ARTICLE · 1046307
AI Agent干一次活,网络流量最高涨450%:网工的题变了
思科2026 AI网络报告里，最值得网工看的不是“流量会变大”，而是AI流量的性格变了：更长、更吃上行、更依赖关键路径。以后排障，不能只问通不通。
最近看了一份思科的 AI 网络报告，里面有个数据挺扎眼。
他们让一个 AI Agent 去做一次公开信息收集任务。
这个 Agent 查了 44 个网页来源，一边调用网页工具，一边和大模型通信，还会把中间状态不断塞回模型，让模型判断下一步怎么做。
结果是：
同一类任务，由 Agent 完成时，触发的网络流量最高增加 450%。
其中大约 70% 是 AI 推理流量。
这是思科用 LangChain Open Deep Research 做的单 Agent、单任务实验室测试，不代表所有 Agent 都会这样。
但它把一个趋势摆出来了：
AI 不是只会让流量变大。
它正在改变流量的形状。
如果你是网工，这件事就不远了。
以后你接到的工单，可能不再只是：
“网页打不开。”
“视频卡。”
“VPN连不上。”
而是：
“AI客服回答越来越慢。”
“Agent执行任务到一半失败。”
“总部用AI工具很快，分支机构特别慢。”
你 ping 网关，通的。
你看出口带宽，没满。
你查设备状态，也没报警。
但用户就是觉得慢。
这个时候，问题可能已经不在“通不通”。
而在：这条 AI 任务链，稳不稳。
图注：一次 Agent 任务背后，可能包含 Agent、工具、网页来源和 LLM 之间的多次通信。 数据来源：思科《AI Impact on Wide Area Networks Report 2026》
01
PART
AI Agent 不是多开一个网页
过去人用网络，是有节奏的。
点一下网页，停下来读一会儿。
刷一条视频，看几秒，再滑下一条。
查资料的时候，还会犹豫、切窗口、发呆、喝水。
人的慢，其实是网络的缓冲垫。
但 Agent 不一样。
Agent 是按软件速度干活的。
你给它一个目标，它可能会自己搜索、抓取、摘要、调用模型、再搜索、再调用工具、再把结果丢给模型判断。
对用户来说，这只是一句指令。
对网络来说，背后是一串 flow。
思科报告里把 Agent 和模型之间的连接叫做 Agent 的 “spinal cord”，也就是脊髓。
这个比喻很狠。
因为模型链路一抖，Agent 不只是慢一点。
它可能会判断变慢、任务中断，甚至执行失败。
所以 AI 时代的网络，不能只看“有没有通”。
还要看关键 AI 路径有没有被保障。
02
PART
AI 推理流量，不像普通网页
很多人一听 AI 流量增长，第一反应是：
“是不是带宽要爆了？”
没那么简单。
思科报告里有几个数据很反直觉。
AI 推理流量的持续时间，大约是普通 Web 事务的 2 倍。
报告里的中位数是：
AI 推理 flow：1292ms；
普通 Web flow：643ms。
但它的速率反而更低。
报告里的中位 flow rate 是：
AI 推理 flow：338Kbps；
普通 Web flow：3803Kbps。
也就是说，普通网页的中位速率大约是 AI 推理流量的 10 倍。
这听起来怪。
AI 不是更重吗？为什么速率更低？
原因很简单。
网页内容可以一下子拉下来。
但大模型是一个 token 一个 token 往外吐。
它不是洪水猛冲。它更像一根细水管。
流速不一定高，但流得更久。
这对网络设备很麻烦。
因为企业里的很多设备，不只是转发包。
防火墙要维护会话表。
DPI 要识别流量。
IDS/IPS 要分析行为。
SD-WAN、SASE、安全网关都要处理状态。
如果 AI 推理 flow 越来越多，而且每条持续更久，压力不一定先出现在带宽峰值上。
它可能先出现在：
会话表。
状态保持。
安全检测。
流量识别。
关键路径保障。
所以以后排障，不能只盯着“出口有没有打满”。
你还得看：
状态扛不扛得住。
03
PART
上行流量，开始没那么边缘了
以前很多网络规划，默认更关心下行。
视频卡不卡。
网页快不快。
文件下载慢不慢。
但 AI 会改变这个习惯。
你发给模型的，不再只是几个字。
它可能是一整个上下文包：
历史对话。
文件内容。
网页摘要。
工具调用结果。
业务数据。
用户偏好。
任务状态。
Agent 更明显。
它会一边执行任务，一边把新的状态带回模型，让模型继续判断下一步。
所以，上行会变重。
思科报告里有个数据：
AI 推理 flow 中，大约 9% 是上行超过下行。
普通 HTTP 事务里，这个比例大约只有 0.5%。
报告还给了一个更直观的指标：
AI flow 的下行/上行比中位数是 21.11；
普通 Web flow 是 145.39。
这个差距说明什么？
说明 AI 流量虽然不一定马上把上行打爆，但它已经在改变上下行关系。
以后你排查 AI 应用慢，不能只看下载。
还要看：
分支出口上行。
VPN 上行。
SASE 出口。
无线侧上行。
安全网关处理能力。
尤其企业大量使用 AI 助手、AI 客服、AI 办公、AI 运维工具之后，上行传的可能不只是请求。
而是业务上下文。
AI时代，上行不够，不只是体验慢。
它可能直接影响 AI 对任务的理解。
04
PART
加密和 QUIC，会让识别更麻烦
还有一个细节很值得网工注意。
思科报告里提到，AI 推理服务同时使用 TCP 和 QUIC。
按 flow 数量看，TCP 和 QUIC 几乎各占一半。
但按流量体积看，QUIC 占 57%。
这意味着什么？
意味着以后想识别 AI 流量，可能没那么容易。
很多企业网络里，安全策略、DPI、审计、流量分类，都依赖对应用流量的识别。
但 QUIC 本身加密程度更高，也更难被传统方式识别。
这会带来一串问题：
哪些是 AI 推理流量？
哪些是普通 Web 流量？
DPI 还能不能看清？
安全网关会不会误判？
QoS 能不能正确分类？
策略命中为什么和预期不一样？
这些问题，不会写在用户报障里。
用户只会说一句：
“AI 工具很慢。”
然后你得自己把链路一层层拆出来。
05
PART
网络延迟现在还不是主犯，但会越来越重要
聊 AI 网络，很容易想到边缘推理。
模型离用户近一点，延迟低一点，体验好一点。
这个方向没错。
但现阶段不能简单说：AI 慢，就是网络慢。
思科报告里讲得比较克制。
现在 AI 推理端到端延迟，主要还是模型处理时间决定。
AI 推理常见是数百毫秒到几秒级。
报告里也提到，一个较长回答可能接近 5 秒级。
相比之下，网络延迟很多时候是 20 到 50 毫秒量级。
所以今天很多 AI 应用慢，主犯可能不是网络。
是模型还在算。
但这件事会变。
推理硬件会变快。
模型服务会优化。
响应时间会下降。
当模型处理时间越来越短，网络延迟在整体体验里的占比就会上升。
也就是说：
今天网络可能还不是主瓶颈。
但未来，它会越来越接近主战场。
06
PART
2035 年的预测，不用迷信，但要听懂信号
思科报告里还有几个预测数字，很抓眼球。
到 2035 年，AI 推理流量可能占总网络流量的 25%。
企业网络这边：
如果不考虑 Agentic AI，2026 到 2035 年企业流量预计增长约 2.5 倍。
如果考虑 Agentic AI，企业网络流量可能增长到约 9 倍。
消费网络这边：
不考虑 AI 影响，2025 到 2035 年预计增长 4 倍。
考虑 AI 和 Agentic AI 后，可能增长 6.6 倍，也就是额外增加约 63%。
这些数字不用当成已经写死的未来。
2035 年太远了。
模型形态会变。
本地推理会变。
终端能力会变。
云和边缘的比例也会变。
但这些数字至少在提醒我们：
AI 不是普通应用的流量放大版。
它会改变网络规划的默认假设。
过去网络服务的是人的点击。
以后网络要服务的是任务执行。
人点一下，网络响应一下。
Agent 接到目标后，是搜索、调用、推理、再调用、再推理。
这不是同一种节奏。
07
PART
AI 业务排障，网工要开始看这 8 个点
如果把这份报告落到网工日常，我觉得最该先看这 8 个点。
看路径
AI 业务到底经过哪些节点？
终端、分支出口、VPN、SASE、防火墙、代理、云服务、模型 API，中间路径要先画清楚。
看上行
不要只盯下行。
重点看分支出口、无线侧、VPN、SASE 的上行利用率和拥塞情况。
看会话表
防火墙、安全网关、代理设备的会话数、水位、老化时间，要开始纳入观察。
AI flow 持续更久，状态压力会变大。
看 QUIC
AI 推理流量里 QUIC 占比不低。
如果 DPI、审计、策略识别依赖传统方式，要提前评估能不能识别。
看重传和抖动
Ping 通不代表体验好。
要看 RTT、重传、丢包、抖动，尤其是到模型服务路径上的指标。
看安全策略
AI 业务慢，不一定是链路问题。
也可能是安全网关、代理、防火墙策略误伤，或者域名/API 分类不准。
看 QoS
关键 AI 业务要不要单独分类？
要不要保障？
要不要和普通 Web、视频、下载流量区分？
这些后面都会变成真实问题。
看端到端体验
别只看设备状态。
要把“用户感觉慢”和“网络指标”关联起来。
AI 响应慢，到底是模型慢、网络慢、安全设备慢，还是上行堵了？
这才是以后网工排障真正要补的能力。
08
PART
写在最后
很多人聊 AI 对网工的影响，只盯着一个问题：
AI 会不会替你写配置？
但这份报告提醒我们，另一件事可能来得更快：
AI 会先改变你维护的网络。
当企业里的 AI 助手、AI 客服、AI 办公、AI Agent 越来越多，网络就不只是“把包送到”。
它要保障一条条任务链。
你要看的，也不只是端口亮不亮、链路满不满、ping 通不通。
你要看的是：
AI 路径稳不稳。
上行够不够。
状态扛不扛。
QUIC 能不能识别。
安全策略有没有误伤。
关键业务有没有被保障。
未来值钱的网工，不只是会配设备的人。
而是能回答这类问题的人：
为什么这个 AI 业务又慢了？
为什么总部快，分支慢？
为什么网络通，但 Agent 任务失败？
为什么出口没满，用户还是觉得卡？
这就是 AI 时代，网工的题变了。
不用焦虑。
但要开始看懂变化。
因为等公司真的把 AI Agent 铺开以后，老板不会问你 token 是什么。
他只会问你一句：
为什么这个 AI 业务又慢了？
如果你正在企业里推进AI应用，或者已经遇到“网络通，但AI就是慢”的情况，也欢迎在评论区说说你的场景或丝我聊聊，我们会挑典型问题做匿名拆解。
· · ·
资料来源：思科《AI Impact on Wide Area Networks Report 2026》
本文为第三方学习解读，非思科官方内容。