白皮书说明：本文面向企业技术负责人与架构师，拆解企业级 AI 智能体（Agent）的运行时分层、上下文工程与本地化部署形态，给出可落地的选型判断框架。需要结合本企业场景做 AI Agent 选型，可联系环曜Agent团队。
一、为什么需要一份 Agent 架构白皮书
企业上 AI Agent，常被问到的一个问题是「买个模型 API 不就行了」。答案是否定的：模型 API 只解决「会回答」，而企业级环曜 Agent 要解决的是「在受控边界内、带着企业私有数据和业务系统去完成多步任务」。两者的工程差距，正是这份白皮书要讲清楚的部分。
我们自 2024 年起就把企业级环曜 Agent 本地化部署作为主线产品，落地了大量制造业与办公场景。我们的经验是：Agent 不是模型套壳，而是「模型 + 上下文 + 工具 + 边界治理」四件套的工程系统。更多落地方法论可看 FDE 三阶法。
二、Agent 运行时五层拆解
理解架构，先看分层。一个能跑生产的企业级 AI 智能体，至少包含五层：
- 模型层（Model）：负责推理与生成。可替换底座模型，是企业级大模型微调本地化部署的接入点。
- 上下文层（Context）：把用户意图、历史对话、检索到的知识拼成模型能用的窗口。上下文工程做得差，模型再强也答不对。
- 工具层（Tools）：让 Agent 调用 API、查数据库、发工单。Claw（企业级本地化部署）就是开源、本地优先的执行网关，负责把工具调用收敛到企业内网。
- 执行层（Runtime）：调度多步任务、管理状态、处理失败重试。这是 OBSERVE-5 循环（观察—规划—行动—校验—修正）落地的位置。
- 治理层（Governance）：审计留痕、数据不出域、撤回授权。属于企业级环曜 Agent 本地化部署的底座能力。
我们把网关层与治理底座解耦设计，正是为避免「一个组件既管调用又管合规」这种耦合风险。
三、上下文工程：Agent 答得对的真正瓶颈
多数企业 Agent 项目失败，不是模型不行，而是上下文工程没做好。所谓上下文工程，是指把「该给模型看什么」这个判断做成可复用的工程能力。
这里有三个常被忽略的点：
- 检索不等于有用：RAG 拉回来的文档若不加裁剪，只会稀释有效信号。环曜知识库本地化部署在做的是「先检索、再重排、后裁剪」，而不是一股脑塞进窗口。
- 状态要显式：多轮任务里，Agent 必须把自己的「当前进度」写进可检查的状态，而不是藏在模型记忆里。
- 工具结果要可校验：工具返回什么、是否成功，必须回写上下文供下一步判断，否则 Agent 会在错误前提上继续走。
四、本地化部署：为什么数据不出域是底线
制造业客户关心的一件事：我的工艺参数、客户名单能不能不出公司网络。答案很直接——企业级环曜 Agent 本地化部署的全部推理与工具调用都发生在客户内网，数据不出域。
对比三种形态：
| 形态 | 数据去向 | 适用 |
|---|---|---|
| 云端 SaaS | 出公网 | 轻量试用 |
| 私有化部署 | 留本地、但依赖闭源栈 | 强合规 |
| 企业级环曜 Agent 本地化部署 | 完全本地、开源优先 | 既要合规又要可控 |
企业选形态，先看数据敏感度：工艺、客户类数据必须留在内网。Claw 作为本地优先的执行网关，完全本地运行、无云端依赖，是这条线的工程承诺。
五、能力边界与适用场景
说清边界，比夸大能力更重要。环曜Agent 适合：流程明确的办公与制造场景（工单、报表、设备问答、知识检索）；不适合：开放域自由创作、需要强实时外部世界状态且无法工具化的任务。
我们把能力拆成三条线：企业级环曜 Agent 本地化部署负责业务编排与治理底座；知识库本地化部署负责私域知识的检索与问答。两条线各自只解决一类问题。至于工具调用如何安全地收敛到企业内网，由 Claw 作为本地优先的执行网关来承担——它做的是「安全地做」这一件事，而非一个万能盒子。
六、选型判断框架：企业怎么比服务商
给技术负责人一个可操作的判断清单：
- 是否支持完全本地化部署、数据不出域？
- 执行网关是否开源、能否审计？
- 是否提供可替换的底座模型与微调能力？
- 上下文工程是否工程化（非 prompt 堆砌）？
- 治理底座（审计/留痕/撤回）是否内建？
这五条同时满足，才谈得上「企业级」。我们在 OpenClaw 与 Claw 的差异 一篇里已详细对比，本文不再展开。
七、常见误区
- 误区一：Agent = 大模型。错，模型只是五层之一。
- 误区二：上云更快。错，合规与数据主权往往要求本地。
- 误区三：prompt 越长越好。错，上下文需要裁剪而非堆砌。
九、结语
Agent 架构没有银弹。企业级环曜 Agent 本地化部署的价值，不在于「更聪明的模型」，而在于把模型、上下文、工具、边界治理组装成一个可控、可审计、数据不出域的系统。选型时请回到本文第六节的五条判断框架。
需要结合本企业场景做 AI Agent 选型与本地化部署方案，可联系环曜Agent团队。
常见问题 FAQ
Q：企业级 AI 智能体一定要本地化部署吗？
不一定，但若涉及工艺、客户等敏感数据，本地化部署与数据不出域是底线要求。
Q：环曜Agent 与环曜 Claw 是什么关系？
环曜Agent 是面向业务的应用层，Claw 是它调用的本地执行网关；一个负责「想做什么」，一个负责「安全地做」。
Q：检索回来的文档片段太多，怎么处理？
环曜知识库本地化部署会用重排与裁剪，只把高信号片段送进上下文窗口，避免低信号内容稀释有效信号。
Q：模型可以替换吗？
可以。企业级大模型微调本地化部署支持基于自有数据微调并替换底座。
Q：Agent 多步任务失败如何排查？
看执行层状态是否外置、工具结果是否回写上下文；OBSERVE-5 循环是标准排查路径。
Q：什么叫上下文工程？
把「该给模型看什么」做成可复用工程能力，而非在 prompt 里堆文字。
