Eclipse基金会推出代理定义语言ADL，革新企业AI代理开发平台

近日，Eclipse基金会宣布在其开源平台Eclipse LMOS中引入“代理定义语言”（ADL）。这是一种结构化且与模型无关的描述方法，使用户无需编写代码即可定义人工智能代理的行为。

根据Eclipse介绍，ADL将成为智能体计算平台LMOS的核心部分。LMOS项目从一开始就瞄准在Kubernetes和Istio上原生运行，服务于JVM生态系统，旨在通过统一、开放的方式重构企业级AI代理的开发与运维流程。同时，它也对标专有平台以及以Python为主的企业AI技术栈；这标志着对长期主导企业AI的闭源方案发起直接挑战。

值得关注的是，LMOS项目采取了“先落地、后开源”的路径：其前身是德国电信在传统云原生架构中的生产级实践，之后才在Eclipse基金会中完成孵化。

完整项目开源地址：https://github.com/eclipse-lmos

1 技术收敛：在熟悉的技能栈上做 AI

过去十年，企业在云端应用上已形成一套成熟的工程范式：不再构建单体应用，而是拆分为微服务，让不同团队负责不同模块，便于装配组合。同时，将一切封装进容器，方便跨环境迁移和部署；当流量增长时，也能通过复制实例横向扩展，让多副本共同处理请求与计算。这大致是当前云上应用开发的常态实践，运行效果显著。

然后，生成式AI兴起。过去两年，人们似乎总被迫“学习新技能”才能应用新技术。回溯到2023年，GitHub上新框架层出不穷，许多开发者犹豫是否跟进（当时Spring AI尚未出现、LangChain4j也刚起步）。但实际上的核心挑战始终是：如何提升开发效率，以及如何高效利用现有资源。

面对现有技术生态，特别是对于深耕JVM体系的企业而言，没有必要“推倒重来”并组建昂贵的新团队。因此，LMOS项目的初衷是探索如何将AI能力贴近已熟悉的技能栈，而不是迫使企业放弃既有成果，转向Python脚本或从头构建新堆栈。

我们不能丢弃过去十年的经验，再去“组建新团队、更换全套技术堆栈”

LMOS项目与此背景紧密相关。该项目由负责人Arun Joseph在2023年主导设计，当时他负责德国电信的一个AI项目，需要在10个欧洲国家上线面向销售与客服的AI能力。

“我们起步时，虽然涌现了如LangChain等框架，但它们都是用Python编写的，”Joseph解释道，“但和大多数电信公司及企业一样，德国电信的整个企业级技术栈都基于JVM构建。”

此外，抛开语言差异，德电一线业务复杂度高：同一套系统需跨多国部署，并可插拔地接入不同渠道（Web、App、热线等）；同时API体系庞大，客户端库包含数百个属性和多年沉淀的领域知识。若改用Python重新开始，等于放弃既有资产，逼迫团队重建系统。

而且，要在10个国家运营，技术架构必须支持“平台化、集中式”的统一部署与管理。基于这些考量，团队决定在熟悉生态内演进：采用Kotlin，复用既有基础设施、API与DevOps能力，构建多智能体平台。

平台以Kubernetes为底座，配合Istio等组件提供的能力，将“代理/工具”以微服务形态部署到K8s环境，并通过自定义资源（CRD）提升为一等公民，支持声明式管理与可观测性。

通过这种方式，开发者能沿用既有工作流：只需推送智能体镜像，随后即可在新环境中运行并独立测试；运维团队可直接使用kubectl get agents、kubectl apply进行监控与发布。

因此，在理念上Eclipse LMOS与当前主流AI工具生态分道扬镳。Joseph指出，许多“企业级AI技术栈”往往是Python代码库拼接多家风投支持初创的SDK——各自只解决遥测、记忆、评测等一小部分问题——再用装饰器（decorator）将整片容器编队塞入基础设施。“我见过某些评测工具，为了一行函数就需要25个容器，”他说，“也就是说，为了一行代码，让25个容器运行一个自定义的Kubernetes Operator。企业无法承受这种无序膨胀。”

Eclipse LMOS的方式避免了这些问题：原生集成Kubernetes、Istio与基于JVM的应用，顺畅对接组织多年建设的DevOps流程、可观测性工具与API库，让AI代理以最低迁移成本进入生产系统。

这些平台已支撑德国电信的多项AI应用，其中包括多次获奖的客服机器人Frag Magenta。到2023年底，首个代理在德国电信投入生产，并在欧洲加速扩展：覆盖范围从3–4个国家增至10个国家，上线后月均处理约450万次会话；到2024年，转人工次数下降38%。这成为欧洲最大规模之一的、真正投入生产的Agentic系统。

沿用熟悉的技术栈，开发周期也得以压缩：“最初开发第一个代理（同时还在搭建平台）花了一个月；随后在少量工程师参与下将周期降至15天；再往后，基本一两天就能完成一个代理连同用例组。”

“经过一段时间的度量，我们发现只需一名数据科学家与一名工程师配对，从业务提出想法或问题陈述到将代理部署到生产都能非常迅速。进入维护阶段后仍可快速迭代，小团队带来明显成本优势。我们没有在一开始就纠结于是否提前扩招AI/ML工程师或数据科学家——2023、2024年许多团队都把时间浪费在这类取舍上。”

随后，在2024年，团队将德国电信内部的专有代码迁移至Eclipse基金会开源，项目采用Apache-2.0许可证发布。

2 如何将经典领域的精华融合到一个平台中

在将AI代理真正推向企业生产环境的过程中，Eclipse选择了一条“双线策略”。一条线是LMOS平台（此前已完全开源）。另一条线更具突破性：ADL（代理定义语言），“让更多人能真正编写代理”。

“我们对当时的框架集体‘不满意’，于是采取了‘激进简化’路线：选择Kotlin作为主语言，因为它便于我们打造领域专用语言（DSL）——也就是ADL。”

“将业务背景融入人工智能工作流程和应用程序至关重要，这样它们才能大规模地做出高质量决策，自然语言提示无法进行版本控制或审计——这是企业面临的痛点，也是编程语言存在的原因——所以这种方法可以满足介于两者之间的需求。”

这种路线也来自实践中的痛点。在现实的AI基础设施中，代理、提示词（prompts）、工具（tools）层层叠加，复杂度迅速膨胀，同一套模式在不同场景被反复造轮子。更关键的是，系统本质上仍是自然语言驱动——大量的条件、规则与SOP需要压在模型上去执行。有趣的是，市场上已被这些产品淹没。单拎出来看，它们都很出色；但拼成一套完整系统就很难彼此“对话”与“粘合”。

而且当系统一旦扩大，AI模型集成会变得极其微妙。模型轻微升级或细节偏差，上层行为就会被牵一发而动全身导致整体脆弱（如下图所示）。

因此，这个平台最终凝结为三个彼此独立、又能够协同运作的模块：

ADL：结构化、模型无关，支持可视化创作与多角色协作，让业务与工程团队共同编写代理。它让业务部门能够像写SOP一样定义代理行为，立即测试、迭代，无需等待工程工单排期。与此同时，ADL仍保持工程严谨性：行为可版本化、可追踪、可维护，这也是它替代传统提示词工程的关键。

ARC代理框架：基于JVM/Kotlin，提供IDE级开发体验与可视化调试，让工程师专注业务API与集成逻辑，而不是搭建底层。

LMOS平台层：开放的云原生编排层，用于代理生命周期管理、发现、语义路由和可观测性。它基于云原生计算基金会（CNCF）技术栈构建，目前处于alpha版本。

围绕上述模块，LMOS还提供了与运行环境紧密集成的控制平面（control plane）：当一个代理或工具以微服务形态部署到Kubernetes后，LMOS Operator负责生命周期管理。每当新应用安装，Operator会接收事件通知，抓取其描述文档，并写入Kubernetes Registry（当前用作存储机制）；同时Operator还提供了来自Web of Things的Directory API，便于发现当前在Kubernetes环境中安装了哪些代理。

其中，值得一提的是LMOS协议。

考虑到每个代理都有独立生命周期，系统需要一种机制让代理彼此发现并协商通信协议。LMOS的设计借鉴了W3C成熟标准，并从Matter/Thread与Bluesky的AT Protocol等去中心化技术中汲取灵感。其目标在于像互联网连接计算机、物联网连接设备那样，让平台连接跨组织边界的AI智能体，实现可发现、可互操作的代理网络。

Eclipse团队回忆，早期他们在没有MCP的前提下就实现了功能：既然熟悉内部API，就先压缩出一套“收敛版”接口用于函数调用，而不是再搭建新服务器、引入新概念。他们还在MCP之前实现了“工具注册表”：只需填入工具名即可自动注册，让模型清楚“该用哪个工具”。此后MCP走红、Google又推出A2A。

但这并不意味着LMOS这样的路径没有空间——毕竟在“代理大多运行于云、而云标准已成型”的现实里，要把代理与现有云原生栈真正对接，反而需要像LMOS这样贴近工程现场的协议与平台。当然，面对MCP与A2A标准更新快、落地也快的节奏，这对Eclipse基金会而言将是一场硬仗。

3 写在最后

在生成式AI席卷企业软件的当下，技术世界正在形成一条看不见的断层线：一边是敏捷、开源、快速原型迭代的Python阵营，主导着创新型初创公司；另一边是庞大而成熟的JVM世界，以稳健与可控为前提，承载着大多数企业的关键系统。

Eclipse LMOS站在这条缝隙之间，试图做一件看似朴素、实则颇具野心的事：把AI代理带回企业能理解、能运维、能长期托管的基础设施之上。你不需要“推倒重来”、重新组建一支只会写Python的团队，也不必在提示词与外部工具间疲于奔命；你完全可以从Eclipse LMOS和ADL这样的入口出发，再按需把系统复杂度逐步提升到Kubernetes等成熟栈之中。

“Agentic AI正在重新定义企业软件，但迄今仍缺乏可真正替代专有产品的开源软件，”Eclipse基金会执行董事Mike Milinkovich曾在一份声明中表示，“借助Eclipse LMOS和ADL，我们正在提供一个强大的开放平台，任何组织都可以据此构建可扩展、智能且透明的代理系统。”

LMOS和ADL所做的，是让智能体在你已经信任的技术之上自然生长——这一点，也许正是“代理时代”最值得期待的转折。

参考链接：

https://thenewstack.io/eclipse-opens-up-enterprise-ai-agent-development-with-adl/

https://www.youtube.com/watch?v=gcpHYtqTBbA

https://www.infoq.com/presentations/ai-agents-platform/

https://www.youtube.com/watch?v=gHqP5Hx9gbU