AgentShelf 是一个面向企业的 AI 运营平台，目标是让企业在无需编写代码、并且避免 LLM 支出失控的情况下，把 AI 投入实际业务使用。按照官方描述，它提供统一的位置来管理单个智能体、经批准的上下文、业务前端界面（business surfaces）、用量可见性、预算策略以及可复用工作流。
用途与定位：官方指出 AI 正在从实验阶段变成真实的运营支出。团队采用点状工具、浏览器聊天、自定义机器人和一次性构建的智能体，速度超过了管理者对用量、成本、访问权限和结果进行治理的能力。AgentShelf 试图把这种分散状态转变为可复用的业务 AI 运营。它列举的典型问题包括：工具碎片化导致智能体重复构建、答案不一致；模型访问缺乏管理，使支出难以归因或控制；有价值的工作流被困在单一工具中，无法成为可复用资产。
主要能力：官方将平台能力概括为“一个智能体、一个工作区，包含它完成有用工作所需的一切”。访客看到的是 AI 前台（AI Front Desk），其背后是一个专用工作区，把智能体的指令、经批准的上下文、工具、模型访问、用量和控制集中在一起。具体包括：为智能体定义专门角色，并复用有效模式；围绕模型的实用组件，使智能体为任务做好准备；经批准的资源，帮助智能体超越通用回答；共享服务运行受支持的体验并返回有用结果。此外还有 AI 前台等客户与用户接触智能体的部署界面。
平台治理与成本控制：AgentShelf 强调在 AI 使用变成不透明的运营支出之前进行控制。它支持可问责的模型访问与用量管理，提供可见性、可配置的预算策略、归因以及与实际创造价值的工作流绑定的计费记录。覆盖对象包括模型、用户、单个智能体、专用工作区和部署界面。预算策略方面，可配置支出限额，并在支持范围内查看由此产生的预算信号；通过统一的管理控制层使用已配置的提供商和模型访问；价值归因方面，将 token、成本和工作流价值关联起来。
构建者与运营者：官方描述为“构建者创建智能体，运营者保持控制”。AgentShelf 为创始人、代理机构和构建者提供创建、连接、部署和管理智能体工作流所需的基础设施，而无需重建周边平台。构建者可以定义专用智能体、上下文、指令和可复用工作流模式；使用小组件、API、SDK、专用工作区和受支持的外部会话进行部署；把智能体连接到业务系统、自动化和结构化交接；通过 Agent Library 查找和复用经批准的智能体模式。运营者方面，平台为面向公众和私有的业务 AI 边界而设计，区分对网站安全的行为与私有工作区上下文及管理员控制的访问；可查看请求追踪、工具调用、token 用量、模型/提供商详情和成本信号；并保留对模型访问、预算、智能体可用性和工作区发布节奏的控制。
使用方式：官方提供 AgentShelf Starter 作为起步方案，从一个平台用户、一个 AI Front Desk 智能体及其专用工作区开始。其后可扩展到受治理的工作流。官方建议从最快的用例开始，再扩展。平台还提供 Builder Platform，让用户无需重建运行时、上下文、连接器、计费、库和治理即可启动智能体工作流。要开始使用，官方建议先进行一次有边界的对话，讨论企业所需的智能体、治理和发布路径。
适用场景：面向需要构建、连接、部署和管理 AI 智能体工作流的企业与团队，包括面向公众的 AI 前台等场景，以及私有工作区内的业务 AI 应用。
限制与未提供信息：官方页面未提供具体的定价金额、免费试用政策、支持的具体模型或提供商清单、可用的编程语言或 SDK 细节、支持的部署区域、合规认证信息，以及各功能的具体技术限制。Cookie 政策说明指出，助手个性化、分析和广告技术仅在用户允许时启用，必要的站点功能保持活跃。
