摘要：大模型应用正在从生成式交互走向行动式协作。智能体不再只是回答问题，而是代表用户调用模型、访问内容、执行工具、写入状态并协调多个服务。这一变化使网络面对的核心问题从“端到端可达”扩展为“任务链路可控”：主体身份如何确认，委托授权如何传递，能力如何发现，内容如何鉴权，资源消耗如何归因，状态变更如何追踪。本文以智能体网络为中心对象，分析行动型智能体对未来网络体系结构提出的新要求，并将智能生态网络（Intelligent Eco Networking，IEN）放置在 Internet of Agents、DID、零信任、KDN、IBN、CATS 与大模型推理系统等相关技术线索中加以讨论。文章认为，IEN 的价值不在于替代上述技术方向，而在于为这些分散问题提供统一的跨层组织视角，将内容识别、知识驱动、可信协作、资源度量与价值导向纳入同一任务协同基础设施框架。
关键词：智能体网络；智能生态网络；未来互联网；知识驱动；可信协作；资源协同；计算感知路由

引言：从连接智能体到支撑智能体行动

近年来，Internet of Agents、Model Context Protocol、Agent2Agent Protocol、DID、零信任、CATS 以及大模型推理服务系统的发展表明，智能体时代的网络问题正在从端到端连通性扩展到身份委托、能力发现、内容授权、资源调度、状态追踪与审计归因。本文以行动型智能体任务链路为对象，讨论未来网络从“连通性支撑”走向“任务协同基础设施”的体系结构需求，并从 IEN 视角分析其跨层组织可能。
本文所称“智能体网络”，并非简单的多智能体聊天系统，而是由用户、智能体、模型服务、工具服务、数据服务、缓存节点与计算节点共同构成的任务协作网络。在这种网络中，请求不再只是一次输入输出，而是可能演化为一条跨主体、跨系统、跨资源域的行动链。
由此产生的核心变化是，网络不再只是连接端点的传输管道，而逐渐成为组织身份、内容、能力、资源与任务上下文的基础设施。若这一变化仍被完全留给应用层以临时方式处理，智能体系统的授权边界、资源成本、状态一致性和责任追踪都会变得难以控制。
本文的中心观点是，行动型智能体推动网络体系结构从“连通性支撑”转向“任务协同支撑”。IEN 的启发不在于替代 NDN/ICN、DID、零信任、CATS 或智能体协议，而在于将内容识别、知识驱动、可信协作、资源度量与价值导向放在同一网络生态视角下重新组织。与 NDN/ICN 更侧重内容命名、缓存与数据中心通信不同，本文关注的是行动型智能体任务链路中的委托、能力、状态、成本与责任归因问题。

一、行动型智能体的网络基础设施需求

行动型智能体将网络问题从“请求能否送达”推进到“行动能否被可靠执行”。当智能体仅承担问答式推理时，网络主要负责将请求路由到模型服务并返回结果。当智能体开始代表用户执行操作时，网络化基础设施需要与控制面、安全机制和服务编排层协同组织身份、授权、能力、资源与状态等多维信息。
第一，身份与委托授权需要在任务链路中持续表达。一次智能体任务可能由用户发起，经由智能体规划，再调用模型、工具、数据库或第三方服务。链路中的每一步都需要明确请求由谁发起、代表谁行动、被允许执行哪些动作，以及授权是否仍然有效。
第二，能力发现与任务匹配成为网络协作的前置条件。智能体网络中的节点不只是地址或端口，而可能是模型、工具、数据集、执行环境或组合服务。任务调度的目标不只是找到“可达节点”，而是找到能力、成本、可信性与约束条件共同满足要求的协作者。
第三，资源消耗需要被细粒度度量并归因到任务。一次复杂任务可能涉及多次模型调用、上下文缓存复用、数据读写、工具执行和跨节点传输。若缺乏统一的资源计量机制，系统很难判断一次行动的真实成本，也难以建立公平的计费、审计和服务等级保障。
第四，任务状态需要具备跨节点可追溯性。行动型任务通常包含多个具有依赖关系的子步骤。当授权失败、工具异常、节点超时或状态写入冲突发生时，系统需要知道故障发生在何处、影响了哪些后续步骤、是否需要回滚或补偿，以及责任应如何界定。
这些要求并不完全属于传统网络层，也不能完全交给应用层孤立处理。更合理的方向是让网络控制面、服务编排层与安全机制共同暴露面向行动语义的基础能力，从而使智能体任务具备可控、可计量和可追溯的运行条件。

二、自主协作系统带来的体系结构复杂性

上述需求之所以构成体系结构问题，并不是因为每一项机制本身前所未有，而是因为它们在行动型智能体场景中被同时激活，并沿着任务链路发生耦合。智能体网络的复杂性并非单纯来自模型规模，而是来自自主性、协作关系和状态变更共同形成的系统效应。相关研究虽然关注角度不同，但共同指向一个趋势：人工智能系统的关键挑战正在从模型内部能力扩展到外部基础设施的组织方式。
自主等级首先改变了部署风险的性质。Morris 等在 ICML 2024 论文中提出，评估 AI 系统不能只看性能和通用性，还需要考虑自主性所带来的部署风险[1]。对网络基础设施而言，这意味着不同自主等级的智能体请求应当携带不同的控制语义，例如是否允许自动执行、是否需要人工确认、是否允许写入外部状态，以及是否需要更高等级的日志审计。
用户监督角色进一步改变了责任边界。Feng 等将用户在智能体系统中的角色划分为操作者、协作者、顾问、审批者和旁观者五类[2]。当用户从直接操作者转变为审批者或旁观者时，系统必须通过基础设施机制补足控制能力，包括可验证委托链、条件性执行阻断、异常回滚和责任追踪。
多主体协作使智能表现出关系性和社会性特征。Evans 等在 Science 文章中指出，智能并非只能理解为单体模型能力，而可以表现为多个主体之间的社会性、关系性交互[3]。这一判断对网络体系结构的启示是：智能体之间的协作需要显式表达任务依赖、状态依赖和冲突解决机制，而不是仅依赖自然语言对话或应用层临时约定。
状态写入则使经典系统问题重新出现。只读查询可以容忍缓存、重试和近似一致性，但写操作、审批流程、资金转移、数据更新和项目管理任务涉及事务、持久化、原子性和补偿逻辑。Stonebraker 关于数据库未来问题的讨论也表明，当系统开始组织真实工作流时，事务和状态管理仍是基础设施无法绕开的核心问题[4]。
因此，智能体网络的体系结构挑战不能简化为“给智能体提供通信协议”。更准确地说，它需要在通信、身份、能力、资源、内容、状态与治理之间建立统一的控制关系。

三、IEN作为跨层整合的架构视角

面对行动型智能体释放出的跨层复杂性，IEN 的价值在于提供一种整合性问题视角。它不应被理解为替代所有现有协议和系统的单一方案，而应被视为一种将内容、知识、可信关系、资源状态和价值关系共同纳入网络体系结构的框架。

IEN 2020 年论文将其概括为知识驱动和价值导向的未来互联网基础设施[7]。这一表述的关键不只是“智能化网络控制”，而是把网络看成由内容、主体、资源和价值关系共同构成的生态系统。相较于以地址、路径和转发为主要抽象的传统 IP 网络，IEN 更强调内容标识、授权关系、可信协作、资源度量和任务导向的动态组织。

后续 IEN II 继续强调知识驱动与价值导向的生态系统视角[8]，IEN III 则提出共享网内计算基础设施的概念[9]。这些工作与当前大模型服务和算力网络具有可比性：在长上下文推理、KV cache 复用、异构 GPU 调度和跨节点服务编排中，计算、缓存、路由和资源状态已经难以分离。

从智能体网络角度看，IEN 的整合性可以体现在五个方面：内容不再只是被传输的数据，而是需要命名、授权、缓存和复用的对象；知识不再只是模型内部参数，而是可进入控制面的能力、意图和约束表达；可信不再只是边界防护，而是跨主体委托关系的持续验证；资源不再只是带宽和时延，而包括算力、存储、队列、缓存和成本；价值不再只是商业计费，而涉及激励、归因、合规和生态可持续。

这一定位有助于避免两种偏差，一是把智能体网络退化为应用层工作流编排，忽视网络基础设施的作用；二是把 IEN 表述为包打天下的封闭体系，忽视 DID、零信任、KDN、IBN、CATS 和大模型服务系统等相关方向的独立贡献。更有说服力的写法是：先定义智能体网络问题，再说明 IEN 为这些问题提供了统一组织框架。

四、知识驱动控制面的能力、意图与约束建模

本文所说的知识驱动，并不是指网络中存在一个集中式全局知识库，也不是简单把大模型接入控制面，而是指能力、意图、约束、资源状态和可信关系能够以机器可处理的形式进入调度与控制过程。若“知识驱动”要成为可操作的网络机制，就必须回答网络需要知道什么，以及这些知识如何影响决策。面向智能体网络，最关键的知识并非全局知识库，而是能够进入控制面和调度过程的能力、意图、约束与资源状态。
能力描述是智能体协作的入口。Agent Discovery 研究指出，大规模智能体协作需要能力表示、语义建模、可更新索引、上下文感知搜索、候选排序和组合机制[6]。这意味着智能体要发现的不再是某个 IP 地址，而是具有特定模型能力、工具能力、数据访问能力或执行能力的服务节点。
意图表达决定授权、路由和一致性策略。一次请求是读操作还是写操作，是短查询还是长上下文推理，是单工具调用还是多智能体协作，是可重试任务还是不可重复执行任务，这些差异直接影响缓存策略、审批要求、事务机制和审计粒度。
约束条件决定系统可接受的行动边界。智能体任务可能受到数据跨域限制、隐私合规要求、人工审批要求、预算上限、服务等级目标和用户策略约束。缺乏这些约束，调度系统只能依赖负载、时延或最短路径等少数指标，难以满足行动型任务的风险控制要求。
资源状态使知识驱动从语义层进入工程层。对大模型服务而言，可用 GPU、显存、队列长度、KV cache 位置、带宽、存储和失败率都会影响请求路由；对智能体任务而言，工具可用性、接口限额、内容权限和状态锁也会影响执行路径。知识驱动控制面需要把这些信息转化为可计算、可更新、可验证的决策输入。
KDN 和 IBN 为这一方向提供了重要参照。KDN 尝试将网络分析、机器学习与 SDN 控制结合起来，以优化网络行为[13]；IBN 则强调用高层目标、策略和约束表达网络意图，而不是暴露底层配置命令[14]。IEN 与二者的差异在于，它并不只讨论控制优化，而是把知识驱动放在内容、可信、资源和价值关系共同作用的网络生态中。
因此，知识驱动控制面的实际价值不在于构建一个集中掌握全部信息的全局大脑，而在于让能力、意图、约束和资源状态能够以可计算形式参与网络决策。只有当这些信息进入调度过程，智能体请求才可能被路由到合适、可信、成本可控且权限清晰的协作者。

五、面向委托行动的身份授权与可追溯机制

在智能体网络中，身份验证和授权不再是一次性登录问题，而是持续存在于任务链路中的委托关系问题。一个智能体可能代表用户调用工具，工具再调用下游服务，下游服务进一步访问内容、缓存或数据库。链路中的每一步都需要回答请求主体是谁，授权从何而来，允许执行何种动作，执行结果能否被追踪。
DID Core 提供了可验证、去中心化身份标识的参照，但 DID 本身并不等同于完整授权系统[11]。零信任架构则将安全防护重点从静态边界转向用户、设备、应用和资源本身，强调访问请求需要持续评估和动态授权[12]。这些方向共同说明，智能体网络中的可信机制不能只依赖“内网可信”或“入口登录”。
IEN 相关内容鉴授权思路提供了一个更贴近网络流程的例子。内容在网络中被缓存、转发和复用时，授权不能只发生在应用入口，还需要嵌入内容请求、缓存命中、授权查询、内容返回和审计记录等环节[18]。这与智能体访问缓存数据、复用上下文或调用受保护工具的场景高度相关。
以办公智能体读取缓存文档为例，系统不能只判断该智能体能否连接缓存节点，还需要判断其代表的用户是谁，文档是否允许被该任务读取，缓存版本是否有效，后续工具调用是否继承该授权，以及整个链路是否可被审计。若其中任一环节缺失，智能体行动就可能出现越权访问、不可追踪复用或责任边界不清。
由此可见，面向智能体网络的可信机制需要从“主体身份”扩展到“委托链路”，从“访问控制”扩展到“内容与行动的联合授权”，从“日志记录”扩展到“跨节点可追溯”。IEN 的意义在于把这些机制放入同一网络生态框架中讨论，而不是把它们分别留给应用、安全和运维系统孤立处理。

六、计算感知路由与缓存协同调度

智能体网络中的请求路由已经超越传统负载均衡。特别是在大模型推理服务中，请求目标节点的选择不仅取决于网络时延和实例负载，还取决于上下文缓存、GPU 队列、显存、模型部署、工具可用性和服务等级目标。
一个典型场景是连续对话中的 KV cache 复用。若前几轮对话产生的 KV cache 存储在某个节点，而后续请求被路由到另一个无相关缓存的节点，系统将承担重新加载上下文、重复计算、跨节点传输和排队延迟等多重代价。此时，调度决策不再是“哪个节点空闲”，而是“哪个节点在延迟、成本、缓存命中率和资源占用之间形成最优组合”。
Mooncake 和 Helix 展示了大模型服务系统中计算、缓存与网络紧密耦合的趋势。Mooncake 将 KV cache 置于服务架构核心，通过分离 prefill 与 decode 并构建 KV cache 中心化调度来提升长上下文服务效率[16]；Helix 则将异构 GPU 与网络连接纳入统一建模，通过最大流思想联合优化模型放置和请求调度[17]。
CATS 工作组也从网络标准化角度提出了类似问题，即在流量引导时同时考虑网络状态与计算服务状态，而不是只根据静态地址或连通性进行转发[15]。这表明计算感知路由已经成为未来网络和云边协同基础设施中的明确研究方向。
IEN 相关网内资源调度专利从另一个角度回应了这一问题。相关方案将 CPU、内存、响应时延、数据传输时延、功能函数、空闲算力、存储资源、接口偏好、相邻一跳网络状态与网内资源分布状态等因素纳入调度决策[19][20][21]。这些机制未必直接等同于当前 LLM serving 系统，但其共同思想是把资源状态和调度决策更深地纳入网络内部。
对智能体网络而言，计算感知路由还需要进一步结合任务语义。模型调用、内容访问、工具执行和状态写回分别对应不同的资源消耗和风险级别。若网络控制面无法理解任务调用了什么模型、访问了什么内容、是否存在可复用上下文、是否需要事务保证，以及成本如何归因，智能体协作就很难做到可控、可信和可计量。
因此，资源协同不只是算力调度问题，而是任务意图、内容状态、缓存位置、服务质量和价值归因的联合优化问题。IEN 的资源度量与价值导向视角可以为这一问题提供较完整的组织框架。

七、结语：从传输网络到任务协同基础设施

智能体互联网并非简单增加更多智能体，大模型基础设施也并非单纯堆叠更多 GPU。真正的体系结构难点在于中间层，智能体需要行动，模型需要调用，内容需要授权，缓存需要复用，资源需要调度，状态需要追踪，成本和责任需要归因。

这些问题正在推动网络抽象发生变化。网络处理的对象不再只是数据包和地址，还包括内容、能力、意图、状态和任务链路。网络优化的目标不再只是吞吐、时延和可达性，还包括可信、合规、成本、服务等级和生态可持续。网络治理的边界也不再只是设备管理，而延伸到委托关系、价值交换和责任审计。

已有研究分别从不同侧面回应了这一变化。DID 和零信任关注身份与访问控制，KDN 和 IBN 关注知识与意图进入网络控制，CATS 关注计算状态感知的流量引导，Mooncake 和 Helix 展示了大模型服务中的缓存与资源调度，Internet of Agents 和 Agent Discovery 则讨论大规模智能体互联和能力发现[5][6]。

IEN 对本文问题的启发在于，它把内容识别、知识驱动、可信协作、资源度量和价值导向放入同一未来网络框架中。若从智能体网络视角重新理解，IEN 并不是要替代所有相关技术，而是提供一种跨层问题组织方法：将分散在应用层、安全层、控制面、算力层和内容层的问题，重新纳入统一的网络生态结构。

因此，未来值得进一步展开的方向不是抽象地宣称“AI 需要新网络”，而是围绕智能体网络建立更具体的研究问题：如何表达能力和意图，如何传递可验证委托，如何对内容和缓存进行授权，如何让计算状态参与路由，如何记录任务因果链路，以及如何形成可审计、可计量、可治理的协作生态。

当智能体开始跨组织、跨平台、跨资源域执行任务时，网络将不再只是连接系统的管道，而会成为智能系统可靠运行的任务协同基础设施。

参考资料与延伸阅读

[1] Meredith Ringel Morris et al., Position: Levels of AGI for Operationalizing Progress on the Path to AGI, ICML / PMLR, 2024. https://proceedings.mlr.press/v235/morris24b.html
[2] K. J. Kevin Feng, David W. McDonald, Amy X. Zhang, Levels of Autonomy for AI Agents, arXiv:2506.12469, 2025. https://arxiv.org/abs/2506.12469
[3] James Evans, Benjamin Bratton, Blaise Agüera y Arcas, Agentic AI and the next intelligence explosion, Science, 2026, DOI: 10.1126/science.aeg1895. https://www.science.org/doi/10.1126/science.aeg1895
[4] Developing.dev, Turing Award Winner: Postgres, Disagreeing with Google, Future Problems | Mike Stonebraker, 2026. https://www.developing.dev/p/turing-award-winner-postgres-disagreeing
[5] Yuntao Wang et al., Internet of Agents: Fundamentals, Applications, and Challenges, IEEE Transactions on Cognitive Communications and Networking, 2025, DOI: 10.1109/TCCN.2025.3623369; arXiv:2505.07176.
[6] Shaolong Guo, Yuntao Wang, Zhou Su, Yanghe Pan, Qinnan Hu, Tom H. Luan, Agent Discovery in Internet of Agents: Challenges and Solutions, IEEE Network, 2026; arXiv:2511.19113. https://arxiv.org/abs/2511.19113
[7] 雷凯、黄硕康、方俊杰、黄济乐、谢莹莹、彭博. Intelligent Eco Networking (IEN): Knowledge-Driven and Value-Oriented Future Internet Infrastructure. Journal of Applied Sciences, 2020. DOI: 10.3969/j.issn.0255-8297.2020.01.012
[8] Lei Kai, Huang Shuokang, Huang Jiyue, Liu Huafang, Liu Jin. Intelligent Eco Networking (IEN) II: A Knowledge-Driven Future Internet Infrastructure for Value-Oriented Ecosystem. IEEE HotICN, 2019. https://ieeexplore.ieee.org/abstract/document/9063217/
[9] Shuokang Huang, Ruibiao Chen, Yu Li, Meimei Zhang, Kai Lei, Ting Xu, Xiquan Yu. Intelligent Eco Networking (IEN) III: A Shared In-network Computing Infrastructure towards Future Internet. IEEE HotICN, 2020. https://ieeexplore.ieee.org/abstract/document/9350853/
[10] ICNLab. 智能生态网络 IEN 2022：面向 Web3.0 的内容中心链网融合架构, 2022. https://www.icnlab.cn/?p=6505
[11] W3C DID Working Group. Decentralized Identifiers (DIDs) v1.0. W3C Recommendation, 2022. https://www.w3.org/TR/did-core/
[12] Scott Rose, Oliver Borchert, Stu Mitchell, Sean Connelly. Zero Trust Architecture. NIST SP 800-207, 2020. https://doi.org/10.6028/NIST.SP.800-207
[13] Albert Mestres et al. Knowledge-Defined Networking. ACM SIGCOMM Computer Communication Review, 2017. https://doi.org/10.1145/3138808.3138810
[14] Alexander Clemm et al. Intent-Based Networking – Concepts and Definitions. RFC 9315, 2022. https://www.rfc-editor.org/rfc/rfc9315
[15] IETF CATS WG. A Framework for Computing-Aware Traffic Steering (CATS). Internet-Draft, 2026. https://datatracker.ietf.org/doc/draft-ietf-cats-framework/
[16] Ruoyu Qin et al. Mooncake: A KVCache-centric Disaggregated Architecture for LLM Serving. arXiv:2407.00079, 2024. https://arxiv.org/abs/2407.00079
[17] Yixuan Mei, Yonghao Zhuang, Xupeng Miao, Juncheng Yang, Zhihao Jia, Rashmi Vinayak. Helix: Serving Large Language Models over Heterogeneous GPUs and Network via Max-Flow. ASPLOS 2025; arXiv:2406.01566. https://arxiv.org/abs/2406.01566
[18] 雷凯、黄硕康. 一种网络中数据内容的鉴授权方法和计算机可读存储介质. WO2021223097A1, 2021.
[19] 雷凯、汪建平、刘斌、黄硕康. 一种网内资源的量纲测量方法、算力调度方法及存储介质. CN112003660A, 2020.
[20] 雷凯、景晓军、李渝. 一种分层协同决策的网内资源调度方法及系统、存储介质. CN112346854A, 2021.
[21] 雷凯、景晓军、李渝. 一种协调分布式的网内资源调度方法及系统、存储介质. CN112153153A, 2020.