在当前AI技术浪潮席卷全球的背景下，电信行业正经历着前所未有的智能化转型。然而，正如市场研究公司Omdia所指出的，电信运营商正面临来自网络供应商和OSS供应商提供的单点式Agentic AI解决方案的冲击，这不仅可能导致重复建设的风险，更可能使运营商错失采用更统一整合方法的机会。在这一关键转折点，Ciena旗下部门Blue Planet推出的Agentic AI框架，为电信行业的OSS智能化转型提供了全新的思路与解决方案。
电信行业AI应用面临的挑战与机遇
电信运营商在拥抱AI技术的过程中，正面临着来自多个维度的挑战。一方面，市场上的许多产品仅仅是"将AI策略生硬地附加在传统OSS之上"，这种做法无法充分发挥AI技术的潜力，也无法真正解决电信网络运营中的复杂问题。另一方面，来自公有云提供商的通用AI平台通常无法理解电信网络的运营复杂性，难以适应电信行业特有的高要求、高可靠性和低延迟需求。
James Crawshaw，Omdia业务负责人，在今年6月TM Forum的DTW活动期间明确指出："在Agentic AI炒作盛行的这一年里，电信运营商正面临来自网络供应商和OSS供应商提供的单点式Agentic AI解决方案的冲击。"这一观察揭示了当前电信行业AI应用的一个关键矛盾：一方面，AI技术被视为解决网络复杂性和运营效率的关键；另一方面，市场上缺乏真正针对电信网络特性设计的统一AI框架。
电信网络作为现代社会信息基础设施的核心，其复杂性远超一般IT系统。从物理层到应用层，从核心网到接入网，电信网络涉及多种技术、设备和协议的协同工作。这种复杂性使得通用AI平台难以有效理解和优化网络运行，而传统OSS系统的智能化改造又往往流于表面，无法实现真正的AI赋能。
Blue Planet Agentic AI框架的核心价值
面对上述挑战，Blue Planet提出的解决方案是一个专为电信网络构建的Agentic AI框架。这一框架的核心价值在于其能够支持智能体基于意图行动、应用上下文，并在整个网络范围内采取协调行动。与市场上其他解决方案不同的是，Blue Planet的框架构建于清晰且组织良好的数据模型和API之上，这为其智能体提供了坚实的基础。
意图驱动的智能体架构
Blue Planet Agentic AI框架的最大特点是其意图驱动的智能体架构。传统网络管理系统通常基于规则和预设流程进行操作，而意图驱动的架构则允许系统理解业务目标，并自主制定实现这些目标的最佳路径。这种转变使得网络管理从"如何做"的细节层面提升到"做什么"的战略层面，大大提高了网络运营的灵活性和效率。
在电信网络中，意图驱动可以表现为多种形式：网络切片的自动创建与优化、故障的预测与自愈、资源的动态调配等。通过理解运营商的业务意图，Agentic AI框架能够自动将高层业务目标转化为具体的网络操作，从而减少人工干预，提高响应速度。
全网协调与上下文应用
电信网络的一个显著特点是各组件之间存在紧密的相互依赖关系。一个节点的变化可能会对整个网络产生连锁反应。Blue Planet的Agentic AI框架通过全网协调能力，确保智能体在采取行动时能够考虑整个网络的状况，避免局部优化导致的全局次优。
同时，框架强调上下文应用，即智能体在执行任务时能够理解当前的网络环境、业务需求和历史数据。这种上下文感知能力使得智能体能够做出更加精准的决策，例如在故障处理时能够区分紧急程度，在资源分配时能够考虑服务质量要求等。
基于数据模型与API的构建
Blue Planet的Agentic AI框架构建于清晰且组织良好的数据模型和API之上，这一设计理念至关重要。数据模型为框架提供了统一的语义基础，使得不同智能体能够基于共同的理解进行协作；而API则提供了标准化的接口，使得智能体能够与网络中的各种组件进行交互。
这种基于数据模型和API的构建方式，使得框架具有良好的可扩展性和互操作性。运营商可以逐步引入新的智能体，而不必担心与现有系统的兼容问题；同时，框架也可以与第三方系统进行集成，保护运营商的投资。
Blue Planet AI Studio：智能体开发与管理平台
Blue Planet的Agentic AI框架构建于其AI Studio之上，这一AI Studio于2024年商用发布。尽管AI Studio主要旨在与Blue Planet的OSS应用产品组合协同工作，但部分客户已将其视为一个通用的OSS Agentic框架。AI Studio本身已包含大量关于电信网络的领域知识，可为运营商构建自有OSS AI平台节省大量时间。
AI Studio的核心功能
AI Studio为Blue Planet及第三方AI模型提供全面的API管理、流水线控制和性能跟踪功能。它处理模型管理事务，使电信数字架构师和数据科学团队能够轻松导入、部署和维护AI解决方案。具体而言，AI Studio能够：
- 导入、部署、更新和停用AI模型
- 配置模型属性
- 实例化、启动、停止和调度模型执行
- 监控模型性能
- 查看、编辑、版本化、回滚和调试模型代码
- 调用Blue Planet及外部API
这些功能共同构成了一个完整的AI模型生命周期管理平台，使运营商能够从概念到部署再到维护，全面掌控AI应用的开发过程。
多角色协作支持
AI Studio经过专门设计，以满足数据科学家、开发人员和系统管理员的需求，并提供与每个角色相关的工具和功能。这种多角色协作支持是AI Studio的一大特色，它打破了传统团队间的壁垒，促进了跨职能合作。
对于数据科学家，AI Studio提供了模型训练、评估和优化的工具；对于开发人员，它提供了API集成、代码调试和版本控制的功能；对于系统管理员，它提供了监控、日志记录和资源管理的界面。这种全方位的支持使得团队能够各司其职，又能够紧密协作，共同推进AI应用的开发与部署。
开源框架集成
AI Studio集成了行业领先的开源框架和技术，以简化采用和集成过程。这些集成不仅提高了开发效率，还确保了与现有生态系统和行业标准的兼容性。主要的集成包括：
- Apache Airflow：一个用于数据工程流水线的开源工作流管理平台
- LangChain：一个开源框架，帮助开发者构建强大的应用程序，将大语言模型（LLM）与外部工具、API、数据源和用户工作流集成
- MLflow：一个用于构建AI应用程序和模型的开源开发者平台
- Redis：一个开源的内存键值数据库，用作分布式缓存和消息代理
这些开源框架的集成，使得AI Studio能够充分利用社区的创新成果，同时为运营商提供了灵活的选择，可以根据自身需求定制开发环境。
Agentic框架的演进路径
如图1所示，AI Studio正在演进为Agentic AI框架。这一演进标志着Blue Planet从传统的OSS供应商向AI驱动的智能网络解决方案提供商的转变。新框架通过API与Blue Planet的OSS应用产品组合交互，并可通过智能体间（A2A）协议与第三方智能体进行交互。
智能体开发环境
Agentic框架的核心是一个用于构建智能体的开发环境。这一环境为运营商提供了构建自定义智能体的工具和资源，使其能够根据自身需求开发特定的AI应用。"自带AI"许可模式使授权用户能够导入、部署、配置和管理第三方AI/ML模型，这为运营商提供了极大的灵活性。
从2026年起，通信服务提供商（CSP）将能够使用此开发环境构建自己的AI智能体。这一能力将使运营商从被动接受供应商提供的解决方案，转变为主动设计和开发符合自身业务需求的AI应用，从而实现真正的差异化竞争。
智能体目录与编排引擎
Agentic框架维护着一个智能体目录，通过编排引擎可调用多个智能体以实现复杂任务。这种设计允许运营商将复杂的业务需求分解为多个子任务，每个子任务由专门的智能体负责，然后通过编排引擎将这些智能体的工作整合为一个连贯的解决方案。
例如，在处理网络故障时，一个智能体可能负责检测异常，另一个负责分析原因，第三个负责制定修复方案，第四个负责执行修复。通过这种方式，框架能够实现比单一智能体更复杂、更精确的网络管理功能。
多模型支持与网关集成
Agentic框架通过网关允许用户集成其偏好选用的大语言模型。这一设计避免了供应商锁定，使运营商能够根据自身需求选择最适合的AI模型，无论是开源模型还是商业模型。同时，框架支持多种模型的同时使用，可以根据任务特点选择最合适的模型，提高整体性能。
模型上下文协议（MCP）
Agentic核心通过模型上下文协议（MCP）与工具进行通信，并能与其他符合MCP标准的外部服务进行互操作。MCP是一种标准化的通信协议，它定义了AI模型与外部工具之间的交互方式，使得不同来源的模型和工具能够无缝协作。
这一协议的重要性在于它解决了AI系统中的"孤岛问题"。通过MCP，Agentic框架能够整合来自不同供应商、不同类型的AI工具和模型，形成一个统一的智能体生态系统。这种互操作性对于构建复杂电信网络管理解决方案至关重要。
应用场景与实践案例
Blue Planet已开始与现有客户测试其Agentic AI框架，以支持多种电信网络运营场景。这些实践案例不仅验证了框架的技术可行性，也展示了其商业价值。
网络切片自动化
5G网络的一大特点是网络切片能力，即在同一物理网络上创建多个虚拟网络，每个切片具有不同的特性以满足不同业务需求。然而，网络切片的创建、配置和优化是一个复杂的过程，涉及多个网络域和组件的协调。
Agentic AI框架通过智能体间的协作，实现了网络切片的自动化管理。一个智能体负责分析业务需求，确定切片特性；另一个智能体负责设计切片拓扑；第三个智能体负责配置网络资源；第四个智能体负责监控切片性能并进行优化。这种自动化大大提高了网络切片的部署效率，同时确保了服务质量。
库存中的网络设备建模
电信网络的设备管理是一个复杂而繁琐的任务，涉及大量设备的发现、分类、建模和监控。传统方法通常需要人工干预，效率低下且容易出错。
通过Agentic AI框架，运营商可以实现网络设备建模的自动化。智能体能够自动发现网络中的设备，识别其类型和特性，并将其映射到统一的模型中。这一过程不仅提高了效率，还确保了设备信息的一致性和准确性，为其他网络管理功能提供了可靠的数据基础。
意图理解与执行
意图理解是Agentic AI框架的核心能力之一。通过自然语言处理和机器学习技术，框架能够理解业务人员的自然语言指令，并将其转化为具体的网络操作。
例如，当业务人员提出"提高东区用户的网络速度"这样的指令时，框架能够理解这一意图，分析当前网络状况，制定优化方案，并自动执行相应的网络配置变更。这种从自然语言到网络操作的转化，大大降低了网络管理的门槛，使非专业人员也能够参与网络决策。
模板生成与服务保障
在服务保障方面，Agentic AI框架能够根据历史数据和最佳实践，自动生成网络配置和服务保障模板。这些模板可以大大加速新服务的部署，同时确保配置的一致性和最佳实践的遵循。
同时，框架通过持续监控网络性能和服务质量，及时发现潜在问题并采取预防措施。这种主动式服务保障模式，能够显著提高网络可靠性，减少服务中断，提升用户体验。
行业影响与未来展望
Blue Planet的Agentic AI框架对电信行业的影响将是深远而广泛的。它不仅改变了OSS系统的构建方式，也重新定义了电信运营商与供应商之间的关系，为整个行业的数字化转型提供了新的可能性。
从单点解决方案到统一平台
当前市场上充斥着各种单点AI解决方案，每个供应商都试图推销自己的专有技术。这种碎片化的发展模式导致运营商面临集成复杂度高、维护成本高、系统间缺乏协同等问题。
Blue Planet的Agentic AI框架提供了一个统一的基础平台，使运营商能够构建整合的AI能力。这种统一平台不仅降低了系统复杂性，还促进了不同智能体之间的协作，实现了1+1>2的效果。未来，我们可能会看到更多供应商采用类似的理念，提供更加开放和集成的AI解决方案。
从供应商依赖到自主可控
通过"自带AI"许可模式和智能体开发环境，Blue Planet使运营商能够构建自己的AI智能体，减少对供应商的依赖。这种自主可控的能力对于运营商来说具有重要意义，它使运营商能够根据自身业务需求定制AI应用，而不必受限于供应商的功能范围和开发节奏。
未来，随着运营商AI能力的不断提升，我们可能会看到更多由运营商主导的创新应用，这些应用将更加贴近实际业务需求，更具差异化竞争优势。
从技术导向到价值导向
传统网络管理往往过于关注技术细节，而忽视了业务价值。Blue Planet的Agentic AI框架通过意图驱动和业务导向的设计，使网络管理更加关注业务成果和价值创造。
未来，电信行业的AI应用将更加注重价值实现，从"如何管理网络"转向"如何通过网络创造价值"。这种转变将使电信网络从成本中心转变为价值中心，为运营商开辟新的收入来源和商业模式。
从封闭系统到开放生态
通过集成开源框架和标准化协议（如MCP），Blue Planet的Agentic AI框架构建了一个开放的技术生态。这种开放性不仅降低了采用门槛，还促进了创新和协作。
未来，电信行业的AI生态将更加开放和多元化，不同供应商、不同类型的AI工具和模型将能够无缝协作，共同解决电信网络中的复杂问题。这种开放生态将加速AI技术在电信行业的创新和应用，推动整个行业向更高水平发展。
结论
Blue Planet的Agentic AI框架代表了电信行业OSS智能化转型的一个重要里程碑。它通过意图驱动的智能体架构、全网协调能力、基于数据模型与API的构建，以及统一的AI开发管理平台，为电信运营商提供了一种全新的网络管理范式。
随着这一框架的不断演进和完善，我们有理由相信，电信网络将变得更加智能、更加自主、更加高效。运营商也将通过这一框架，实现从传统网络管理者到AI驱动的数字服务提供商的转变，在数字化时代赢得新的竞争优势。
在AI技术飞速发展的今天，Blue Planet的Agentic AI框架不仅是对当前电信行业痛点的响应，更是对未来网络管理趋势的前瞻。它告诉我们，电信网络的未来不在于更复杂的系统，而在于更智能的协作；不在于更多的技术堆砌，而在于更精准的价值创造。这正是Agentic AI框架给电信行业带来的最大启示。
