍归纳为四点：模型很强却落不了地、工具很多却接不上最后一公里、企业需要整车而不是零件，以及智能体变多之后缺少规则。这个判断基本击中了当下企业 Agent 的核心矛盾，而 Agentar 2.0 的产品设计也明显围绕这四个问题展开。

数百个智能体建海外工厂，场景成立但需谨慎理解

蚂蚁数科用新能源企业海外建厂展示了多智能体组织的目标形态。 管理层设定海外建厂目标后，战略、金融、供应链、法务和 ESG 等数百个智能体可以共同拆解任务并推进执行，相当于组建一支全天候工作的数字项目团队。

海外建厂确实适合检验企业智能体，因为它同时涉及选址、监管政策、融资、汇率、供应商、劳工制度、环境评价和合同谈判。传统企业需要多个部门反复交换文档和表格，多智能体系统则有机会把信息搜集、初步测算、风险识别和材料生成并行处理。

“全流程自主执行”不应被理解为企业已经可以把海外投资决策完全交给 AI。 在真实项目中，资金支付、法律承诺、重大采购和监管申报都需要明确的责任主体，模型输出也必须经过专业人员复核。更现实的落地方式，是让智能体承担高频的信息处理和流程推进，把不可逆决策保留给管理层与持证专业人员。

这个案例还暴露出平台需要回答的几个关键问题：跨部门数据如何授权，智能体能看到多少敏感信息；数百个 Agent 并发时如何控制成本；同一事实出现冲突时由谁裁决；外部政策变化后如何更新知识；以及错误操作造成损失后如何界定责任。Agentar 2.0 已经给出身份、调度和留痕方向，但尚未公开这些机制的技术细节与真实故障数据。

金融行业是基本盘，也是最严苛的试验场

蚂蚁数科称其商业智能体工厂方案已经落地超过 300 个金融行业智能体。 公开信息显示，相关方案已覆盖全部国有银行和股份制银行、超过 60% 的地方性商业银行，并服务数百家金融机构，目前还在向能源、出行和消费零售等场景扩展。

金融行业既是蚂蚁数科最有积累的市场，也是检验智能体平台最苛刻的环境之一。银行业务对数据隔离、模型可解释性、操作留痕、权限审批和私有化部署要求很高，一套系统如果能通过金融机构的生产验证，向其他重流程行业迁移通常更有说服力。

IDC 数据为蚂蚁数科的市场位置提供了一个外部参照。 根据大会期间援引的 IDC 报告，中国智能体开发平台私有化市场规模为 17.5 亿元，蚂蚁数科位列非云厂商第一，同时在 2025 年中国金融大模型、智能体应用及服务市场占有率中排名第一。由于公开消息没有附带完整报告名称、统计周期和份额百分比，这组结论仍需结合 IDC 原始报告口径理解。

私有化市场的领先也解释了 Agentar 2.0 为什么不以“最快搭一个 Agent”为首要卖点。公有云平台比拼模型选择、开发组件和生态规模，蚂蚁数科则试图在金融经验、交易能力、可信技术和复杂交付上建立壁垒。对大型企业而言，后者往往决定项目能否进入核心系统。

Agentar 2.0 的真正对手是企业内部的系统碎片

Agentar 2.0 的竞争力取决于它能否接入企业已经运行多年的旧系统。 大型企业通常同时存在 ERP、CRM、OA、财务、供应链、数据仓库和大量定制系统，权限模型与数据标准也不统一。即使平台预置数百个 Skills，只要不能稳定连接这些系统，所谓数字专家仍会停留在报告生成层。

模板数量也不等于生产质量。企业真正需要验证的是模板能否版本化管理、能否在制度调整后批量更新、能否对每次执行进行评测，以及能否把一个项目形成的经验沉淀给下一个项目。一个优秀的“智能体工厂”应该像软件工程平台一样管理测试、发布、回滚和监控，而不只是提供更多拖拽节点。

Agentar 2.0 目前最明确的优势是企业交付完整度，而不是已经公开证明的模型性能领先。 LingDT 尚无足够跑分和价格数据可供比较，Agentix 的调度效率也缺乏公开测试；但岗位模板、Skills、模型服务、运行调度、身份治理和行业交付被放进同一体系，这比单纯推出一个智能体编辑器更接近企业采购需求。

判断：企业需要的确实是工厂，而不是更多 Demo

Agentar 2.0 抓住了企业智能体从试点走向规模化时最真实的问题。 当一个组织只有两个问答助手时，提示词和知识库已经够用；当组织要运行数百个岗位智能体时，身份、权限、成本、协作、审计和生命周期管理会迅速成为主要矛盾。

这次发布也留出了几个明显空白。蚂蚁数科尚未公布 Agentar 2.0 的价格、交付周期、模板目录、支持的第三方模型范围、单任务延迟、Token 成本、并发规模与故障率。没有这些信息，市场只能确认产品方向正确，还不能判断其部署门槛和投入产出比。

Agentar 2.0 能否成为“超级工厂”，最终要看它交付的是可持续生产力还是规模更大的自动化脚本。 超过 300 个金融智能体是一个有分量的起点，约 200 个岗位模板也能降低冷启动成本，但企业级 Agent 的终局不是把人名替换成数字员工，而是重构责任明确、可以复盘、能够持续优化的业务流程。

从今天的发布看，蚂蚁数科至少没有把企业智能体继续包装成一个更聪明的聊天窗口。它正在出售的是一套 AI 时代的生产系统，而这恰好也是国内企业 Agent 市场下一阶段最值得争夺的位置。

参考来源

• IT之家：蚂蚁数科发布商业智能体超级工厂核心平台 Agentar 2.0 —— 汇总 Agentar 2.0 的首发信息、岗位模板数量、技术栈及已落地的金融行业智能体规模。