背景与目标

多 Agent 系统真正进入生产后，问题通常不在“能不能调用模型”，而在网络是否可控、任务是否可追踪、失败是否能恢复、人工是否能及时介入。本文给出一套面向华为云的参考架构，将组网、多 Agent 编排、日志监控和飞书/企业微信通知放到同一条闭环中。

目标包括：

• 业务面、管理面和观测面相互隔离；
• 每个 Agent 只获得完成职责所需的最小权限；
• 所有任务都有统一 task_id、状态机和审计记录；
• 高风险动作进入人工审批，普通动作自动执行；
• 异常能够通过飞书或企业微信实时通知，并支持回执、重试和升级。

一、网络分层：先把边界划清楚

建议至少划分三个逻辑区域：

1. 入口区：承载 API 网关、Webhook 接收器和身份校验，只暴露必要入口。
2. Agent 执行区：运行规划、执行、复核等 Agent，默认不接受公网主动访问。
3. 数据与观测区：承载数据库、对象存储、日志、指标和审计数据。

少量同区域 VPC 可以使用对等连接；VPC 数量增加后，可使用企业路由器构建中心辐射型组网。跨区域场景可按业务连续性要求引入云连接。无论采用哪种方式，都应提前规划不重叠的 CIDR，并通过安全组、网络 ACL、路由表和访问策略限制横向移动。

一个实用原则是：消息可以跨区流动，但 Agent 不应因为“方便”而拥有整个网络的访问权。

二、多 Agent 职责拆分

可以将系统拆成五类角色：

• Planner Agent：分析目标、拆解任务、生成执行计划，不直接改动生产资源。
• Network Agent：读取拓扑、路由和连通性信息，生成组网变更建议。
• Executor Agent：调用受控工具执行操作，只接受结构化指令。
• Reviewer Agent：检查参数、依赖、回滚条件和结果证据。
• Supervisor Agent：维护状态机、超时、重试、升级和人工介入。

AgentArts 可用于单智能体、多智能体协作或工作流编排。对于步骤明确、可枚举的运维流程，优先使用工作流；对于需要角色分工、动态拆解和结果汇总的任务，再使用多智能体协作。这样可以减少不必要的自由度。

三、统一事件模型

所有 Agent 和通讯适配器共享同一事件结构，避免每个模块自行解释自然语言：

{
  "task_id": "net-20261107-001",
  "trace_id": "trace-8f21",
  "source": "planner-agent",
  "target": "network-agent",
  "action": "check_connectivity",
  "risk_level": "low",
  "status": "pending",
  "deadline": "2026-11-07T22:00:00+08:00",
  "evidence": [],
  "retry_count": 0
}

建议状态机固定为：created -> planned -> approved -> running -> verifying -> succeeded/failed/rolled_back。任何状态变化都写入审计日志，禁止只在聊天消息中保存关键结论。

四、实时监工与告警闭环

监工不是简单地“发一条消息”，而是完整闭环：

1. Agent 执行时持续上报 task_id、阶段、耗时和结果摘要。
2. 日志进入 LTS，基础资源指标进入 CES 或 AOM。
3. Supervisor 根据超时、连续失败、越权请求和结果不一致触发事件。
4. 通讯适配器将事件转换为飞书或企业微信卡片。
5. 人工点击“批准、拒绝、暂停、重试”后，回调服务验证签名并更新状态机。
6. 无人响应时按 5 分钟、15 分钟、30 分钟逐级升级。

通知卡片应至少包含：任务编号、Agent、目标资源、当前步骤、风险等级、关键证据、回滚点和操作按钮。消息正文不要包含密钥、Token、完整手机号或数据库连接串。

五、幂等、重试与审计

通讯平台和云服务都可能出现超时，因此每个外部动作必须具备幂等键。推荐使用 task_id + action + version 作为幂等键，并记录请求摘要、响应码和执行结果。

重试采用指数退避并设置上限。连续失败后停止自动操作，由 Supervisor 进入 manual_review。对于网络路由、安全组、IAM 权限等高影响变更，执行前保存变更快照，执行后做连通性验证；验证失败则自动回滚并通知人工。

六、最小可行落地步骤

• 第一步：在一个测试 VPC 中部署 Supervisor、一个 Executor 和一个通讯适配器。
• 第二步：接入 LTS 日志，统一 task_id 与 trace_id。
• 第三步：实现只读网络巡检，例如路由核对、端口连通和证书到期检查。
• 第四步：接入飞书或企业微信卡片，实现批准、拒绝和重试回执。
• 第五步：加入 Reviewer，对执行参数和结果证据做二次校验。
• 第六步：再扩展到多 VPC、企业路由器和跨区域组网。

七、验收指标

上线前至少验证以下指标：

• 任务状态可追踪率为 100%；
• 重复回调不会导致重复执行；
• Agent 无法访问职责外的网段和工具；
• 告警消息能够关联到完整日志和 trace；
• 高风险动作没有人工批准就无法执行；
• 回滚流程可在测试环境重复通过。

总结

多 Agent 运维平台的核心不是增加更多 Agent，而是让职责、网络、权限、状态和证据形成闭环。华为云的 VPC 与企业路由器可以承载可扩展组网，AgentArts 负责智能体和工作流编排，LTS、CES/AOM 负责观测，再通过飞书或企业微信适配器把异常和审批送到人面前。先从只读巡检和人工审批开始，再逐步开放自动变更，是更容易验证和持续演进的实施路径。