5 分钟上手 AgentRun：从注册到第一个 Agent 运行¶

Ch04.006 5 分钟上手 AgentRun：从注册到第一个 Agent 运行¶

📊 Level ⭐ | 9.0KB | entities/aliyun-agentrun-5min-quickstart.md

核心定位¶

阿里云 AgentRun 的定位本质是平台与用户职责重新分工：平台承担容器、扩缩容、网络、监控、灰度、合规等基础设施负担，用户只需聚焦模型、提示词、工具三大核心要素。这一分工逻辑在产品层面的直接体现就是「快速创建」模式——通过可视化配置，无需编码即可上线一个运行在生产级 Serverless 运行时上的 Agent。

5 种创建模式¶

模式	定位	适合谁
快速创建	可视化配置，零编码	产品、业务、想先验证想法的人
代码创建	上传代码包/OSS/容器镜像	已有 LangChain/LlamaIndex/自研框架的团队
工作流创建	可视化节点编排	业务流程复杂、需要多节点串联
超级 Agent	多 Agent 协同，主子 Agent 服务端编排	多角色协作、A2A 场景
模板创建	直接复用官方场景模板	想快速复制成熟方案
5 种模式共享一套运行时、一套监控、一套权限模型，且快速创建 → 代码模式可一键升级，不用重建。

快速创建表单（4 步）¶

模型服务：通义千问、DeepSeek、Kimi、OpenAI、DashScope 即配即用；FunModel 托管模型；LiteLLM 统一网关（含鉴权/负载均衡/Fallback/限流/安全审查/重试）
系统提示词：8 个内置模板（智能问答/市场文案/金融分析/本地生活/Python数据分析/长期记忆/企业知识库/数据可视化）；AI 生成模式一句话描述需求
工具与上下文：Skills、MCP 工具、Function Call、沙箱（代码解释器/浏览器自动化）、知识库、记忆
Agent 名称和描述

详情页 8 个 Tab（覆盖全生命周期）¶

Tab	能力
概览	关键指标看板：调用量、版本、健康度
配置与调试	实时调整提示词、模型、工具，右侧面板即时测试
版本与灰度	多版本管理，按 Endpoint 灰度发布
集成与发布	SDK、UI、MCP 几种集成方式开箱即用
弹性与实例	CPU、内存、并发、会话超时配置
会话历史	完整调用链路回溯
评估评测	离线回归、在线 Trace 评测
可观测	自动接 ARMS，链路追踪、指标、日志一处看

平台自动处理的生产级能力¶

Serverless 容器调度：基于函数计算，按会话请求数自动扩缩，无请求时自动缩零
会话亲和路由：同一会话默认路由到同一实例
流式输出：SSE 协议开箱即用
可观测探针：ARMS 探针自动注入，指标/链路/日志全开
凭证动态注入：模型/工具/沙箱凭证由平台动态颁发，一键启用/禁用
多租户隔离：Workspace 粒度的资源/权限/计费边界

进阶能力¶

部署自研框架：代码创建模式，支持代码包/OSS/容器镜像/WebIDE
多 Agent 协同：超级 Agent 模式，原生支持 A2A
AgentRun CLI：curl -fsSL https://raw.githubusercontent.com/Serverless-Devs/agentrun-cli/main/scripts/install.sh | sh
Python SDK：pip install agentrun-sdk
MCP 工具市场：平台已对接主流 MCP 生态

深度分析¶

平台定位的战略意图¶

阿里云 AgentRun 的出现并非偶然——它是 Serverless 理念向 AI Agent 领域延伸的产物。传统模式下，企业部署一个 AI Agent 需要同时运维基础设施（容器、扩缩容、监控）和业务逻辑（模型、提示词、工具），两者叠加形成高门槛。AgentRun 通过"平台兜底基础设施、用户聚焦业务逻辑"的分工，试图将 AI Agent 的部署门槛降低到"点几个按钮就能上线"的程度。

Serverless 运行时对 Agent 场景的价值¶

基于函数计算的 Serverless 容器调度对 Agent 场景有独特价值：AI Agent 的请求量通常高度不均衡——可能长时间无请求，也可能突然爆发。传统容器模式要么为空闲实例付费，要么在爆发时冷启动延迟。AgentRun 的自动缩零能力解决了这个矛盾，按实际会话请求数计费，对初创团队和验证阶段的项目尤为友好。

多模式并存的设计考量¶

5 种创建模式共享同一套运行时和监控体系，这一设计值得注意。它意味着用户可以从"快速验证"起步（快速创建），在需求明确后平滑升级到"深度定制"（代码创建），而无需重新搭建基础设施或迁移监控体系。这种渐进式复杂度设计降低了试错成本，是 PaaS 平台常见的用户留存策略。

企业级能力的"隐性承诺"¶

平台自动处理的 6 项能力（Serverless 调度、会话亲和路由、流式输出、可观测探针、凭证动态注入、多租户隔离）中，多租户隔离和凭证动态注入是企业客户最敏感的部分。前者涉及资源安全和计费边界，后者涉及密钥管理安全。这些能力的存在意味着 AgentRun 不仅面向个人开发者，也瞄准了对安全性和合规性有要求的企业市场。

超级 Agent 与 A2A 的趋势信号¶

"超级 Agent"模式明确支持 A2A（Agent-to-Agent）协议，这透露了一个重要信号：阿里云认为未来 AI Agent 的主流形态不是单一 Agent 独立工作，而是多 Agent 协同。超级 Agent 承担"编排者"角色，通过主子 Agent 架构实现复杂业务流程的分解与协作。这与近期行业对 multi-agent systems 的关注（如 LangGraph、AutoGPT、CrewAI 等框架的兴起）是一致的。

实践启示¶

1. 起步推荐：先用快速创建验证想法¶

对于新项目或新场景先用「快速创建」模式上线第一个 Agent，验证业务可行性。一旦模型/提示词/工具组合跑通，再根据需要升级到「代码创建」模式引入自定义框架。避免过早引入 LangChain/LlamaIndex 等框架的复杂度。

2. 模型选择：LiteLLM 统一网关值得优先考虑¶

面对通义千问、DeepSeek、Kimi、OpenAI 等多模型选项时，建议通过 LiteLLM 统一网关接入。LiteLLM 自带鉴权/负载均衡/Fallback/限流/安全审查/重试等企业级能力，比直连单一模型服务更稳定，也更容易切换模型提供商。

3. 评测体系尽早建立¶

详情页的「评估评测」Tab 支持离线回归和在线 Trace 评测。建议在 Agent 上线前就用评估体系建立基线——哪怕只是一个简单的问答准确率指标。上线后的每一次提示词/模型/工具调整都应对比基线数据，避免"感觉变好了但实际没变"的认知偏差。

4. 多 Agent 协同的适用场景判断¶

超级 Agent 模式适合复杂业务流程拆解（如：一个 Agent 负责查资料、一个负责生成文案、一个负责审核），而非所有场景。对于简单问答或单步任务，单 Agent 模式即可，引入多 Agent 反而增加复杂度。当业务流程需要多角色串联且每个角色有独立工具和知识库时，再考虑超级 Agent。

5. MCP 工具市场是生态关键¶

平台已对接主流 MCP 生态，这意味着可以通过 MCP 工具市场快速接入外部能力（如 GitHub 集成、数据库连接、第三方 API）。如果官方提供的 Skills 不够用，优先查 MCP 工具市场而不是自己写 Function Call。

6. CLI 和 SDK 适合集成到现有系统¶

对于已有内部平台或需要将 Agent 能力集成到现有系统的团队，AgentRun CLI 和 Python SDK 提供了 programmatic 访问途径。尤其是 Python SDK，可以直接 pip install agentrun-sdk 集成到 Python 项目中，适合内部工具链自动化场景。