一个 AI Agent 需要多少基础设施？

过去半年，我们帮数十个团队评估「上 Agent」时，听到最多的两个极端：要么只买了一个模型 API，指望它能自己改生产；要么一口气上了 Kubernetes + 向量库 + 三套 MCP + 自主 Agent 平台，结果三个月没人维护。 真正卡住交付的，很少是「模型不够聪明」，而是执行环境、验证链路、上下文网关三层没对齐。本文用 Cloud Mac AI Stack 的分层语言，把「一个 AI Agent 需要多少基础设施」拆成可决策的表格——你可以按团队规模对号入座，而不是照抄某篇架构软文的全家桶。

1. 问题为什么存在：「能聊天」≠「能交付」

Agent 这个词被滥用之后，很多人把对话接口和工程 Agent混为一谈。对话接口只需要模型 API；工程 Agent 至少要能：读仓库、改文件、跑命令、拿到客观验证信号。缺任何一环，就会出现典型症状：

• Agent 改完代码，没人知道测试过没有——缺 L1 Fact（Runner 执行引擎）。
• Agent 只能改当前打开的文件，跨模块 refactor 靠猜——缺 L4 Context（MCP 三连通）。
• 每个工具单独好用，整条 issue 仍要人盯 40 分钟——缺 L5 Workflow（OpenHands 平台）。
• Windows 笔记本上想跑 Xcode 构建，Agent 根本没有合法执行面——缺 L0 真 macOS（Cloud Mac vs 本地 Mac）。

旧思路是「买个更强的模型」；新思路是按层补齐执行与验证能力。这也是 ZavCloud 客户在租 Cloud Mac 时最常问的问题——不是内存够不够跑 Ollama，而是这层节点在栈里承担什么角色。

2. Agent 基础设施怎么分类：六层，不是六个产品

下面用 L0–L5 记法（与 Stack 连载一致）。注意：层是职责，不是必买清单。个人开发者可以停在 L3；L2 推理层（Ollama）全程可选。

冲突结构在这里很清晰：Chat 型 Agent 停在 L3 之前；工程型 Agent 至少要到 L0+L3；可合并的 Agent 必须到 L1；可规模化的 Agent 才讨论 L4+L5。 许多团队翻车，是因为跳层——例如还没 Runner 就上 OpenHands，自主任务改完代码却无人证明能 build。

3. 核心对比：个人 / 小团队 / 工程化三档

统一字段对照（与工具对比文一致）：入口、执行能力、上下文、成本量级、适合人群。

硬件规格方面，若 L0 与 L1 同机（常见做法），参考下表——内存比 CPU 型号更先触顶，因为 Agent、Runner、可选 Ollama 会争用统一内存：

4. 场景怎么选：决策矩阵

用「如果你是 X，就选 Y」快速分流：

5. 推荐组合：三档可直接抄的 Stack

组合 A · 个人最快上线（1 天内）

L0  本地 MacBook 或按日 Cloud Mac
L3  Claude Code（安装手册）
模型  Anthropic API 订阅

不做：Runner、MCP、向量库、K8s

组合 B · 小团队可合并（1–2 周）

L0  Cloud Mac M4 16GB 常驻节点
L1  GitHub Actions 自托管 Runner（值不值得）
L3  Claude Code + CLAUDE.md 团队规范
L4  GitHub MCP 只读（issue 驱动）

可选 L2：Ollama 7B 做私有草稿，不挡主路径

组合 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 三连通 + CodeGraph
L5  OpenHands（沙盒仓库先试）
编排  OpenClaw 做触发与审计（可选）

红线：生产 API / Runner 凭据不进 MCP（权限规范）

6. 常见误区：五件事别做

1. 把模型 API 当完整基础设施。 API 只解决「想」，不解决「做」和「验」。
2. 没 Runner 就开放 L5 写仓库。 自主 Agent 没有 Fact 层等于盲写，回滚成本极高。
3. 一上来就建向量库 + RAG 平台。 多数代码 Agent 瓶颈在符号级上下文（CodeGraph），不是.embedding 检索。
4. Windows 上装虚拟机冒充 macOS CI。 签名、公证、真机测试仍要 Apple Silicon 真环境。
5. 按「别人全家桶」采购。 先写清执行边界，再按层加购；Stack 层数与团队人数不是线性关系。

7. 落地步骤：7 步清单

1. 划定执行边界 — 列出 Agent 允许的操作：改哪些目录、能否跑 shell、能否触发生产。
2. 确认 L0 — 需要 Xcode / 公证则必须 macOS；评估 租还是买 Mac。
3. 接入 L3 编码 Agent — 先单文件、单仓库跑通；写好 CLAUDE.md / 团队 Prompt 规范。
4. 立 L1 Runner — macOS job 与 Linux job 分开；密钥与 Agent token 分账。
5. 按需 L4 MCP — 默认只读；写权限用短命 token 单独服务。
6. 评估 L5 — 连续两周仍手动串工具，再引入 OpenHands 类 Workflow。
7. 审计与红线 — 每次自主任务可映射到 PR + CI run ID；季度复查权限矩阵。

常见问题

总结

一个 AI Agent 需要的基础设施，取决于执行边界停在哪一层——不是取决于模型排行榜。 个人到 L3 即可开工；要组织敢合并，加到 L1；要大仓不迷路，加 L4；要无人值守交付，再谈 L5。买 Cloud Mac 或 Mac mini 时，先问这台机器在栈里是「执行面」「验证面」还是「推理面」，答案会比你盯着 TOPS 数字更有用。