AgentStack针对企业人工智能中最大的阻滞剂，在不将开发人员锁定在单个云或数据平台的情况下操作多代理系统。

　　来源：T. Scheider/Shutterstock

　　Teradata将其去年推出的代理构建功能扩展为一个全面的工具包，它表示，这将帮助企业应对将人工智能代理从试点转移到生产级部署的挑战。

　　扩展的工具包以Enterprise AgentStack为品牌，将AgentEngine和AgentOps分层到Teradata现有的Agent Builder上，其中包括在LangGraph等第三方框架的帮助下构建代理的用户界面，以及上下文智能功能。

　　虽然AgentEngine是一个用于跨混合基础设施部署代理的执行环境，但AgentOps是一个统一的接口，用于在给定企业中集中发现、监控和生命周期管理代理。

　　HyperFRAME Research的人工智能堆栈实践负责人Stephanie Walter说，AgentEngine是Enterprise AgentStack的关键部分，因为它介于代理设计和现实世界运营之间。

　　“没有执行引擎，企业通常依靠自定义胶水代码来协调代理。代理引擎使执行行为标准化，并为企业提供了一种大规模了解代理性能、可靠性和风险的方法，”沃尔特说，并补充说，类似代理引擎的功能是企业将代理或代理系统投入生产所需的。

　　然而，分析师表示，Teradata采用企业代理的方法与Databricks和Snowflake等竞争对手的方法明显不同。

　　Moor Insights and Strategy的首席分析师Robert Kramer表示，虽然Snowflake一直依靠其Cortex和Native App Framework，让企业构建人工智能驱动的应用程序和代理更接近受治理数据，但Databricks一直专注于通过Mosaic AI实现代理工作流程，强调与其湖屋架构相关的模型开发、编排和评估。

　　Walter在支持Kramer时指出，Teradata的差异化在于将Enterprise AgentStack定位为与供应商无关的执行和运营层，旨在跨混合环境工作，而不是将代理紧密地锚定在单个云或数据平台上。

　　Walter补充说，这种定位可以归因于Teradata对Karini.ai、Flowise、CrewAI和LangGraph等第三方框架的依赖，这些框架使企业及其开发人员能够灵活地随着时间的推移发展其代理架构，而不会被锁定在Snowflake和Databricks的平台上，这些平台倾向于优化自己环境中的端到端控制。

　　然而，分析师警告说，尽管Enterprise AgentStack的架构与企业需求非常一致，但其试金石将继续保持与第三方框架的深度集成。

　　Walter说：“客户希望看到AgentStack在生产中支持复杂、长期运行的多代理部署的具体证据。”

　　Kramer也指出，企业和开发人员在实施之前应该尝试了解可用性的深度。

　　“他们需要检查始终如一地应用政策、在更改后运行评估、端到端跟踪故障以及与现有安全和合规性工具集成有多容易。克雷默说：“只有当开放性不将复杂性重新转移到客户身上时，它才会起作用。”

　　Enterprise AgentStack预计将在今年4月至6月期间在云和本地的私人预览中提供。