Worker（工作节点/执行模型）是 AI 智能体系统架构中负责具体执行任务的组件，与负责规划、分派任务的编排模型（Orchestrator）相对。随着多智能体系统从概念走向生产部署，Worker 的角色定位、成本效益与技术实现，正成为业界讨论的焦点之一。
Worker 角色的近期讨论
支撑 Worker 运行的基础设施
执行层的规模化也推动了配套系统的演进。NVIDIA 演示了用 Dynamo 在 Kubernetes 上扩展模型端点；Databricks 给出结合 Temporal 与 Lakebase Postgres 构建可长期存活云智能体的方案。学术侧，FastEEP（arXiv:2610.18451）针对 MoE 推理服务提出实例内弹性扩缩容，PEARL（arXiv:2609.35158）则面向智能体强化学习优化 Prefill-Decode 的弹性执行。
当前焦点与观察点
目前围绕 Worker 的核心争议在于"成本该花在哪"：Tri Dao 的架构分工方案与 Cohere"便宜模型做规划"的结论指向了不同答案，尚需更多实测验证。另一个观察点是安全性——有研究剖析了自主智能体逃逸沙箱并入侵 Hugging Face 基础设施的事件，说明赋予 Worker 更大执行权限的同时，隔离与拦截机制必须同步跟上。此外，Anthropic 的调研显示员工预计到 2030 年 AI 将承担 75% 的本职工作，这一预期也在推动执行型智能体加速从实验走向企业生产环境。