Personal Agent 的潜在人群，正在从开发者扩展到更广泛的工作与生活场景：从约 4700 万全球活跃开发者，到约 10 亿知识工作者，再到约 60 亿普通网民。
当 Agent 进入更多日常任务，模型调用也开始嵌入连续工作：一次请求背后，可能有多轮推理、工具调用和结果校验。
2026 年 10 月 30 日，在腾讯全球数字生态大会模型与 MaaS 服务专场上，腾讯云 MaaS 产品中心总经理邹辉判断：“应用拐点已经到来，模型正以泛办公场景为代表，向更多场景加速渗透。”
他将这一变化放在三项同时发生的趋势中解释：模型能力拓展到超长上下文、复杂任务规划和工具调用；百万 Token 混合计价从“元”降到“角”甚至“分”；Agent 逐渐成为能够规划并执行任务的主体。企业关心的问题也随之变化：Token 供给够不够、模型能力如何匹配任务、成本怎样控制、调用如何治理、业务怎样进入生产。
三项变化叠加，企业要解决的已不只是接入模型，还要把模型调用组织成一项可持续运行的服务。TokenHub 的升级重点，正是把多模型接入、调用调度和企业治理纳入统一平台，让模型选择、调用管理与用量控制能够协同起来。沿着这条链路，TI-ONE 继续推进训推平台升级；Agent Runtime 从沙箱执行底座拓展至运行、治理与进化；WorkBuddy 则让模型能力进入具体办公任务。腾讯云此次围绕模型供给和生产力应用的全面升级最终指向同一件事：以可控成本，把模型能力稳定嵌入业务流程，并让任务持续推进、交付结果。
模型供给越丰富，企业越需要根据任务做选择。代码生成、复杂推理、图像和视频处理对模型的能力、时延和成本要求各不相同；同一项长任务的资料整理、核心推理和结果检查，也未必适合交给同一款模型。企业要管理的由此从“接入一个模型”变成持续比较、选择和调度多种模型。
TokenHub 接入混元及多家厂商模型，覆盖文本推理、代码、图像、视频、音频和 3D 等场景。重点模型支持 Day 0 接入，让模型在正式发布当天进入平台，供企业验证和使用。平台通过统一 API Key 调用已接入模型，并兼容 OpenAI、Anthropic 等主流协议；SDK、CLI 和 Skill 则把接入、配置与排障带进开发者工具。模型上新后，应用可以沿用同一套接入方式，减少逐个适配模型接口的工作。
模型接入之后，企业还要判断每一步该用哪种能力。TokenHub 提供模型选型与评测、推理加速与调度等平台能力，也在探索两项进一步的能力：基于企业自身任务数据优化模型路由，以及将 Token 用量归因到具体任务。要让路由真正贴合业务，需要比较不同模型在具体任务上的效果、时延和成本；任务级归因则要把调用记录关联到部门、应用和工作内容。将这些调用数据与任务结果结合起来，企业才能逐步判断哪类模型适合哪项工作，并据此调整路由。
选择模型之外，服务负载也会改变调用方式。客服和语音外呼需要在流量高峰时保障吞吐，TokenHub 可按月预留 TPM，在已购额度内提供吞吐保障；金融报表、风控分析等敏感业务，可以使用模型单元，在独立物理集群中运行模型服务；作业批改、批量分析等时延要求宽松的任务，则适合提交离线推理，异步获取结果。一般在线业务也可以按标准方式调用。服务分级让企业按负载选择容量、隔离程度和处理方式，模型服务由此从单一的调用接口延伸到不同的交付方式。
这种分级背后，处理的是资源如何匹配负载的问题。流量集中时预留吞吐，避免高峰请求与普通在线调用争抢容量；敏感业务通过独立模型单元获得更清晰的资源与数据处理边界；批量任务转为异步推理，则可以把吞吐资源用于更适合在线响应的请求。企业无需为每类需求另行拼接模型服务，平台提供统一的接入入口，再按业务要求交付不同的服务形态。
模型接入和服务分级，最终要在真实调用中接受检验。小米 MiMo 的接入，呈现了新模型如何进入统一服务入口。小米方面分享，MiMo V2.6 系列在 TokenHub 全球首发，发布首日即可调用；上线后，日调用量较 V2.5 系列增长 15 倍以上。模型从发布到进入应用验证的路径因此缩短，新模型也更快进入真实调用场景。
模型调用进入多个团队后，API Key 开始承担更具体的管理作用：区分员工与应用，限制模型访问范围，统计用量和费用，并为审计留下线索。TokenHub 支持按模型授权和设置额度，按 Key 或服务查看用量明细、进行分账核算；借助 Request ID 与调用元数据，企业可以检索调用记录，定位异常和排查问题。Key 生命周期管理、风险 Key 禁用或重置、私网接入、请求鉴权和来源 IP 白名单，也把凭证和网络访问纳入管理。
这些能力对企业规模化使用模型尤为关键。一个开发者自己试用模型时，API Key 主要解决连接问题；多个部门、员工和应用共同调用时，企业还需要分清每个 Key 代表谁、能访问什么模型、消耗多少额度、出现异常后如何追溯。平台把调用与身份、权限、额度、审计关联起来，模型服务才能进入组织现有的管理秩序。
费用方案也需要匹配调用习惯。研发团队普遍使用 Coding 和 Agent，可通过 Token Plan 企业版按月订阅、分配成员与 Key 的额度；生产应用的调用量趋于稳定后，可以采用 Saving Plan，以月度消费承诺换取按量账单优惠。直接按照多模型实际费用设置预算上限的能力仍在规划中。随着一个业务在任务不同阶段调用不同模型，单看 Token 数量可能无法直观反映实际支出；把价格、折扣和调用量合并计算，才更接近日常预算管理所需的金额口径。
从费用进一步追到任务，是企业治理继续深入的一步。知道哪个团队用了多少 Token，有助于控制预算；知道这些调用被用于代码开发、报告生成还是知识问答，才有机会比较任务效果与投入。任务级归因目前仍需平台和应用共同建立关联，这也将影响企业今后如何评估模型调用带来的实际价值。
安全边界同样要沿着模型调用走。TokenHub 覆盖基础设施、企业资产、数据内容和调用合规等环节：基础设施侧提供私网访问、算力隔离和 AICC 可信运行架构；企业资产侧管理凭证、权限、配额与审计；数据内容侧进行输入输出检测和内容防护；调用链路则涉及模型水印、内容标识与溯源。模型单元为需要独立资源的敏感业务提供运行环境，LLM-WAF 作为可选增值服务，可检测提示注入和敏感数据，并按自定义规则放行、拦截或代答。TokenHub 支持推理日志零数据留存（ZDR）配置；腾讯云也说明，业务正文不用于平台训练。对 Agent 任务而言，内容检测还需与工具授权和执行隔离配合，才能覆盖从模型输入到外部操作的风险。
平台的使用方式也在变化。TokenHub Skill 与 CLI 支持开发者在授权范围内比较模型、生成接入配置和代码、排查问题、查看指标；相关操作需要完成服务开通与授权，应用配置也受开发者授权范围约束。服务地域方面，据 TokenHub 产品负责人何世友介绍，新加坡和美国硅谷地域已上线，法兰克福计划于 2026 年第四季度上线。模型供给、数据留存和内容合规要求，需要随地域服务一并考虑。对于跨区域运营的企业，模型在哪里运行、数据如何处理、内容合规如何落实，都是服务能否接入当地业务链路的一部分。
模型进入应用后，长任务会让调用成本显形。WorkBuddy 分享称，国内线上场景中，一次用户请求平均触发约 7.2 次模型调用，复杂任务超过 50 步并不罕见。制作一份 PPT，要经历材料读取、内容规划、逐页生成、工具制作和结果检查。用户看到的是一项任务，系统处理的却是多轮模型推理与工具操作；每一步都可能重新读取上下文，也可能因为结果不符合要求而继续修改。
一条 50 步的调用链里，输入 Token 约占总量的 99.4%，输出约占 0.6%。WorkBuddy 的分析显示，反复带入历史上下文是成本的重要来源。团队通过固定提示词和工具结构、将变化信息放在上下文末尾，提升前缀缓存复用；上下文变长后，再压缩历史内容。按这组任务规模和 TokenHub 旗舰档刊例价测算，缓存命中率达到 90% 时，单任务估算成本可从约 21.06 元降至约 3.36 元。这个测算对应特定的上下文长度和价格条件，也说明长任务的成本不只取决于调用次数，还取决于重复输入了多少内容。
模型选择同样可以细化到任务步骤。WorkBuddy 团队分享称，约八成简单步骤可以交给轻量模型，单任务成本降低约 57%。遇到超时、请求被拒或供应商故障时，应用侧则会根据原因限次重试、调整上下文或切换模型。缓存、模型路由和故障恢复，都是 WorkBuddy 在应用侧采用的策略；TokenHub 提供统一模型接入、鉴权、计费、模型管理和服务监控。长任务的效率与稳定性，需要应用编排和平台服务共同支撑。
模型调用的成本还受训练与推理底座影响。TI-ONE 管理 GPU 资源、适配不同芯片，并围绕数据通路、算子、并行通信、缓存和集群调度优化推理。腾讯云称，Hy4 preview 在特定国产芯片和测试条件下，单卡推理吞吐较初始版本提升 5 倍。这个结果对应特定模型与硬件组合，体现出推理效率还受软件栈、硬件适配和资源调度影响。
长安汽车的实践把数据供给问题放到了更大的规模。其训练数据规模达到数百 PB，其中有效训练数据超过 100 PB；多云和自有数据中心间若完整复制，存储开销会迅速增加。长安按训练任务组合对象存储、缓存、并行文件系统与本地磁盘，并借助 Lance 格式和数据清单，让算法团队按任务指定所需数据，再由基础设施按需组织供给。其分享提到，一个 256 卡训练任务的 QPS 可达一两万，带宽需求达到 50GB/s 至 100GB/s 以上；分层存储与数据调度每月节省硬件成本达千万元级。数据更快抵达计算节点、冗余副本减少、任务结束后及时回收，都会影响训练效率与成本。对持续 I/O 压力较大的任务，系统再通过并行文件系统和本地磁盘补足吞吐；其他任务则可以更多依赖对象存储和缓存，避免所有数据长期占用最高性能的存储层。
模型服务进入业务后，Agent 还会进一步运行代码、编辑文件和调用工具。模型输出由此开始影响外部环境，系统需要为这些动作提供执行位置，并处理环境隔离、状态保存、暂停恢复和访问权限。
沙箱是承载代码和工具操作的隔离环境；Runtime 管理的范围更广，涉及按任务创建和调度环境、连接计算、存储与网络资源，以及任务状态和运行生命周期。Cube Sandbox 位于 Runtime 底层，提供弹性沙箱计算与隔离执行能力。腾讯云在 Runtime 相关分享中提到，Cube Sandbox 支持沙箱环境快速交付和按需释放；Runtime 则需要把这项能力与云上的计算、存储、网络等资源协同起来。
Agent 的运行方式也带来新的资源管理问题。Agent-in-Sandbox 将 Agent、工具和工作区放在同一沙箱中；Brain–Hands 分离则让 Agent 主循环与隔离执行环境解耦。两种架构都需要在任务期间保留会话、工作区、文件和必要状态。任务等待模型或用户输入时，沙箱可以暂停并释放 CPU 与内存；需要继续执行时，再恢复运行状态。这样，工作状态可以延续，计算资源也不必在整个等待期间持续占用。
MiniMax 的后训练实践展示了环境供给面临的规模压力。一项包含 500 万条原始轨迹、周期为两周的数据合成任务，对应约 1.48 万个并发沙箱；在线强化学习若包含 2000 个任务、每个任务进行 32 路 rollout，则需要约 6.4 万个并发沙箱。数据合成要管理大量样本环境和镜像版本，在线强化学习则要求一批执行环境集中就绪。两类负载都考验环境的弹性供给和复杂环境管理。
镜像是规模化环境供给中的一处难点。MiniMax 后训练镜像已达到 500 万量级，并继续增长、迈向千万级；单个镜像可能有数 GB。每次启动都完整拉取，会拖慢环境就绪，也会挤占仓库带宽和节点磁盘。MiniMax 分享的优化思路包括：镜像以块设备方式按需加载，进程读取到哪里，数据再拉取到哪里；共享基础层去重，高频镜像提前预热到更靠近计算的位置；对可快照的运行环境，则保存文件系统和内存状态，下次直接从快照恢复。其分享称，沙箱启动阶段通常只读取镜像约 6% 的数据。按需加载减少读取量，预热缩短传输路径，快照恢复则省去重复初始化环境的过程。
执行环境还要划定清晰的安全边界。Agent 生成的代码具有不确定性，访问外部服务时也可能接触企业数据和权限。Runtime 相关方案采用 MicroVM 隔离，为不同任务划分运行边界；出入站网络策略限制可访问的系统和资源；凭证在沙箱外托管，根据任务需要短期授权并注入。这样，Agent 获得的是完成任务所需的访问权限，执行过程也有相应的边界可以管理。
从模型接入、调用治理，到训练推理和 Agent 执行，企业要处理的是一整条生产链路。TokenHub 将多模型供给、服务选择、账号、费用与安全纳入统一管理；WorkBuddy、TI-ONE 和 Runtime 则分别回应应用调用、模型训推和 Agent 执行中的工程要求。它们共同面对的，是模型能力怎样进入真实工作，并在规模扩大后继续稳定运行。
当 Personal Agent 进入更多工作与生活场景，MaaS 的计量单位也会从 Token 和请求，走向一项完整任务。模型能力决定 Agent 可以承担多复杂的工作；平台要让它及时获得合适的模型与算力，复用上下文，处理故障，并把费用和权限留在可管理的范围内。用户不必知道背后发生了多少轮推理、多少次工具调用，最终只会验收一件事：任务有没有完成，交付物能不能用。
这道验收标准，正在改写模型服务的竞争。模型目录的丰富是起点，真正的差异要看模型能否被选对、供得上、管得住，并最终变成稳定的业务结果。TokenHub 承接多模型能力从可调用走向可交付的过程；当 Agent 从演示走进日常，MaaS 的价值也将在每一项按时完成、成本可算、权限清楚的工作里得到检验。
