一、执行摘要
2026年6月25日，美国国防部（现已更名为"战争部"）正式启动"智能体网络"（Agent Network）项目，作为人工智能加速战略（AI Acceleration Strategy）第二项"节奏引领项目"（Pace-Setting Project 2，简称PSP 2）。该项目由美国国防部首席数字与人工智能办公室（CDAO）牵头，联合美国印太司令部（USPACOM）、南方司令部（USSOUTHCOM）和欧洲司令部（USEUCOM）共同推进，旨在利用AI智能体技术提升战场管理、辅助决策和目标指示能力，标志着美军在智能化作战指挥领域的战略级布局迈出关键一步。
Agent Network的核心理念是将传统的"人找信息"模式转变为"信息找人"模式。系统通过部署AI智能体，可持续扫描国防情报数据库和作战数据系统，将分析结果在数秒内转化为清晰的行动方案选项，供指挥员决策参考。值得关注的是，该系统明确遵循"人在回路"（Human-in-the-Loop）原则——Agent Network不会自主选择或打击目标，最终作战决定仍由人类指挥员作出。这一设计既体现了技术赋能的激进追求，也回应了军事AI伦理与法律层面的核心关切。
从战略脉络看，Agent Network是美军AI能力从"单点工具"向"网络化智能体生态"演进的关键节点。此前，Maven Smart System等主要解决数据整合和可视化问题；Agent Network则引入下一代AI智能体编排能力，实现从"看到战场"到"理解战场并生成行动方案"的代际跃升。CDAO首席数字与AI官Cameron Stanley将此描述为"作战级规模的战争AI"，明确区分了Agent Network与后台办公自动化的本质差异。本报告将从项目背景、战略谋划、体系设计、核心技术和利益相关者分工五个维度，对Agent Network项目进行全面深度解析。
从技术和产业视角看，PSP 2整合了美国Palantir Technologies等国防科技领军企业的成熟技术基础，以及Lumbra等新兴AI公司的创新编排能力，形成了"老牌领军+新锐创新"的双轨技术供给格局。Palantir的AIP（人工智能平台）和Maven Smart System为项目提供底层数据融合与指挥控制基础设施，而Lumbra的Nebula智能体编排框架则为跨密级、跨域的AI智能体协作提供关键技术支撑。本报告将从项目背景、战略谋划、体系设计、核心技术和利益相关者分工五个维度，对Agent Network项目进行全面深度解析。
核心技术供应商对比PALANTIR vs LUMBRA AIPalantir老牌领军企业成立时间2003年合同金额$8亿+核心产品Maven Smart System技术优势大规模数据融合战场经验中东/印太实战角色定位平台架构提供者市场成熟度Lumbra AI新锐创新企业成立时间2020年代合同金额数千万级核心产品Lumbra Reasoning Engine技术优势推理与方案生成战场经验快速迭代验证中角色定位智能推理引擎市场成熟度"老牌领军 + 新锐创新"双轨并行供给格局
图：核心技术供应商对比（来源：本研究绘制）
图：MQ-9“死神”无人机地面控制站内，传感器操作员正在多屏任务工作站前执行作战支援任务，是美军“有人监督、机器执行”作战模式的典型场景｜来源：DVIDS美国国防部影像资料库
二、项目背景与战略定位
2.1 AI加速战略与七大PSP
Agent Network并非孤立项目，而是美国国防部2026年1月9日发布的《人工智能加速战略》的核心组成部分。该战略由特朗普总统亲自授意，战争部长皮特·赫格塞斯（Pete Hegseth）签署实施，旨在将美国军队打造为全球领先的"AI优先"（AI-first）作战力量。战略文件明确提出"速度定义胜利"（speed defines victory）的核心论断，强调在AI时代，学习和部署速度是决定军事竞争成败的 decisive variable。
为支撑这一战略目标，战争部设立了七大"节奏引领项目"（Pace-Setting Projects），涵盖作战（Warfighting）、情报（Intelligence）和企业（Enterprise）三大任务领域。七大PSP分别为：Swarm Forge（AI赋能作战模式创新竞赛）、Agent Network（AI智能体战场管理与决策支持）、Ender"s Foundry（AI驱动仿真能力）、Open Arsenal（技术情报到武器开发加速）、Project Grant（威慑姿态动态化转型）、GenAI.mil（全员生成式AI接入）和Enterprise Agents（企业级AI智能体部署手册）。每项PSP均由单一负责人领导，直接向副部长和首席技术官月度汇报进展。
这七大PSP构成了一个完整的AI军事能力发展矩阵。其中，Agent Network处于作战域的核心位置，直接服务于指挥决策这一最高价值的军事活动。战略要求各PSP在六个月内（即2026年7月）进行首次能力演示，这意味着Agent Network从宣布到实战化验证的窗口期极短，体现了美军"战时速度"（wartime speed）推进AI能力建设的紧迫姿态。此外，战略还设立了"障碍清除委员会"（Barrier Removal Board），授权其豁免任何非法规要求的审批程序，以消除AI能力部署的官僚障碍。
在数据治理方面，AI加速战略配套发布了《Advana转型备忘录》，要求各军事部门和作战司令部在30天内向CDAO提交联邦数据目录，CDAO有权将任何国防部数据发布给具有有效目的的已授权用户。这一"数据法令"（Data Decrees）为Agent Network打通了跨部门数据共享的制度通道，解决了长期困扰军事AI发展的数据孤岛问题。战略还明确要求CDAO确保AI供应商能够在模型公开发布后30天内部署最新版本，这一"模型对等"（model parity）要求成为未来AI采购的首要标准。
图：五角大楼航拍实景。作为美国国防部所在地，这里是Agent Network智能体网络项目的顶层决策与统筹中枢｜来源：DVIDS美国国防部影像资料库
2.2 从Maven Smart System到Agent Network的演进
Agent Network的技术根基可追溯至2017年启动的Project Maven——美军历史上最具标志性的AI军事项目之一。Maven最初旨在利用计算机视觉技术自动识别无人机监控画面中的可疑目标，解决人工分析师"盯着屏幕16小时导致疲劳、分心和漏判"的现实痛点。经过多年演进，Maven已发展为Maven Smart System（MSS）——一个覆盖全军、融合多源情报的AI决策支持平台。
图：卫星通信地面站实景示意（ISR多源情报接入场景）
MSS的技术经济特征是Palantir合同金额在2025年5月突破10亿美元，服务约80,000名用户，包括北约盟友。系统整合来自179个以上来源的情报监视侦察（ISR）数据，利用AI模型进行模式识别和目标标注。一个极具说服力的效能指标是：第18空降军使用MSS后，仅用20名人员就达到了伊拉克自由行动中2,000人目标打击小组的效能水平，实现了百倍的效率提升。2026年3月，国防部正式将MSS列为"记录项目"（Program of Record），标志着其从实验性项目升级为标准化军事能力。
Agent Network正是在MSS奠定的数据融合和指挥控制基础上，引入下一代AI智能体（Agentic AI）能力，实现从"数据整合+可视化"到"自主分析+方案生成"的代际跃升。如果说MSS解决的是"让指挥员看到更清晰的战场图景"，Agent Network则要解决"让指挥员在数秒内获得可执行的决策选项"——这一跃迁的技术核心是大型语言模型（LLM）驱动的智能体编排能力。
三、战略与战术谋划分析
3.1 作战指挥智能化变革
Agent Network的战略价值首先体现在对OODA循环（观察-判断-决策-行动）的压缩上。传统作战指挥中，从情报获取到形成行动方案往往需要数小时甚至数天，涉及跨部门、跨系统的多轮人工协调。Agent Network通过部署持续运行的AI智能体，将情报扫描、数据融合、态势分析和方案生成等步骤自动化，目标是在"数秒内"（within seconds）向指挥员呈现结构化的行动选项。
传统指挥 vs Agent Network指挥：OODA循环压缩对比OBSERVE - ORIENT - DECIDE - ACT传统指挥模式观察Observe判断Orient决策Decide行动Act小时级Agent Network指挥模式观察AI感知判断AI分析决策人在回路行动自主执行分钟级 · 百倍压缩↓100x效率提升
图：OODA循环压缩对比示意图
这一能力在高端对抗环境下具有决定性意义。面对中国和俄罗斯等 peer adversary，美军面临的挑战不仅是获取信息，更是在信息过载条件下快速形成高质量决策。Agent Network的设计逻辑是：让AI处理海量数据的"脏活累活"（持续监控、模式匹配、关联分析），将指挥员的认知资源释放于战略判断和关键决策。CDAO首席数字与AI官卡梅隆·斯坦利（Cameron Stanley）将此描述为"作战级规模的战争AI"（warfighting AI at operational scale），明确区分了Agent Network与后台办公自动化的本质不同。
图：联合作战指挥中心实景示意（人机协同决策场景）
从战术应用层面，Agent Network聚焦三大核心功能：战场管理（Battle Management）——实时态势感知与部队协调；决策支持（Decision Support）——基于多源情报的方案生成与风险评估；目标指示（Targeting）——从目标发现到打击建议的全链条加速。这三大功能恰好对应现代战争中最为复杂、时间压力最大的指挥活动，也是AI赋能价值最为显著的领域。值得注意的是，项目明确排除自主目标选择和打击——"它不自主选择或打击目标；它确保指挥员对每一个决定保持掌控"（It does not autonomously select or strike targets; it ensures commanders remain in charge of every decision）。
图：卡塔尔乌代德空军基地联合空中作战指挥中心（CAOC）作战大厅，负责跨20国空中力量的指挥控制与作战协调，是Agent Network重点对接的作战指挥节点之一｜来源：DVIDS美国国防部影像资料库
3.2 三大战区司令部的差异化需求
Agent Network选择印太司令部、南方司令部和欧洲司令部作为首批合作伙伴，体现了对不同地理和战略环境的全面覆盖。三大司令部的参与不仅是行政层面的协调，更代表了Agent Network需要适配的差异化作战需求。
印太司令部（USPACOM）是美国最优先的战略方向，面对中国日益增长的军事能力和地区影响力。印太战区具有广袤的地理空间、复杂的岛链环境和高度竞争的信息环境。Agent Network在此面临的核心挑战是：如何在"反介入/区域拒止"（A2/AD）环境下维持跨域数据融合能力，如何在分布式作战概念（Distributed Maritime Operations）中支持分散部队的协同决策。此外，印太司令部正在推进Mission Network-as-a-Service计划，将17个分散的盟军通信网络整合为统一网络，Agent Network的数据接入能力与此高度协同。
欧洲司令部（USEUCOM）面临的是与俄罗斯持续对抗的陆上战场环境，以及北约联盟作战的独特需求。乌克兰冲突的经验表明，AI辅助目标识别和快速打击链条在近程高强度对抗中具有直接战术价值。欧洲战区对Agent Network的需求更侧重于快速目标指示和火力协调，以及跨北约成员国的情报共享与互操作。值得注意的是，北约已于2025年正式采用Palantir的Maven Smart System用于盟军作战指挥，这为Agent Network在欧洲战区的部署提供了现成的技术基础。
南方司令部（USSOUTHCOM）负责的西半球安全环境虽然战略烈度相对较低，但涵盖了跨国犯罪、人道主义援助和灾难响应等多样化任务类型。Agent Network在此的价值在于支持非传统安全任务的快速响应——例如利用AI智能体分析开源情报、识别区域威胁模式、协调多国联合行动。Cameron Stanley此前曾担任南方司令部高级科技顾问，对该战区的独特需求有深入理解，这也是南方司令部被纳入首批合作范围的重要因素。
图：“勇敢之盾2024”演习中，美军“拉斐尔·佩拉尔塔”号驱逐舰作战信息中心值班员正在监控多域态势，是印太战区一体化联合作战的实景写照｜来源：DVIDS美国国防部影像资料库
四、构想布局与体系设计
4.1 Open DAGIR数据架构基础
Agent Network的体系架构建立在CDAO于2024年5月推出的Open DAGIR（开放数据与应用政府所有互操作仓库）框架之上。Open DAGIR代表了一种全新的数据治理范式——政府保留数据所有权，同时保护供应商的知识产权，通过多供应商生态系统实现数据平台、开发工具、服务和应用的无缝集成。这一框架解决了美军长期以来"数据孤岛"和"供应商锁定"的双重困境。
Open DAGIR的技术核心是企业本体论（Enterprise Ontology）——一种将雷达信号、卫星图像和情报报告等不同维度数据统一映射为一致实体和关系的数据组织方式。类比而言，本体论相当于机器之间的"共享词汇表和规则手册"，使不同来源的数据能够被统一解释和关联。Palantir的Gotham和AIP平台正是基于本体论构建的，这也是其能够支撑Agent Network数据融合需求的技术基础。CDAO通过Open DAGIR挑战赛事和GIDE（全球信息主导实验）系列，持续评估和遴选符合标准的第三方能力，不断丰富生态系统。
从数据基础设施看，Agent Network还依托于CDAO管理的两大核心平台：Advana（国防部最大的大数据分析平台，服务超过100,000用户，连接400多个业务系统）和Maven Smart System的数据环境。2026年1月，战争部发布备忘录将Advana转型为"战争数据平台"（War Data Platform），专门支持Agentic AI的数据需求，标志着国防部数据基础设施从"支持分析"向"支持智能体"的转型。
图：数据中心机房实景示意（Open DAGIR数据底座）
图：美军士兵在伊拉克阿萨德空军基地运用Maven任务系统监控航空兵任务态势，体现了国防部数据架构向一线作战单元下沉的实景｜来源：DVIDS美国国防部影像资料库
4.2 Agent Network技术体系架构
Agent Network的技术体系可分为四个层次：数据接入层、智能体编排层、决策支持层和交互界面层。数据接入层负责连接国防情报数据库、作战数据系统和外部情报源，实现多密级、多域数据的实时汇聚。这一层依托Palantir的Foundry数据平台和Gotham情报分析平台，利用本体论映射将异构数据统一为机器可理解的结构化知识。
Agent Network 四层技术体系架构FOUR-LAYER TECHNICAL ARCHITECTURE第一层：数据基座层Open DAGIR框架 · 数据湖与API网关 · 多源数据融合（卫星/信号/情报/开源）技术核心：Apache NiFi · Kubernetes · 容器化部署第二层：AI模型层多模态识别 · 自然语言理解 · 预测分析 · 方案生成技术核心：计算机视觉 · NLP · 强化学习 · LLM大模型第三层：智能体编排层（创新核心）多智能体协作 · 任务分解与分配 · 信任等级管理 · 人机混合决策技术核心：Agent Protocol · LLM编排 · 可信AI · Palantir AIP第四层：应用交互层自然语言接口 · 态势感知UI · 多终端适配 · 战区定制化技术核心：自然语言交互 · 响应式UI · 边缘计算
图：Agent Network四层技术体系架构
智能体编排层是Agent Network的技术创新核心。该层负责管理和协调多个AI智能体的协同工作——不同智能体可能专注于不同任务（如情报扫描、目标分析、风险评估），它们之间需要高效的通信、任务分配和结果整合机制。Lumbra的Nebula平台在这一层发挥关键作用，其"模型无关的智能体编排层"（model-agnostic orchestration layer）设计使系统能够灵活接入不同的LLM和专用AI模型，而不会被单一供应商锁定。Nebula的"跨密级协作"能力尤为重要——它允许AI智能体在不同安全等级的网络环境中协同工作，这是军事应用场景的刚性需求。
决策支持层负责将智能体分析结果转化为指挥员可理解的行动方案。这一层需要整合风险评估、法律合规检查和作战效果预测等功能，确保生成的方案不仅技术上可行，也符合军事法规和国际法要求。Palantir AIP的"AI护栏"机制在这一层发挥关键作用——它预定义了AI可自主操作的行为边界，所有超出边界的行为都需要人工审批。交互界面层则提供自然语言查询、可视化态势图和结构化方案展示等功能，使指挥员能够以最小认知负担获取AI分析成果。Lumbra Nebula的双界面设计理念在此得到体现：非技术操作员看到简洁的答案、置信度和来源；技术构建者则拥有对智能体、工具、追踪和权衡的完全透明度。
从技术实现路径看，Agent Network采用了"渐进式部署"（graduated deployment）策略。项目首先在Maven Smart System已部署的作战司令部环境中进行能力叠加，利用现有的数据基础设施和用户基础降低部署风险。同时，系统通过模块化开放系统架构（MOSA）设计，确保各组件可以以"商业速度"进行替换升级，避免供应商锁定。这一架构选择与国防部推动的"组件替换以商业速度维持优势"（component replacement at commercial velocity to maintain overmatch）战略高度一致。
表1：Agent Network技术体系四层架构
图：美军自主战术车辆在摩洛哥“非洲狮2026”演习中按预设航线自主机动，代表了Agent Network“感知—决策—执行”闭环中执行层的落地形态｜来源：DVIDS美国国防部影像资料库
五、核心参与企业与技术解析
5.1 Palantir Technologies
Palantir Technologies是Agent Network项目中地位最为核心的技术供应商。这家成立于2003年、由彼得·蒂尔（Peter Thiel）联合创立的数据分析公司，已从反恐情报分析工具提供商成长为美国国防AI领域的中流砥柱。2026年第一季度，Palantir实现收入16.3亿美元（同比增长85%），其中政府业务收入8.58亿美元（同比增长76%），美国国防部是其最大单一客户。
Palantir为Agent Network贡献的是经过Maven Smart System验证的成熟技术栈，主要包括三大平台组件。AIP（Artificial Intelligence Platform，人工智能平台）是Palantir的旗舰AI产品，其核心创新在于将大型语言模型（LLM）安全地部署于受严格数据管控的环境中。AIP通过"AI护栏"（AI Guardrails）机制确保AI在预定义边界内运行，所有AI驱动的活动均可被审查和精调。平台支持自然语言查询，允许军事操作员用日常语言查询战场数据并获得可操作的目标建议。一个典型案例演示中，AIP能够自动识别敌方T-80坦克编队、推荐多种战略响应方案、规划通信干扰策略并生成完整作战计划——全程通过对话式界面完成。
Gotham是Palantir面向国防和情报领域的数据融合平台，提供情报分析、任务规划、后勤协调和战场感知等功能。Foundry则是企业级数据运营平台，支撑跨部门数据整合和分析。在Agent Network架构中，Gotham/Foundry构成数据接入层和本体管理层的基础设施，AIP则提供LLM驱动的智能交互和方案生成能力。值得注意的是，Palantir的Ontology SDK（本体论软件开发工具包）允许第三方开发者在政府数据环境中构建自定义应用，这与Open DAGIR的开放生态理念高度契合。
从合同层面看，Palantir与国防部的关系已超越传统供应商模式。2025年8月，Palantir获得美国陆军为期10年、价值高达100亿美元的企业软件框架协议——这是陆军历史上最大的软件合同。2025年12月，又获得海军4.48亿美元的ShipOS合同。Maven Smart System的Program of Record地位进一步锁定了Palantir在国防部AI基础设施中的核心供应商角色。在Agent Network项目中，Palantir被官方描述为"国防部Maven Smart System计划的基础指挥控制创新"提供者，其技术不可替代性显而易见。
图：内利斯空军基地“影子作战中心”（ShOC-N）实验现场，作战人员运用Palantir公司Maven智能系统（MSS）开展杀伤链自动化演练｜来源：DVIDS美国国防部影像资料库
5.2 Lumbra AI
Lumbra AI是Agent Network项目中的新锐技术供应商，代表了"创新新进入者"（innovative new entrant）这一战略维度。该公司成立于2024年前后，团队核心成员来自CIA（中央情报局）、JSOC（联合特种作战司令部）和MIT（麻省理工学院），专注于为情报界构建自主智能体基础设施。Lumbra的使命定位颇具雄心——"成为任务对齐系统运行的骨干"（the backbone upon which mission-aligned systems operate），而非又一个独立的AI工具。
Lumbra的核心产品是Nebula——一个"智能体鞍具"（agentic harness），旨在使AI智能体在高风险环境中变得可靠、可评估和实用。Nebula的技术架构强调"模型无关性"（model-agnostic）和"问题无关性"（problem-agnostic），这意味着它可以灵活适配不同的底层AI模型和不同的任务类型，而不会将用户锁定于特定技术栈。这一设计哲学与国防部推动的模块化开放系统架构（MOSA）高度一致。
从技术细节看，Nebula提供了多项关键能力。Provider-agnostic LLM集成层允许平台在不改变配置的情况下运行多轮、多智能体对话；高级智能体编排技术结合确定性和非确定性工具使用，生成复杂的多步骤行动链；基于MCP（Model Context Protocol）的工具交互框架为智能体提供对组织知识的一流访问；智能体记忆层支持短、中、长期记忆，跨越向量、文本、图和文件系统存储实现高效上下文检索。这些技术能力直接回应了Agent Network对"跨密级智能体协作"和"可靠行动链生成"的核心需求。
Lumbra的政府合作记录显示其在竞争激烈的环境中脱颖而出。公司在前10个月内赢得了4项美国政府主合同，均部署于涉密空间，且已在JWICS（联合全球情报通信系统）上运行。Lumbra在200多家公司的竞争中胜出，两度击败成熟的国防主承包商获得后续合同。这一业绩证明了其技术实力，也为Agent Network的可靠性提供了背书。
表2：Agent Network核心企业技术能力对比
图：美国空军第616作战中心内，值班人员通过实时网络防御地图监控全球网络空间态势——这类软件化指挥节点正是Lumbra等AI公司智能体编排技术的典型应用场景｜来源：DVIDS美国国防部影像资料库
六、利益相关者分工与治理机制
6.1 CDAO领导与协调机制
首席数字与人工智能办公室（CDAO）是Agent Network项目的总体负责机构。CDAO成立于2021年底，整合了联合人工智能中心（JAIC）、国防数字服务处（DDS）、Advana项目、Maven项目和首席数据办公室等多个组织，直接向国防部副部长汇报。2026年1月，Cameron Stanley被正式任命为CDAO首席，此前他曾任Project Maven负责人和南方司令部高级科技顾问，在军事AI领域拥有深厚的技术和作战背景。
在AI加速战略框架下，CDAO承担着"赋能者"（enabler）的角色——确保PSP项目产生的基础设施、数据、模型、政策和人才等AI赋能资源能够被整个国防部共享利用。具体到Agent Network，CDAO的职责包括：项目总体设计与进度管控、技术供应商遴选与管理、与三大战区司令部的协调对接、数据访问权限的统筹管理，以及AI伦理合规的监督。CDAO的Tradewinds解决方案市场（合同金额已达32.6亿美元）为Agent Network的快速采购和供应商 onboarding 提供了灵活的合同工具。
值得关注的是，CDAO在2026年经历了组织架构调整。副国防部长Stephen Feinberg于2025年8月下令将CDAO置于研究与工程副部长（R&E）的管辖之下，旨在统一AI战略、研发和部署，消除潜在的官僚障碍。这一调整反映了国防部高层对加速AI能力交付的迫切需求，也使Agent Network能够更紧密地对接研发资源和作战需求。
6.2 测试评估与伦理框架
Agent Network在开发与部署全周期中接受"严格的测试、作战评估和监督"，这是项目官方声明中反复强调的质量保障承诺。测试评估体系涵盖技术性能验证（智能体响应速度、方案准确性、系统可靠性）、作战效能评估（在模拟和真实场景中的决策支持效果）和伦理合规审查（目标指示流程的人机分工、法律风险、附带伤害最小化）三个维度。
在伦理治理方面，Agent Network依托国防部2020年确立的AI伦理五项原则：责任（Responsibility）、公平（Equity）、可追溯（Traceability）、可靠（Reliability）和可治理（Governance）。CDAO开发的Responsible AI（RAI）工具包为项目提供了系统化的风险评估框架，核心工具包括SHIELD评估（涵盖设定基础、优化操作化、改进创新、评估状态、记录可追溯性和持续监测六步流程）和DAGR风险指南（国防部AI风险识别资源）。
Agent Network的伦理设计有几个关键特征。首先，"人在回路"原则被硬编码于系统架构中——AI智能体仅生成方案选项，最终决策权始终保留给人类指挥员。其次，系统强调"可解释性"（interpretability），AI的推理过程和方案依据必须对操作员透明。再次，项目遵循"精准、问责和附带风险降低"（precision, accountability and the reduction of collateral risk）的指导原则。这些设计既回应了国际社会对自主武器系统的关切，也为高强度对抗环境下的人类控制提供了技术保障。
表3：Agent Network利益相关者分工矩阵
图：“勇敢之盾2024”演习中，自主多域发射器进行实弹射击——自主武器系统的测试与评估已成为美军智能化转型的关键环节｜来源：DVIDS美国国防部影像资料库
七、影响评估与未来展望
Agent Network项目的战略影响可从三个层面评估：作战效能层面、产业生态层面和国际竞争层面。在作战效能层面，Agent Network代表了美军从"信息化"向"智能化"转型的关键里程碑。如果项目成功实现设计目标——在数秒内将情报转化为决策选项——将根本性地改变指挥决策的时间尺度，使美军在高端对抗中获得显著的决策优势。这一能力在与 peer adversary 的对抗中尤为重要，因为中俄两国同样在积极发展军事AI能力，决策速度的差距可能直接转化为战场胜败。
在产业生态层面，Agent Network的"老牌领军+新锐创新"双轨模式可能成为未来国防AI项目采购的范式。Palantir提供经过验证的基础设施和成熟的交付能力，Lumbra等新锐公司带来前沿技术和敏捷创新，两者结合既降低了项目风险，又保持了技术先进性。CDAO的Tradewinds和Open DAGIR机制为这一模式提供了制度化的采购和数据共享框架。从产业视角看，Agent Network的推进将进一步巩固Palantir在国防AI基础设施领域的寡头地位，同时为Lumbra等新兴公司创造进入主承包商行列的机会窗口。
7.1 关键挑战与风险
Agent Network的推进面临技术、组织和伦理三重挑战。技术层面，大型语言模型的"幻觉"（hallucination）问题在高风险军事决策场景下可能产生灾难性后果——AI可能生成看似合理实则错误的分析结论或行动建议。如何建立有效的验证机制，确保AI生成方案的可靠性，是项目成败的核心难题。此外，多智能体系统的协调复杂性随智能体数量呈指数级增长，如何在保证响应速度的同时维持系统稳定性，仍需大量工程验证。
组织层面，三大战区司令部的系统整合涉及复杂的数据标准协调、网络权限管理和跨域互操作问题。每个战区都有其 legacy 系统和独特的数据格式，Agent Network的通用架构必须在这些异构环境中无缝运行。人员培训和文化适应也是不可忽视的挑战——指挥员和分析师需要学会如何有效地与AI智能体协作，如何批判性地评估AI生成的方案，而不是盲目接受或完全排斥。
伦理法律层面，尽管项目强调"人在回路"，但AI智能体对指挥员决策的潜在影响值得深入研究。心理学研究表明，人类在面对高置信度的机器建议时容易产生自动化偏误（automation bias），即过度依赖系统输出而忽视自身判断。此外，Agent Network与现有的自主武器系统监管框架如何衔接、在国际人道法下的合规性如何确保，都需要持续的政策研究和法律审视。
图：“勇敢之盾2026”演习中，美军士兵调试反无人机装备——低成本无人机蜂群威胁是Agent Network等智能化体系重点应对的风险之一｜来源：DVIDS美国国防部影像资料库
7.2 战略前景与演进方向
展望未来，Agent Network的发展轨迹将深刻影响美军智能化转型的节奏和方向。短期看（2026-2027年），项目重点是完成三大战区的初步部署和能力验证。中期看（2027-2029年），Agent Network可能与CJADC2（联合全域指挥控制）体系深度融合，成为美军分布式作战的核心决策枢纽。长期看，Agent Network的技术架构和经验教训可能为更广泛的美军AI应用——从蜂群作战到战略威慑——提供参考范式。无论具体路径如何，Agent Network已经清晰地表明：智能体驱动的作战指挥变革已从美国国防部的战略文件走向战场实践，其影响将在未来数年内持续显现。
图：“FireAnt”无人地面作战车辆在路易斯安那州波尔克堡联合战备训练中心演习中执行无人化任务，是美军地面无人系统与人机协同作战的实景缩影｜来源：DVIDS美国国防部影像资料库
无人智能技术协同创新中心
Center for Unmanned Intelligent Technology Collaborative Innovation
报告主题：美国国防部Agent Network智能体网络项目深度分析（In-depth Analysis of the U.S. DoD Agent Network Program）
出品方：中关村通力·国防科技研究组
声明：本报告基于公开信息整理分析，仅代表作者观点，不构成任何官方立场或政策建议；转载或引用请注明出处。
声明：本文来自无人智能技术协同创新中心，版权归作者所有。文章内容仅代表作者独立观点，不代表安全内参立场，转载目的在于传递更多信息。如有侵权，请联系 anquanneican@163.com。
