PPIO發布智能模型網關，打造面向Agent時代的智能Token工廠

7 月 17 日，2026 世界人工智能大會（WAIC）在上海舉行。PPIO 同期舉辦了媒體溝通會，會上正式發布全新的 Agentic Cloud 定位，以及智能模型網關新品，致力于打造面向 Agent 時代的智能 Token 工廠。

PPIO 聯合創始人兼 CEO 姚欣提出了一個 Agent 時代的核心公式——Agent 生產力 = Token 智能密度 × Agent Loop 時長。Token 智能密度決定了 Agent 每一步決策的質量上限，Agent Loop 時長決定了 Agent 能持續運行多久、完成多復雜的任務。

圍繞這一公式，PPIO Agentic Cloud 構建了兩層原生產品體系：智能模型網關是 AI Agent 的智能調度中心——關鍵決策由混合模型把關提升質量，簡單任務由模型調度自動分流到輕量模型，確保 Agent 用最低的 Token 成本、最高的智能性能把任務完成，持續推高 Token 智能密度。

Agent Harness 層融合沙箱、任務編排、Tool Use、記憶管理等于一體，延長 Agent 可持續運行的 Loop 時長以解決復雜長程任務。今年 PPIO 通過 Harness 手段推出的 PPClaw/PPHermes 等托管 Agent ，可以實現 7x24h 長時間運行，且具備自我修復能力。

“Agent 時代最重要的變化，就是云的第一客戶從人變成了 Agent。”姚欣表示，“過去的云計算是為人使用軟件而設計，而 Agentic Cloud 是為 Agent 自主運行而生。我們希望為 Agent 打造一套原生適配的全棧云服務體系，更高效、更穩定、更低成本地支持 Agent 的構建、部署與運行，徹底釋放 Agent 的產業價值。”

自 2024 年推出模型服務以來，PPIO “Token工廠”業務規模飛速增長。截至 2026 年 6 月日均 Token 調用量超 1.2 萬億，較 2025 年同期增長超 8 倍。根據灼識咨詢統計，按 2025 年及 2026 年第一季度平均每日 Token 消耗量計，PPIO 在中國獨立 AI 云計算服務提供商中排名第一。

全新 Agentic Cloud 建立在 PPIO 智能 Token 工廠的萬億級調用量驗證之上，是面向 Agent 產業爆發的戰略升級。2025 年 PPIO 推出了 Harness 核心組件之一的沙箱，今年進一步向 Harness 平臺層拓展，從單點能力升級為覆蓋 Agent 全鏈路的云服務體系，為 Agent 長期規模化應用筑牢底座。

智能模型網關：面向 Agent 時代的智能 Token 調度

當前許多 AI 應用開發者存在一個真實痛點，比較依賴一個“全能型”大模型。然而，單模型可能在推理時不夠深刻，在檢索時記憶力不足，在生成時文采平平。

如何為 AI Agent 的每一個工作步驟，都動態匹配最合適的“專家模型”，同時還要控制成本、保證穩定？

PPIO 最新發布的智能模型網關，就是要解決這一問題。通過給 AI 應用提供一個智能調度中心，智能模型網關讓每次模型調用都變成一場“專家會診”。

與市面上常見的、僅做簡單“請求轉發”的 API 網關不同，PPIO 以智能優先，兼顧性價比。

智能模型網關的第一個功能，是混合模型（MoM，Mixture of Models）。在處理高價值、高風險或結果不確定的關鍵 Agent 步驟時，比如法律合同審查、醫療初步診斷，網關會觸發“多模型融合”機制。它不是只問一個模型，而是將問題同時分發給多個擅長此道的專家模型，通過交叉驗證和融合生成最終答案。這種方式極大地提升了任務完成的成功率，避免了因模型“偏科”導致的任務失敗和返工。

智能模型網關的第二個功能，是模型調度。它會根據任務類型進行智能路由，比如簡單問答用輕量模型，復雜推理用強模型，并壓縮冗余上下文、復用之前的計算結果，設置預算護欄和失敗回退機制。最終目標是：用最經濟的成本，完成同樣質量的任務。

智能模型網關不是賣最貴的“超級模型”，也不是賣最便宜的“乞丐模型”，而是用工程化手段（MoM融合），把模型的智商穩定在頭部梯隊，同時把價格打到了中低梯隊。在 DRACO 深度研究基準測試中，PPIO 通過融合 Mimo-V2.5-Pro、Kimi-K2.7 和 GLM-5.2 進行混合模型推理，可以將性能提升至接近 Claude Fable5 的水平，而成本卻僅是 Claude Fable5 的七分之一。據綜合測算，PPIO 智能模型網關可以將智能水平提升 20%，將成本降低 50%-60%。

這一能力背后，是對 Agent 時代模型調用邏輯的重新思考。不同于人類用戶偶爾提問的使用模式，智能體應用的興起正在推動 Token 消耗呈指數級增長。Agent 的運行天然具備高頻工具調用、長上下文持續交互、多模型協同等特征，對延遲、穩定性和成本敏感度遠高于傳統場景。未來 AI 任務的執行主體從人轉向 Agent，模型的核心服務對象也必須隨之重構。

PPIO 智能模型網關正是這場重構中的關鍵一環。它以智能調度與混合模型推理為中樞，疊加自研推理引擎與全球算力調度能力，將每一次模型調用轉化為可度量、可優化、可回溯的智能 Token。這種面向任務結果優化的調度邏輯，讓大模型從“用得起”走向“用得聰明”，為 Agent 時代構建起一個真正高性價比的智能 Token 工廠。

這一技術實力也已獲得權威認可。今年，PPIO 入選中國信通院首批“企業級 Token 服務性能攀登基線”，在通用場景下跑出了 TPS≥55個/秒、TTFT≤0.9秒、調用成功率 ≥99.9% 的硬指標，標志著平臺已具備面向企業級 AI 應用和 Agent 場景的大規模高質量服務能力。

Agent Harness：從沙箱到長程任務執行

Agent 不能只“想”，還要能“做”，Harness 是專門用于約束、指導、驗證和糾錯 Agent 執行的工程框架。Harness 框架涵蓋了除大模型本身之外的所有環節：上下文構建、工具編排、驗證循環、成本控制和可觀測性。

Harness 工程可延長 Agent 可持續運行的 Loop 時長，從而讓 Agent 真正具備“執行、反饋、迭代”的生產級能力。

沙箱是 Harness 的核心組件之一。去年，PPIO 推出了國內首款兼容 E2B 接口的 Agent 沙箱，為 Agent Harness 提供安全隔離的運行環境。

PPIO Agent 沙箱冷啟動時延低于 200 ms，采用系統級安全隔離，讓每個 Agent 任務運行在獨立虛擬機環境；支持上萬個沙箱同時創建，同時任務空閑時可自動暫停計費，綜合使用成本較同類產品降低 90% 以上。PPIO Agent 沙箱上線一年，業務規模已增長超 120 倍。

基于 Harness 手段，PPIO 平臺預置了 PPClaw、PPHermes 等多款開箱即用的智能體模板，開發者通過控制臺一鍵操作即可完成云端部署，最快 10 分鐘即可上線運行。部署后的 Agent 支持 7×24 小時持續托管與定時任務調度，不使用時可一鍵暫停計費，恢復時秒級喚醒，成本完全可控、可預測。

在資源調用方面，PPIO 提供面向 Agent 的 AI 原生接口，支持 MCP 標準協議，Agent 可通過自然語言直接調用 GPU 算力、沙箱環境、模型 API、存儲網絡等全量基礎設施能力。同時，平臺兼容 LangChain、CrewAI、AutoGen 等主流 Agent 框架，現有代碼零改造即可接入部署，最大程度降低遷移成本。

完成多場景驗證，以即開即用的“Token出海”服務助力中國AI全球化

PPIO 的智能 Token 工廠與 Harness 平臺共同構成了 Agentic Cloud。基于 Agentic Cloud 的核心能力，PPIO 不僅助力多領域客戶實現效率提升與成本優化，還將經充分檢驗的技術與產品能力延伸至全球，為中國 AI 的全球化發展提供底層支撐。

圍繞人工智能、數字文娛、跨境電商、智能制造等企業出海典型場景，PPIO 同步布局即開即用的“Token 出海”服務，依托覆蓋全球 6 大洲、11 大核心區域的 5000+ 分布式算力節點，構建低時延、高帶寬、高可用的算力網絡。

根據灼識咨詢，PPIO 的平均 GPU 利用率于 2025 年一直高于 75%，大幅超越行業平均水平40% 至 50%，這種智能的“削峰填谷”能力大幅提高網絡的整體資源利用率。

企業無需在海外投入高昂成本自建算力設施，即可通過 PPIO 平臺一鍵調用 Token 資源，滿足數據合規、低延遲訪問的出海需求。

目前，PPIO 已深度融入全球 AI 開源生態，與 GitHub、Hugging Face、OpenRouter、vLLM、SGLang 等主流開發者社區建立合作，與數十款主流 AI 工具完成生態適配，為中國 AI 企業出海提供從底層算力到上層生態的全鏈支撐。

“無論是助力企業智能化升級，還是 Token 出海，PPIO 已經構建了面向全球的 Agentic Cloud 服務體系。”姚欣表示，“我們希望做的事情很簡單，讓中國 AI 企業在海外開疆拓土的時候，不用自己先花幾個億去修路、搭基建。PPIO 把路修好，企業只管開車上路，創造無限價值。”

面向 Agentic AI 時代，PPIO 將持續迭代 Agentic Cloud 產品能力，深化分布式算力網絡與推理加速技術優勢，以大規模、高安全、低時延的智能 Token 工廠，為 Agent 融入千行百業構建原生底座，助力推動 Agent 重塑社會生產方式，驅動產業變革。

轉載來源：PPIO

本文為量子位獲授權轉載，觀點僅為原作者所有。