InfoQ

Cloud Native Infrastructure Emerges as the Foundation for Trustworthy Agentic AI

8.5内容质量
Cloud Native Infrastructure Emerges as the Foundation for Trustworthy Agentic AI

TL;DR · AI 摘要

云原生基础设施已成为可信代理AI的基石，Kubernetes等技术可支撑多代理系统的可观测性与弹性。

核心要点

  • Kubernetes提供自主AI系统所需的弹性与编排能力
  • OpenTelemetry等工具解决代理AI的可观测性难题
  • 云原生生态可避免重写传统安全工具的重复劳动

结构提纲

按章节快速跳转。

  1. §引言

    CNCF提出云原生基础设施是可信代理AI的基石

  2. ·技术基础

    Kubernetes等云原生技术已具备自主AI系统所需能力

  3. ›案例分析

    基于Kubernetes的多代理安全平台验证技术可行性

  4. ·架构挑战

    代理AI需要解决身份安全与长时任务协调问题

  5. ›解决方案

    云原生生态提供现有工具链满足代理AI需求

思维导图

用一张图看清主题之间的关系。

查看大纲文本（无障碍 / 无 JS 友好）
  • 云原生与代理AI
    • 技术基础
      • Kubernetes
      • OpenTelemetry
      • Dapr
    • 核心能力
      • 弹性编排
      • 可观测性
      • 身份安全
    • 应用场景
      • 多代理安全平台
      • 跨云部署

金句 / Highlights

值得收藏与分享的关键句。

#云原生#Kubernetes#AI架构#可观测性
打开原文

云原生基础设施成为可信智能体AI的基础 - InfoQ

InfoQ 首页新闻 云原生基础设施成为可信智能体AI的基础

DevOps

QCon San Francisco（11月16日-20日）：深入的技术会议。改变你思维方式的同行对话。

云原生基础设施成为可信智能体AI的基础

2026年7月17日 2分钟阅读

作者：

  • Craig Risi

#### 关注我们

YouTube

232K 粉丝

LinkedIn

26K 粉丝

Instagram

新

RSS

19K 读者

X

57.1k 粉丝

Facebook

21K 喜欢

Bluesky

收听本文 -

0:00

音频准备就绪

您的浏览器不支持音频元素。

正常

1.25x

1.5x

喜欢

新下拉阅读列表

  • 阅读列表

云原生计算基金会（CNCF）发布的一项新技术分析指出，智能体AI的未来不会建立在全新的基础设施上，而是建立在已经支撑现代分布式应用的成熟云原生生态系统之上。文章以基于Kubernetes构建多智能体网络安全平台的经验为依据，认为Kubernetes、OpenTelemetry、Dapr、SPIFFE、Falco、Kafka和GitOps等技术共同提供了自主AI系统所需的诸多能力，包括编排、可观测性、工作负载身份、安全、弹性和治理。

作者认为，不应将AI智能体视为完全新的架构范式，而是本质上属于具有额外推理能力的分布式系统。当企业从实验性AI助手转向能够调用工具、与其他智能体协作并做出运营决策的自主智能体时，运营挑战变得异常熟悉：保护身份、协调长期运行的工作流、管理状态、确保可观测性以及从故障中恢复。根据CNCF的说法，这些正是云原生生态系统在过去十年中解决的问题。

文章聚焦于一个基于Kubernetes的多智能体安全平台的开发，该平台旨在检测和响应运行时威胁。该平台将多种云原生技术整合到一个统一架构中，每个组件都承担着专门的角色。

AI智能体并非取代传统安全工具，而是在现有云原生基础之上构建，展示了如何通过智能决策扩展现有运营平台，而非从头开始重写。

作者认为，随着多智能体系统变得越来越复杂，基础设施问题变得越来越重要。智能体可能需要运行数小时甚至数天，与众多外部服务协调，调用多个工具，并在分布式环境中与其他智能体协作。Kubernetes提供了支持这些复杂执行模式所需的弹性和编排能力，同时在混合云和多云部署中保持运营一致性。

文章还强调了可观测性是生产AI系统的核心需求之一。与传统应用不同，AI智能体做出概率性决策，调用外部工具，并动态适应变化的上下文，这使得它们显著更难监控和排查问题。

云原生可观测性技术（如 OpenTelemetry）正在成为追踪服务交互、推理路径、工具调用、执行上下文和多智能体协作的关键技术。可观测性不再仅仅局限于测量延迟或吞吐量，而是必须进化到能够解释智能体为何做出特定决策，以及该决策如何在更广泛的系统中传播。

安全性是贯穿全文的另一个重要主题。随着 AI 智能体越来越多地访问敏感系统、API 和业务流程，强大的工作负载身份验证变得至关重要。作者指出，SPIFFE 和 SPIRE 等项目展示了云原生身份框架如何为自主工作负载提供密码学可验证的身份。

这一重点与行业更广泛的可信执行努力相一致。最近的举措，包括 Dapr 1.18 的可验证执行功能和 Linux 基金会的 Akrites 安全计划，反映了业界日益认识到未来的 AI 系统必须能够证明其决策内容、决策者身份、授权依据以及执行历史是否保持完整。

这篇文章反映了云原生生态系统中日益明显的发展趋势。最初为微服务创建的技术正在迅速被适配用于 AI 工作负载。

更广泛的信息是，成功的智能体 AI 依赖的不是越来越强大的模型，而是严谨的系统工程。当企业从聊天机器人转向自主工作流时，限制因素正从模型智能转向运营可靠性。

main wrapper for authors section

关于作者

section title

main wrapper for each author

#### Craig Risi

显示更多

显示更少

#### 本内容属于 DevOps 主题

##### 相关主题：

  • DevOps
  • AI、ML 与数据工程
  • 智能体
  • Kubernetes
  • OpenTelemetry
  • 云原生计算基金会
  • GitOps
  • Apache Kafka
  • 相关编辑内容
  • 相关赞助商 使用智能体 AI 构建最佳实践应用 —— 融入架构防护机制以实现确定性结果
  • 相关赞助商 代码助手让单个开发者效率翻倍。WaveMaker 让 10 个团队保持一致性。通过架构治理和可预测的结果，实现不同技能水平的开发者一致性。立即试用 WaveMaker AI。

InfoQ 新闻通讯

每周五汇总 InfoQ 最新内容，每周二发送。加入超过 25 万名高级开发者的社区。查看示例

我们保护您的隐私。