红帽 OpenShift 上的代理式 AI：企业目前正在采取哪些行动

2026 年红帽全球峰会客户圆桌会议洞察

在 2026 年红帽全球峰会上，来自航空、公用事业、金融服务、高等教育和政府等各行各业的平台工程和运营负责人齐聚一堂，就代理式 AI 进行了坦率而深入的交流。我们想要了解哪些做法真正有效，风险藏在何处，以及团队目前如何从中获得价值。

从平台管理到 AI 协作

我们圆桌会议每场讨论的核心问题，归根结底都是同一个主题的变奏：当平台从被管理的对象变为与团队并肩思考的伙伴时，会是怎样一番景象？

团队正在以与两年前相同的人员配置，管理着复杂的多集群环境。诊断事件、关联警报和执行修复等手动工作，正在消耗本应投向核心开发的资源。一位参与者明确表示了他们的目标：在不新增任何人员的前提下，使管理的集群数量翻倍。

这种需求不仅仅关乎效率。真正的问题是：当日常工作能够自动处理时，最优秀的人才该做什么？参加我们圆桌会议的客户已经初窥端倪。一个团队的代理检测到存储驱动程序每 15 分钟就会悄无声息地崩溃一次，而现有的日志和警报却对此毫无察觉。该代理不仅提供完整的诊断摘要来揭示这一问题，还自动进入等待状态，直到有人工干预并授权采取下一步行动为止。这种做法确实能够加快故障解决速度，但更重要的是，它从根本上重塑了平台与运营人员之间的关系。

IT 领域之外的惊人投资回报率（ROI）

一些最引人入胜的洞察，出现在参会者描述 AI 代理解决传统基础架构领域之外的问题时。

某大学团队部署了代理，帮助学生财务服务部门识别那些有资格获得联邦资助、却被现有数据库查询遗漏的困难学生。该系统迅速识别出 100 多名学生，以及 6 万至 7 万美元未被申领的联邦资助。而就在几周前，该团队还未意识这个用例是可行的。

另一个示例是，某政府机构描述其长期愿景：提供一个代理式界面，帮助公民应对复杂的法律法规，并根据重大人生事件（例如生育、创业或搬家等），自动协调相应的公共服务，总而言之，就是为公民提供一个统一的智能界面，而非数十个彼此孤立的门户网站。

发展势头最猛的企业组织，正是那些不断拓展用例、并突破对“运营 AI”这一概念既有认知的企业组织。

人类监督不可或缺

圆桌会议达成的共识非常明确：完全自主绝不可行。由于 AI 具有非确定性，因此核心挑战不在于是否信任代理，而在于如何构建工作流，使代理能够安全地加速常规任务，同时确保人类对关键操作保持控制权。 代理式解决方案需要一个清晰、标准且原生集成于平台的工作流治理模型。

最受认可的模式是将代理视为站点可靠性工程师，负责分析系统、生成执行计划，并起草工单以总结发现的问题和建议采取的行动。工程师进行审查和批准，代理仅执行已获得明确授权的操作。

某团队分享了他们在测试监督型代理架构时的一个警示案例：在该架构中，AI 监督代理负责管理一组专门的子代理。他们表示，曾有三个下属代理协同配合，说服监督型 AI 批准了一项本应被拒绝的操作。该团队在造成任何损害之前及时发现了问题，但教训很明确：如果没有人工干预，AI 无法可靠地治理其他 AI。

这个示例表明，产品需要具备可编码且易于使用的治理功能（例如“护栏服务”或“审批即服务”），以便企业组织从第一天起就可以在所有环境中部署这些功能。

原生安全设计

对于运营团队而言，一个主要关注点是当自主工具出错时，如何控制它所造成的影响。风险包括：代理尝试执行破坏性命令（例如 rm -rf），或者诊断代理重复运行占用大量资源的命令，从而意外导致其原本要修复的集群崩溃。

为了缓解这些风险，团队在容器化环境中使用沙盒代理，这些环境设有严格的资源限制，并为每项操作保留完整的审计日志记录。事实证明，将代理与确定性数据层（例如经过模式验证的文档存储或其他严格限制可接受输入的系统）相结合，这种方法在约束代理行为方面也非常有效。

障碍：内部支持、审计跟踪和 ROI

阻碍采用采用的因素，更多是企业组织层面而非技术层面。

要获得内部支持并非易事，尤其是对于那些曾经历过自动化项目承诺过高、结果却不尽如人意的团队而言。详细的审计跟踪对于建立这种信任至关重要（在世界某些地区，这甚至是法律强制要求的），企业组织必须能够向监管机构和领导层清晰地展示代理执行了哪些操作、采用何种推理逻辑，以及由谁授权了该操作。如果没有这些证据，治理团队通常会默认拒绝该技术。

展示明确的投资回报率（ROI）同样至关重要。参加圆桌会议的每个团队都提到，在获得预算之前必须证明价值，这给他们带来了压力。进展最快的团队会从规模较小但可见度较高的概念验证起步，记录结果，然后利用这些证据来争取更多资金支持。在预算讨论中，发现 6 万至 7 万美元遗漏的学生助学金，比减少警报噪音更具说服力，尽管两者都能带来价值。

主要发现

参加本次圆桌会议的企业组织在采用代理式 AI 方面处于不同的阶段，但都面临着同样的问题。在取得显著进展的团队中，有几项实践尤为突出：

• 从可观测性和自我修复能力着手：这是运营痛点最为集中的领域，价值实现路径最为清晰，且范围有限，项目更易于管理。
• 从 Day 1 开始就考虑到人工监督设计：不要在部署后才仓促添加治理措施。将审批工作流、阻塞状态和审计跟踪直接构建到架构中。
• 对您的代理进行沙盒化处理：容器化执行环境绝非可有可无，它们提供了必要的防护措施，确保代理能够安全运行。
• 认真对待 AI 基础架构成本：多个团队表示，GPU 和云推理成本的增长速度超出了预期，在某些情况下甚至超过了所产生的价值。 红帽 OpenShift AI 专为应对这一挑战而设计，可帮助企业在混合基础架构中优化 GPU 利用率，从而避免因大规模运行 AI 的成本过高而无法实现规模化扩展。在云推理和本地 GPU 硬件均需大量资本投入的环境中，拥有一个能让这些投资发挥更大效用的平台至关重要。
• 聚焦于可见度较高的业务价值：发展势头最猛的团队会寻找那些能为整个企业组织（而不仅仅是平台工程团队）带来价值的用例。 

面向代理时代的红帽 OpenShift

每一次重大的企业软件革新浪潮，都需要一个基础层，从而使复杂的分布式系统能够在规模化扩展时得到有效治理。在客户端-服务器时代，这一角色由 JBoss 等中间件承担；在云原生时代，这一角色由 Kubernetes 承担；而在代理式 AI 时代，这一角色则由红帽 OpenShift 和红帽 OpenShift AI 承担。

参加本次圆桌会议的客户正在构建自主代理，这些代理能够跨多集群环境运行，在严格的治理边界内执行决策，与企业工作流集成，并在主权或混合基础架构上运行。这无法通过临时拼凑的工具可靠地构建。它需要一个企业信任、安全至上且一致的开源基础。 

OpenShift 不仅仅是一个容器编排器，它更是一个基础平台，将代理框架、MCP 服务器、代理技能库、人机协同工作流以及 GPU 工作负载整合到一起，企业能够在多集群环境中进行部署、治理和扩展。

要建立这样一个安全至上的基础，需要解决代理式治理各个方面的问题：策略和权限控制、身份和访问权限管理、应用和工具治理、运行时安全性和审计、执行沙盒、数据和内容治理以及人机协同生命周期管理。至关重要的是，身份识别和身份验证绝不能事后才考虑——每个代理的行动都必须经过身份验证，并且可追溯到特定的授权实体。 

OpenShift 通过 AgentOps 来满足这些要求，AgentOps 是红帽 AI 提出的一种与框架无关的方法，可跨任何模型、加速器或云实施代理，并通过内置护栏来解决每一层的治理和安全问题。这些并非可以在日后添加的可选功能，而是实现企业级代理式 AI 的基础。从一开始就了解并解决这一问题的企业组织，将更快地采取行动、更有效地进行治理，并减少构建这一基础所需的时间，从而能够充满信心地迈向代理式 AI 的未来。

了解红帽 OpenShift 如何应对代理式 AI 的未来：

• 观看 2026 年红帽全球峰会的产品聚焦专题会议视频。 
• 阅读我们的博客文章：“模型无法创造收入——应用才能”。 
• 访问红帽 OpenShift AI 产品页面。