阿里云推出「千问.Skills」，一个 Agent 就能调度百炼多模态能力

云服务开始面向Agent重写。

2025年，阿里云率先打响价格战，腾讯云、华为云、京东云纷纷跟上，最高降幅达60%。

但不到一年，这场价格战的走向彻底反转。

2026年3月，谷歌云、亚马逊云、腾讯云、阿里云、百度智能云在10天内相继宣布涨价，核心AI算力与存储服务价格普遍上调30%至50%，部分产品涨幅高达400%。

这是中国云计算行业多年来首次出现集体涨价。

涨价的直接原因，是Token需求的爆炸式增长。国家数据局数据显示，2026年3月，中国日均Token调用量已突破140万亿，而这一数字在2024年初仅为1000亿，两年间增长超千倍。

价格的下降速度，始终追不上需求扩张的速度。供需天平一旦倾斜，涨价便成了既定结果。

对中小AI企业和刚入局的创业者来说，这次涨价的冲击更为直接。

大企业可以靠采购规模议价，锁定长期协议价。小团队没有这个筹码，同样调用量的成本可能直接翻倍，原本的商业模型需要推倒重算。

不过，涨价只是这场行业重构的表象。更深层的变化是，云厂商的竞争逻辑正在改变。过去近二十年，国内云计算市场的默认策略是"低价走量、先圈地再盈利"，拼的是谁的单位算力成本更低。

现在，随着智能体应用的快速普及，企业客户的核心需求已从采购裸算力，转向获取能让AI应用稳定运行、完成业务任务的整体方案。

价格只是合作前提，稳定的服务体验才是持续付费的关键。

在这个背景下，阿里云的市场份额表现尤为突出。根据数据显示，2025年第一、二、三季度，阿里云在中国云市场的份额依次为33%、34%和36%，连续三个季度保持上升。

与此同时，火山引擎在AI云细分赛道攻势迅猛，根据IDC数据，2025年上半年在中国公有云大模型调用量中，火山引擎以接近50%的市场份额稳居第一。

两家的竞争，正在成为这轮排位赛中最受关注的对抗。

就在行业格局加速重构的过程中，阿里云在2026年做了一件此前从未做过的事，在官网之外，单独推出了一个新产品官网。

官网地址：www.qianwenai.com

这是阿里云成立17年来的首次。

打开这个页面，没有产品列表，没有控制台入口，也没有传统意义上的导航结构。首页只有一行字：

安装 Skills   npx skills add QianWen-AI/qianwen-ai

这是一条给Agent读的指令，不是给人看的。

这个选择背后有一个判断，当云的主要消费者从人变成Agent，原来围绕人类设计的界面、流程和交互逻辑，都需要被重写。

人需要登录控制台、选产品、配参数、调API。Agent不看网页，不点按钮，它需要的是结构化的能力描述和可以直接调用的协议。

千问云做的事情，就是把阿里云的模型服务能力，重新封装成Agent可以直接理解和调用的形式。

它有着一套给Agent使用的技能包，官方称之为QianWen AI Skills。

GitHub地址：https://github.com/QianWen-AI/qianwen-ai

阿里云百炼旗下的模型数量很多，文本、图像、视频、语音、视觉理解，每种类型下又有多个不同的模型，参数各异，接口不同，适用场景也不一样。

对于开发者来说，想找到一个合适的模型，需要翻阅大量文档。对于Agent来说，这套体系完全不可用，因为Agent无法自行判断该调哪个模型、用什么参数。

而千问云解决的就是这个问题。

它把这些能力分成9个Skills模块，分别是：文本生成与对话、图像视频理解、图像生成、视频生成、文字转语音、模型选择、鉴权管理、用量查询，以及更新检查。

每个模块内部已经预设好了适配逻辑：用哪个模型、传什么参数、怎么处理报错、结果怎么返回。

用户只需要告诉Agent自己想做什么，Agent会自动判断该触发哪个Skills，选择对应的模型，调用对应的脚本，完成任务。

模型的选择机制分三层：

第一层是每个Skills脚本自带默认模型兜底，常见任务开箱即用，例如文生图默认走wan2.6-t2i，视频生成默认走wan2.6-t2v，图生视频默认走wan2.6-i2v-flash，文字转语音默认走qwen3-tts-flash，图片理解默认走qwen3.6-plus，OCR默认走qwen-vl-ocr，视觉推理默认走qvq-max，视频编辑默认走wan2.7-videoedit。

第二层是模型选择器，当Agent判断需要在质量、成本、速度之间权衡，或者用户对模型有特定要求时，可以调用qianwen-model-selector来获取推荐，这一步不是每次执行都强制触发，而是按需调用的选择层。

第三层是用户显式指定，用户也可以直接告诉Agent用哪个模型，跳过前两层的判断。这套机制让常规任务可以直接跑，复杂需求则由Agent按实际情况灵活切换。

举一个具体的例子：如果你告诉Agent"把这5张产品图每张生成一段5秒的展示短视频"，Agent会先调用图像理解模块确认图片，再调用视频生成模块，选择图生视频的模式，提交异步任务，轮询结果，最后把视频文件交给你。

这个链路可以在一个标准API Key下完成，中间不需要人介入。

如果需求更复杂，比如"先生成一张图，再把这张图做成视频，最后配上语音"，Agent可以把图像生成、视频生成、语音合成三个Skills串联起来，上一个模块的输出直接作为下一个模块的输入。

目前，该Skills支持的是按量计费的标准API Key，也就是以`sk-`开头的那种。

当然，还有另一种计费方式Token Plan，使用专属Key（以`sk-sp-`开头），面向团队/高频率使用者订阅，按Credits计费，适合每天使用AI编程工具的团队用户。这两种Key在设计上有明确分工，不能混用。

Token Plan的Key无法用于这些Skills脚本的大多数调用，视频生成、语音合成、专用视觉模型这些能力也不在Token Plan的覆盖范围内。

在费用结构上，不同类型的模型计费方式各不相同：文本模型按百万Token计费，图像生成按张计费，视频生成按输出时长（秒）计费，语音合成按每万个输入字符计费。

新用户可以获得每个模型100万免费Token，有效期90天。

如果是高频调用场景，千问云文档里提到了两种降低成本的方式：Batch API可以享受五折优惠，上下文缓存可以复用长Prompt，减少重复的Token消耗。两种优惠不能同时叠加使用于同一请求。

千万云目前处于第一版的状态，虽然仅用了一行代码占据官网的顶部位置，但这是一个明确的信号，它认为未来云服务的主要使用者会是Agent。

千问云是这个判断的第一个具体产品。至于这个方向会不会成立，还需要时间来验证。