具备推理与行动能力的网络：将 Agentic AI 应用于意图驱动的闭环自治

电信行业正处于一个拐点。覆盖 5G、边缘计算、物联网以及 6G 早期基础的网络，正变得愈发复杂且成本高昂。单一任务可以通过人工干预、被动故障处置、规则驱动的流程以及孤立的 AI 模型实现优化，但行业仍然难以管理端到端的网络行为、解决跨域依赖，并实时适应不断变化的环境。为了满足实时自适应、超高可靠性以及大规模个性化服务交付等新兴应用的需求，行业需要更智能、更协同的运营模式。

这正在加速行业向自智网络演进——即意图驱动、自优化并逐步自管理的网络，能够在有限人工干预的前提下，将业务目标自动转化为运营动作。要迈向更高层级的自治，网络需要一个智能控制层，能够跨域进行推理、协调行动、从结果中持续学习，并在明确且安全的边界内运行。Agentic AI 正是这一演进的关键使能技术之一。

与在窄域、预定义工作流内运行的传统 AI 系统不同，Agentic AI 系统是目标导向的。它们能够理解意图、在复杂网络上下文中进行推理、规划并执行多步动作、与工具和系统交互，并基于反馈持续调整行为。应用于保障、故障处理、开通与网络优化时，AI Agents可以将运维从被动自动化，推进到主动的闭环管理。它们能够降低运营成本、缩短故障平均修复时间、提升服务质量与弹性，并为更具差异化、以结果为导向的服务奠定基础。

然而，电信网络不能简单照搬通用的 AI Agents。网络作为关键基础设施，受高度监管且对运行敏感。Agent必须理解电信特有的上下文，能够可靠地与传统和云原生系统交互、跨多厂商和多域环境进行协调，并在不损害安全性、弹性和可审计性的前提下交付可预测的结果。在人们从受控用例逐步迈向更高自治级别的过程中，人工监督仍将不可或缺。

本白皮书探讨如何对 Agentic AI 进行适配，以加速向自智网络演进。我们将概述使 AI Agents适用于电信网络所需的运行原则与保障机制，使其安全、可审计、可互操作且可扩展；并给出从试点走向可信生产部署的设计原则，帮助运营商在不牺牲网络可靠性或信任的前提下推进落地。

Agentic AI 所带来的价值远不止于成本优化，它可以解锁平台级变现和新的 AI 原生服务，使运营商在提升效率的同时开辟新的收入来源。最大的增值空间在企业服务、网络 API 和自智类产品上，这些领域的收入超越了传统的连接类业务。

新型业务模式

Agentic AI 为运营商提供机会，将网络能力打包为以结果为导向的、AI 原生服务，而不是静态的连接产品。

典型例子包括：

• 自主的企业连接服务；
• 自优化的专用网络；
• 带服务等级协议（服务等级协议）的应用性能保障；
• 面向垂直行业的托管数字运营等。

在这些模式下，运营商可以变现的不仅是带宽，还有保障能力、自动化水平、意图实现能力以及可度量的业务结果。

这为经常性付费模式、按使用量计费的方案、高端 SLA 分层，以及面向企业的托管 Agentic 服务打开了大门。

网络效率与成本降低

Agentic AI 可以通过自动化复杂网络工作流——例如零接触开通、基于 SLA 的保障以及自主故障处理——显著降低运营支出。Agents可以持续监控网络状态，在问题影响到客户之前发现退化，并在无人干预的情况下执行修复动作。这将减少故障平均修复时间，降低故障发生频率及持续时间，从而提升网络可用性、改善用户体验，并构建更精简而具弹性的运营体系，使规模扩展不再与人力成本线性挂钩。

超个性化服务交付

Agentic AI 也使客户服务方式发生根本变化。专门化的Agents能够自动化跨多工作流的决策，让个性化在个体层面、并在规模化场景中成为现实。与宽泛、同质化的营销活动不同，运营商可以基于实时上下文、行为信号以及推断的需求，面向客户提供差异化的连接体验，从而获得更高的利润率，同时提升客户保留率。

平台变现

网络 API 可以通过传统 API 或面向Agents的接口（例如 Model Context Protocol 或 Agent-to-Agent 协议）进行暴露。随着企业和开发者工作流日益引入 AI 辅助，API 的可发现性、编排能力以及生态丰富度将与接口本身同样重要。

随着时间推移，这些面向Agents的接口可以演进为“电信级”的 Agentic AI 平台，构建在现有网络之上。此类平台将网络数据、暴露型 API、AI 服务、策略控制以及网络自动化接口整合进可编程环境中，供企业、开发者、应用提供商和合作伙伴使用。

这些平台还能支持隐私保护的数据与洞察变现。运营商无需暴露原始数据，而是可以基于网络、移动性、体验质量以及业务使用信号，提供聚合洞察、预测分析以及Agents驱动的决策辅助。这将拓展网络能力的可服务市场空间，并帮助运营商从连接提供者转型为数字价值创造的积极参与者。

要让运营商真正从 Agentic AI 中获益，必须解决若干关键挑战，以便在电信环境中高效集成 AI Agents。本节从高层角度梳理在电信场景下部署 Agentic AI 的主要挑战。

安全与可靠性：电信基础设施属于关键领域。自治Agents必须在严格的安全边界内运行，通过稳健的防护机制防止可能导致服务中断或违反监管的行为。

实时约束：许多网络操作需要在毫秒到秒级时间尺度上做出决策，这要求推理延迟低、Agents之间的协调开销极小。

多厂商复杂性：运营商网络天然是多厂商环境。Agentic AI 系统必须能够跨多种设备、接口与管理系统互操作，而不能假定网络堆栈是同质的。

数据主权与隐私：网络数据高度敏感。Agentic 架构必须满足数据属地化要求，遵守隐私相关法规（如 GDPR），并在不暴露用户原始数据的前提下提炼智能。

基础设施要求：与无状态推理不同，Agentic AI 需要有状态的长生命周期工作流，持续进行感知、推理以及多步工具协调。瓶颈因而从纯算力转移到系统级编排、内存与上下文管理、数据就近性，以及低延迟的Agents间通信。电信环境还需要确定性性能、从边缘到核心的编排，以及覆盖 SLA、安全与数据主权的电信级治理体系。

传统系统集成：运营商通常运行生命周期长达数十年的系统。Agentic AI 必须与现有 OSS/BSS 堆栈集成，而不是取而代之，这就需要设计周密的“桥接”策略。

电信网络遵循标准化的功能架构，并通过标准化接口来保证在高度异构、多厂商部署中的互操作性。AI Agents必须在这样的环境中运行，承担网络运维中的特定职能，并通过既有 API、数据源与管理系统，以自治方式参与运营流程。这构成了一条演进路径的起点——从当下部分自动化的网络，走向高度自适应、以 AI 为核心的自智网络，实现成本、能效和资源利用率的全面提升。

Agent的角色与作用范围

AI Agents是一类新组件，需要嵌入既有的网络运维架构之中。它们的主要优势在于态势感知与决策制定：分析网络形势、发现改善网络状态的机会并生成行动方案。在复杂、多变量场景中，Agents所展现的能力往往优于传统基于策略的自动化，也常常优于在压力之下工作的人类操作员。

Agents可以在控制环路中承担核心角色，持续观测网络状态，综合意图、业务需求与技术约束，做出权衡后的决策与行动计划。所谓“Agent织体”（agent fabric）会向Agents开放工具、数据和使能组件，而Agents则负责协调、分析和决策。Agents织体的作用范围与既有运营域保持一致——例如接入网、核心网、承载网、云管理以及端到端服务管理——从而保留支撑大规模电信运营的模块化特性。每个Agents织体都会向在其中运行的一组Agents暴露特定域的模型、工具和数据。此外，并非所有功能都适合由Agents来承担。对严格实时要求的流程、目标固定的传统控制系统以及数据处理流水线，通常更适合由专用系统来完成，并作为 Agentic 智能层的底层使能组件。

Agent的发现与交互

电信行业可以复用现有的Agent接口，如 A2A，用于Agents间通信。这类轻量协议主要关注任务级对话，使一个Agents能够利用另一个Agents的能力。相关 API 必须保持轻量且兼容，而不应被过度“电信化”或加载过多行业特定特性。Agents授权与能力匹配等缺口，更适合通过专门的辅助接口来解决，用于认证、授权以及语言协商。

为了实现正确交互，Agents之间不仅要在词汇层面达成一致，还需在语义层面达成一致——双方都要以相同的方式理解对话内容，才能采取恰当行动。验证语义一致性是系统集成中的新挑战，这要求采用形式化定义、受约束的域专用语言，而非开放式的自然语言交互。

电信网络属于关键基础设施，对一致性与正确性有极高要求，而生成式 AI 本身是非确定性的，且存在幻觉风险。这种灵活性让Agents非常强大，同时也引入了安全隐患。Agents必须受到强认证机制的约束，并拥有清晰定义的角色，用以限定它们可以发起何种任务请求、可以共享或接收何种信息。

由于 Agentic 交互所采用语言的灵活性，要严格执行这些边界颇具挑战。即使Agent通过改写请求来寻找通向受限信息或能力的替代路径，授权约束也必须始终有效。这意味着安全范式正在从“接口级访问控制”，转向“内容级的Agents会话审查”。
要实现可靠的执行与审计，就必须保持语言受约束且形式化定义。

保持网络一致性

零信任原则要求不仅参与的Agents必须认证与授权，其行动也必须在执行前独立验证是否有利于网络。这样的机制既可以抵御幻觉驱动的错误，也可以防范外部攻击（如提示注入）所导致的恶意行为。在 Agentic 环境中，系统不仅要问“Agents想做什么”，还要问“为什么要这么做”以及“预期结果是什么”，以便在任何行动落地之前进行独立验证。

网络数字孪生是关键使能技术之一，它允许在安全沙箱中评估Agents提出的行动，再决定是否在生产网络中执行。意图驱动需求（包括业务效用规格）提供了高层级的保护栏，确保Agents始终在有益的运营边界内运行，辅以动作级保护栏，对Agents的具体行为进行直接限制，使其始终在安全范围内动作。

人员角色与信任的演变

自智网络通过尽量减少直接人工干预，实现更高运营效率。

要充分发挥其潜力，组织必须对自治决策有足够信心，同时保证规模化、快速交付和成本效率等业务目标得以实现。

以下三项能力，是推动这一演进的关键信任驱动因素：

1. 定义目标与边界的策略体系：
   人通过意图定义运营目标、业务需求和优先级，从而控制自治Agents追求什么。策略保护栏让运营保持在已知安全边界内，使操作人员无需对每一步操作进行人工监督。
2. AI 可解释性与自我认知：
   对运营决策进行持续监控与验证，需要结合 AI 可解释技术与自然语言交互。Agents必须在检测到超出自身能力的情形时主动联系人工，而不是“幻想”出不准确的解决方案。这让Agents成为透明、可靠的合作伙伴，而人仍是最终负责者。
3. 具备治理与生命周期管理的 AgentOps：
   安全的生产应用依赖精心设计的治理与生命周期管理流程，明确Agents角色与作用范围、Agents与工具的来源和设计原则，并在生产集成前验证互操作性与安全性。

基础设施要求

基于生成式 AI 的Agents需要一个部署环境，能够处理大量计算与存储工作负载，并在必要时采用专用硬件。Agentic AI 需要跨网络各域访问丰富、具备上下文化的数据，这要求对数据管道、数据标准化以及实时流式基础设施进行投入。

与无状态推理不同，Agentic AI 需要有状态的长生命周期工作流，持续进行感知、推理以及多步工具协调。瓶颈因此从纯算力转向系统级编排、内存与上下文管理、数据就近性，以及Agents、模型与网络功能之间的低延迟通信。

与人驱动流程相比，AI Agents可以在更低延迟下行动与响应，但其推理与交互延迟在毫秒级实时场景中仍可能构成限制因素。因此，模型技术的选择与组合及其固有性能特征，必须与目标用例相匹配。

电信环境必须保证确定性性能，实现从边缘到核心的编排，并具备覆盖 SLA、安全与数据主权的电信级治理能力。

领域上下文知识

Agents进行确定性决策高度依赖可用的上下文信息。电信本体辅助推理可以通过结构化、域专用的网络实体、KPI 和因果关系模型来约束 AI 输出，从而减少幻觉和低效的推理循环。这会将系统限定在有效概念范围内，提升准确性和可解释性，并引导推理沿着聚焦路径，如“故障 → 影响 → 根因”。领域知识可以以检索增强式生成的形式提供给通用模型，作为基础模型微调数据，或作为构建电信专用基础模型的依据。

Agentic 相关知识可以从现有电信运维接口所提供的数据中抽取。

传统系统使能

运营商运行的系统生命周期往往长达数十年。Agentic AI 必须与现有 OSS/BSS 集成，而非替换它们。

自动化旅程可以先从信息获取和运行时行为变更相对容易的现代系统开始，然后逐步扩展到由多厂商提供的传统系统，这些系统构建于较早期技术之上。

针对这一挑战，白皮书提出以下四类方法：

• 将传统接口暴露为工具：通过独立的 MCP 服务器实现作为Agents的Agents层，将传统系统能力以工具模式暴露给Agents，而无需改动底层系统。需要注意，MCP 并非适用于电信堆栈所有层级，在某些场景下通过传统 API 暴露功能更为合适。
• 让 AI Agents理解传统系统：使 AI Agents能够理解传统系统所管理的范围和任务，通过这些系统的原生 API 与之交互，并据此限定自身操作范围。AI Agents与传统系统协同工作，兼顾那些运营商需要保留的旧系统。
• 创建动作“挂钩”（actuation hooks）：通过现有接口，或在必要时通过命令行接口，为传统系统建立接收命令的机制，使Agents可以在完整网络堆栈上实施变更。
• 在知识本体中建模传统实体：确保传统系统在语义上与其它应用相连，使Agents无需区别对待传统系统和现代系统。

衡量Agents价值

衡量 Agentic 系统价值需要同时捕捉运营结果与业务影响的指标。相关指标包括：故障平均修复时间的缩短、自治解决的事件百分比、零接触运营带来的 OPEX 降幅、个性化服务交付带来的收入提升，以及自治工具带来的开发者生产力提高等。在部署前建立基线，并持续跟踪这些指标，有助于运营商证明投资回报，并据此决定在哪些领域进一步扩展 Agentic 自动化。

基于 Agentic rApp 的自治网络优化

网络优化是一项多目标任务。例如：面向用户体验的优化，关注为用户提供持续、不中断的访问体验，包括充足的吞吐量和低时延；面向能效的优化，则侧重消除浪费性的资源使用。

Ericsson 通过遵循开放 RAN 所定义的服务管理与编排（SMO）架构，构建自治软件组件 rApp，实现多种优化目标。该架构为自治软件组件的部署与生命周期管理提供了灵活环境。优化类 rApp 会实现具体的优化目标，包括根因分析和影响评估（见图 1）。

在这一模式中，Ericsson 将 Agentic AI 能力引入 rApp，并增加一个协调Agents。
这使得 rApp 可以作为 AI Agents，通过 A2A 与 MCP 等协议相互交互，与协调器以及 Agentic 框架进行对话。协调Agents也包含意图管理功能，负责意图实现，包括协同冲突解决以及基于效用的方案搜索。在这一方案中，Agentic AI 叠加层关注于协同寻找优化解，而 Agentic rApp 则通过标准化 R1 接口，保持与 SMO 和非实时 RAN 智能控制器的全面集成。

将 rApp 演进为 Agentic AI rApp，展示了一种渐进式演进策略，可提升整体性能与能力。既有的 rApp 生命周期管理与治理机制可以直接用于Agents，为其提供统一的部署环境；标准化的 SMO 能够提供数据、意图和访问网络资源的接口，使Agents保持信息通达并具备行动能力；另一方面，rApp 在面对需要基于效用的协调、存在冲突的场景时，也能从灵活而智能的 Agentic 通信中受益。

网络异常的自治解决

传统的网络异常处理依赖预定义的告警关联规则和人工根因分析——这些流程往往缓慢、易出错，且难以跟上网络复杂度的提升。基于 Agentic AI 的 RAN 故障排查编排会持续接入并分析多域网络数据，包括性能统计、告警、配置变更以及环境数据。接入域、承载域、核心网、边缘、虚拟化和硬件等领域的专门化Agents，在各自域内保持深度专业能力。Agents与工具的编排流程由基于领域和功能本体构建的知识图谱驱动。

在这一自动化用例中，被检测到的异常会被转换为系统提示，触发解决流程。推理Agents会利用知识图谱创建解决方案，并开始调用其他Agents和工具，跨网络拓扑、时间关联和历史事件模式进行推理。在完成根因分析后，系统会生成一个修复方案及动作列表。其中部分动作由执行Agents实施，部分动作则会根据策略规则升级至人工操作员，以确保任何建议的配置或动作不会导致 KPI 恶化。Agents与工具采用标准化通信协议，使多方Agents与工具间的交互成为可能（见图 2）。早期部署显示，平均修复时间显著缩短，首次接触解决率明显提升，常规网络事件中高达约 70% 的故障有望实现自动化解决。

端到端跨域的 Agentic 服务意图管理

跨域服务意图处理是一项多维度挑战，传统基于规则或策略的框架很难完整实现。
该过程本身包含多阶段分析，需要识别最有可能解决服务退化的方案。每一阶段都必须能够自治运行，并在运行时决定下一步进入哪一阶段、由谁来承担、以及如何进行任务委派。如果不采用 Agentic AI，那么完整的“认知闭环”必须通过规则硬编码实现，并在面对未预见的网络行为或异常时几乎无法调整。在服务意图管理场景下，某个Agents会根据自身推理结果，通过Agents注册服务发现其他Agents——这些Agents根据所声明的能力，能够完成后续任务（见图 3）。

这并非一个硬编码的序列，而是一种自治决策过程，其中Agents会动态地将任务移交给彼此。Agents会通过 A2A 等 Agentic 协议交换任务，并在实现整体服务级保障的过程中，受到Agents编排器的辅助。

在各阶段中，这些Agents都会在自身作用范围内基于分析进行决策，而不是简单遵循预设规则。它们会通过 MCP 等标准机制，调用所需工具和资源——如果对工具进行硬连线，则闭环将变得僵化。Agentic 方法则为复杂功能引入自治与自适应行为。

Agentic AI 代表了电信领域的一次重大技术演进。它是构建“网络能推理并行动”的新运营模式的基础，使网络能够在更高自治水平下进行感知、推理、规划和执行。
随着网络变得更加复杂、动态并承担更关键的服务职责，运营商将需要能够以更高独立性进行感知、推理、规划和执行的系统。这类系统的影响贯穿整个电信价值链：成本降低、创新加速、更佳客户体验，以及新的收入机会。

随着 AI Agents具备在关键系统上实施行动的能力，价值焦点也将从“智能本身”转移到“可信部署、治理与受控自治”。

运营商必须为Agents赋予恰当的工具、上下文与自治级别，使其能够以运营速度行动，同时通过强治理、最小权限访问、策略执行、验证机制以及人工升级路径进行控制。通过端到端可观测性、数字孪生测试、持续验证和可审计性，Agentic AI 可以成为自智网络的可信控制织体。

行业也必须避免走向一个“Agents专有化、接口封闭、自动化孤岛林立”的碎片化未来。要在电信领域规模化部署 Agentic AI，需要围绕Agents接口的开放标准、共享数据语义、治理机制、生命周期管理和验证方法建立统一基础。能够抓住这一基础并构建相应能力的运营商与厂商，将在向自智网络演进的过程中处于最有利的位置，并能够解锁差异化企业服务，捕获围绕 5G 与未来 6G 网络正在形成的 AI 驱动价值池。

在网络运维之外，Agentic AI 正在重新定义企业 API 市场：主要消费者正在从人类开发者向自治Agents迁移，API 消费方式从硬编码集成转向基于推理的动态工作流，价值焦点从“数据交付”转向“业务结果实现”。这提升了可信上下文、编排和执行环境的重要性，也为电信参与者提供了新的机会，使其角色从连接提供者扩展为“结果使能平台”。