一個 AI Agent 需要多少基礎設施？

過去半年，我們幫數十個團隊評估「上 Agent」時，聽到最多的兩個極端：要麼只買了一個模型 API，指望它能自己改生產；要麼一口氣上了 Kubernetes + 向量資料庫 + 三套 MCP + 自主 Agent 平台，結果三個月沒人維護。 真正卡住交付的，很少是「模型不夠聰明」，而是執行環境、驗證鏈路、上下文閘道三層沒對齊。本文用 Cloud Mac AI Stack 的分層語言，把「一個 AI Agent 需要多少基礎設施」拆成可決策的表格——你可以按團隊規模對號入座，而不是照抄某篇架構軟文的全家桶。

1. 問題為什麼存在：「能聊天」≠「能交付」

Agent 這個詞被濫用之後，很多人把對話介面和工程 Agent混為一談。對話介面只需要模型 API；工程 Agent 至少要能：讀儲存庫、改檔案、跑命令、拿到客觀驗證訊號。缺任何一環，就會出現典型症狀：

• Agent 改完程式碼，沒人知道測試過沒有——缺 L1 Fact（Runner 執行引擎）。
• Agent 只能改當前打開的檔案，跨模組 refactor 靠猜——缺 L4 Context（MCP 三連通）。
• 每個工具單獨好用，整條 issue 仍要人盯 40 分鐘——缺 L5 Workflow（OpenHands 平台）。
• Windows 筆電上想跑 Xcode 建置，Agent 根本沒有合法執行面——缺 L0 真 macOS（Cloud Mac vs 本機 Mac）。

舊思路是「買個更強的模型」；新思路是按層補齊執行與驗證能力。這也是 ZavCloud 客戶在租 Cloud Mac 時最常問的問題——不是記憶體夠不夠跑 Ollama，而是這層節點在棧裡承擔什麼角色。

2. Agent 基礎設施怎麼分類：六層，不是六個產品

下面用 L0–L5 記法（與 Stack 連載一致）。注意：層是職責，不是必買清單。個人開發者可以停在 L3；L2 推理層（Ollama）全程可選。

衝突結構在這裡很清晰：Chat 型 Agent 停在 L3 之前；工程型 Agent 至少要到 L0+L3；可合併的 Agent 必須到 L1；可規模化的 Agent 才討論 L4+L5。 許多團隊翻車，是因為跳層——例如還沒 Runner 就上 OpenHands，自主任務改完程式碼卻無人證明能 build。

3. 核心對比：個人 / 小團隊 / 工程化三檔

統一欄位對照（與工具對比文一致）：入口、執行能力、上下文、成本量級、適合人群。

硬體規格方面，若 L0 與 L1 同機（常見做法），參考下表——記憶體比 CPU 型號更先觸頂，因為 Agent、Runner、可選 Ollama 會爭用統一記憶體：

4. 場景怎麼選：決策矩陣

用「如果你是 X，就選 Y」快速分流：

5. 推薦組合：三檔可直接抄的 Stack

組合 A · 個人最快上線（1 天內）

L0  本機 MacBook 或按日 Cloud Mac
L3  Claude Code（安裝手冊）
模型  Anthropic API 訂閱

不做：Runner、MCP、向量資料庫、K8s

組合 B · 小團隊可合併（1–2 週）

L0  Cloud Mac M4 16GB 常駐節點
L1  GitHub Actions 自託管 Runner（值不值得）
L3  Claude Code + CLAUDE.md 團隊規範
L4  GitHub MCP 唯讀（issue 驅動）

可選 L2：Ollama 7B 做私有草稿，不擋主路徑

組合 C · 工程化自主交付（1 月+）

L0  Cloud Mac M4 24GB+
L1  Runner · 一 job 一 workspace
L3  Claude Code
L4  MCP 三連通 + CodeGraph
L5  OpenHands（沙盒儲存庫先試）
編排  OpenClaw 做觸發與稽核（可選）

紅線：生產 API / Runner 憑證不進 MCP（權限規範）

6. 常見誤區：五件事別做

1. 把模型 API 當完整基礎設施。 API 只解決「想」，不解決「做」和「驗」。
2. 沒 Runner 就開放 L5 寫儲存庫。 自主 Agent 沒有 Fact 層等於盲寫，回滾成本極高。
3. 一上來就建向量資料庫 + RAG 平台。 多數程式碼 Agent 瓶頸在符號級上下文（CodeGraph），不是 embedding 檢索。
4. Windows 上裝虛擬機冒充 macOS CI。 簽名、公證、真機測試仍要 Apple Silicon 真環境。
5. 按「別人全家桶」採購。 先寫清執行邊界，再按層加購；Stack 層數與團隊人數不是線性關係。

7. 落地步驟：7 步清單

1. 劃定執行邊界 — 列出 Agent 允許的操作：改哪些目錄、能否跑 shell、能否觸發生產。
2. 確認 L0 — 需要 Xcode / 公證則必須 macOS；評估 租還是買 Mac。
3. 接入 L3 編碼 Agent — 先單檔案、單儲存庫跑通；寫好 CLAUDE.md / 團隊 Prompt 規範。
4. 立 L1 Runner — macOS job 與 Linux job 分開；金鑰與 Agent token 分帳。
5. 按需 L4 MCP — 預設唯讀；寫權限用短命 token 單獨服務。
6. 評估 L5 — 連續兩週仍手動串工具，再引入 OpenHands 類 Workflow。
7. 稽核與紅線 — 每次自主任務可映射到 PR + CI run ID；季度複查權限矩陣。

常見問題

總結

一個 AI Agent 需要的基礎設施，取決於執行邊界停在哪一層——不是取決於模型排行榜。 個人到 L3 即可開工；要組織敢合併，加到 L1；要大倉不迷路，加 L4；要無人值守交付，再談 L5。買 Cloud Mac 或 Mac mini 時，先問這台機器在棧裡是「執行面」「驗證面」還是「推理面」，答案會比你盯著 TOPS 數字更有用。