文｜白鸽

编｜王一粟

一年一度的“云计算春晚”亚马逊云科技 re:Invent 2025大会上，AI Agent（智能体）成为了当之无愧的主角。

从亚马逊云科技首席执行官Matt Garman，到亚马逊云科技Agentic AI副总裁Swami Sivasubramanian，都用了大量篇幅讲述AI Agent。

这无疑也给世界传递出了一个明确的信号：Agentic AI时代，AI Agent已经从选择题，成为了必答题。

当前，“Agentic AI已站在从‘技术奇迹’到‘实用价值工具’的关键转折点，未来数十亿Agent将渗透各行各业，助力企业实现10倍效率跃迁！”Matt Garman在开篇演讲中说道。

可以看到，越来越多的 AI 技术正在走向产业端，但企业却深陷 “ 搭建难、管理乱、落地贵 ” 的困境。 “ 为什么这些出色的 Agent 无法落地生产环境？ ” 这是很多企业领导共同的疑问。

这背后问题的根源，就在于大多数AI技术的实验性项目，从设计之初就并未考虑“生产就绪性”，“我们需要补足这一差距，真正走出AI技术的PoC（概念验证）牢笼。”Swami说道。

那么，如何让Agent真正成为生产力工具，而非技术噱头？

作为全球云计算的领航者，亚马逊云科技在此次发布会上给出了答案。

亚马逊云科技 re:Invent 2025大会上，亚马逊云科技详细地展示了其在Agentic AI领域的全栈能力：从底层芯片、计算网络等算力基础设施，到中间模型训练、开发工具，再到上层的Agent应用。

主打一个，只要你想参与AI浪潮，这里就提供一套真正的“开箱即用”的工具。

“AI Agent的未来，不在于能做所有事，而在于能可靠地做好每件事。”Swami说道，“而亚马逊云科技是构建与运行AI Agent的最佳平台。”

从“能搭建”到“管理好”,企业Agent的落地革命

越来越多的企业，开始将AI Agent应用到实际的业务场景中。

如海洋清理组织（Ocean Cleanup），他们通过AI技术，来优化塑料检测模型、预测垃圾移动轨迹、最大化清理效率，确保在全球最关键的区域开展工作。艾伦研究所（Allen Institute），开发神经网络模型，用于分析单细胞多模态脑细胞数据，并希望借此解锁突破性疗法。

但现实问题往往在于，企业想要构建并规模化部署这些出色的Agent系统，比它们想用AI解决的问题更具有挑战。

那么，企业到底如何才能够轻松构建可靠、精准且可扩展的Agent系统？

一般来说，Agent主要由三大核心组件构成：

一是基础模型，其是Agent的大脑，负责推理、规划和执行；

二是代码，其定义Agent的“身份”，明确其能力范围并指导决策过程；

三是工具，其是Agent“落地生效的”关键，可以看作是Agent的“手脚”；

想要发挥Agent真正的效果，就需要将这些组件进行协同编排，但“过去整合这些AI组件是极其繁琐且脆弱的过程。”Swami说道，“我们希望新的世界中，构建Agent将成为更简单的事情，开发者只需要定义模型、代码、工具三大组件即可。”

基于这一愿景，亚马逊云科技开发并开源了模型驱动AI Agent框架Amazon Strands Agents SDK，并引入到了TypeScript（计算机编程语言）平台，让开发者能够使用Amazon SDK在TypeScript中构建完整的Agent堆栈。同时，其还新增了对边缘设备的支持，人们现在可以在小型设备上运行的AI Agent，覆盖从汽车、游戏机到机器人等领域的大量应用场景。

在Swami看来，各行各业的开发者都被这一框架的简洁性和可扩展性所吸引，“短短数月时间，Amazon Strands Agents SDK的下载量已经突破了500万次。”

如果说Amazon Strands Agents SDK让开发者构建Agent更方便快捷，那么Amazon Bedrock AgentCore则让规模化部署Agent成为可能。

一般来说，很多在PoC阶段的AI技术，往往功能单一、缺乏模块化，这就导致开发者不得不自己编写一个逻辑来拼接这些解决方案，最终让优秀的模型变成了维护的噩梦。

那么，亚马逊云科技的Amazon Bedrock AgentCore平台，可支持企业在大规模环境中以安全的方式构建和部署Agent。

尽管Agent具备自主推理和行动的能力，极具价值，但企业必须建立健全的控制机制，以防止未授权的数据访问、不当交互以及可能影响业务运营的系统级错误。即便经过谨慎设计的提示词，Agent在实际应用中仍可能出现失误，导致严重的后果。

因此，在亚马逊云科技Amazon Bedrock AgentCore最新更新的功能中，Policy功能可帮助团队为Agent的工具使用设定明确边界；Evaluation功能，则可以让团队了解Agent在实际场景中的表现。

两者相互配合，就能够打造既具备自主能力又遵循行为边界的企业级Agent。

此外，当下大多数AI Agent在“记忆”能力上依然存在明显短板。如果想让Agent更加实用化，迈过能执行复杂工作的门槛，一个必须要解决的问题在于长期的记忆能力。

AgentCore Memory填补了这一关键能力空白，使Agent能够随着时间推移形成对用户的连贯认知。它引入了全新的情景式功能，能够帮助Agent从过往经验中（上下文、推理、操作和结果）学习，让AI随着时间的推移逐步构建对用户的连贯理解，进而输出更加智能化的决策。

这些Agent开发平台，能够支持企业自主搭建Agent，并快速实现规模化部署应用落地。除这些平台外，亚马逊云科技还推出三大独立的Agent产品，能够被直接应用在企业流程当中。

如亚马逊云科技推出的Kiro Autonomous Agent，是专为软件开发打造的Agent，被Swami定义为“开发者的AI同事”。Kiro Autonomous Agent核心突破了从“被动执行”到“主动规划”的跨越，通过“规范驱动开发”理念和持久上下文记忆能力，它能在向人类学习后，独立处理复杂编程任务数小时甚至数天。

“当企业部署上百个Agent后，安全与故障风险会呈指数级增长。”Swami在演讲中警示道。

为此，亚马逊云科技同步推出Amazon Security Agent与 Amazon DevOps Agent，分别承担“虚拟安全工程师”与“虚拟运维专家”角色，将传统被动响应模式升级为主动管理体系。

可以看到，Kiro Autonomous Agent、Amazon Security Agent与Amazon DevOps Agent共同开启了软件开发的新纪元。这些前沿Agent不仅提升团队效率，更从根本上重新定义了当AI作为团队延伸力量时所能实现的可能：在软件开发生命周期中，自动交付部分成果。

而从简洁可扩展，到支持大规模安全部署Agent的平台，再到能够直接内置企业业务流程应用的Agent工具，亚马逊云科技已经为企业级Agent的落地提供了全方位服务能力，长出了能干活“手脚”。

Agent“大脑”,模型既要选对又要能定制

企业级Agent，“手脚”是影响其运行的关键，“大脑”则是影响其决策的关键。

Agent的“大脑”来自于基础大模型的能力，想要构建一个有用且高效的Agent，不仅仅要选择一个好的基座大模型，于企业而言，能够根据企业业务量身定制，也成为了关键。

相比于其他云计算厂商主推一款基座大模型，亚马逊云科技一直非常开放，坚持“模型选择大于一切”，让全球主流大模型都能在这里跑起来。

也正因此，Amazon Bedrock集成了世界主流大模型产品，为用户提供了丰富而多元的模型选择，覆盖开源模型、通用模型以及专用模型等多种类型。

此次，Amazon Bedrock还引入了多款最新开源模型，包括谷歌的Gemma、NVIDIA的Nemotron，以及来自中国的大模型厂商KIMI和Minimax的最新模型。

当然，除了外部模型外，亚马逊云科技自研的大模型产品Amazon Nova家族也迎来了更新，推出了Amazon Nova 2系列四个版本。

而除模型选择外，更为重要的是，Amazon Bedrock还能够为企业提供模型微调服务。

如其最新更新的强化学习微调（RFT），经过微调后的模型与基础模型相比，准确率可提升66%，大幅降低了模型定制化的门槛。针对特定任务的专业化训练Model Distillation旨在创建更小更快的模型，能够带来10倍的速度提升，同时保留95%-98%的性能。

但Swami也坦言，尽管Amazon Bedrock已为企业提供了简单强大的模型微调方式，但仍有许多企业需要对模型进行定制化，并希望利用自己的数据训练大模型，从而构建企业竞争壁垒。

毕竟，“再好的通用模型，也无法替代企业的专有数据。”Swami说道。

这其中，主要面临两个问题：一个是如何基于技术对基座模型进行调优，一个是如何将自有数据充分且安全的融入到基座模型当中。

针对这两个问题，亚马逊云科技推出了两个全新的产品：

首先是Amazon SageMaker，它能够为企业提供“构建、训练、部署专属AI模型”所需的一切能力，可支持任意规模的大模型使用。

据介绍，Amazon SageMaker AI可以支持“模型蒸馏、监督微调、直接偏好优化（DPO）”等所有定制技术，可进行“全权重训练”或“参数高效微调”，满足企业任意业务场景需求。借助SageMaker AI的全面能力，企业能够将“想法到生产”的周期从“数月缩短至数天”。

以印度Dunn公司为例：他们需要一个“深度理解印度金融市场复杂性”的大语言模型，其以Mistral-7B为基础模型，构建了专属模型“Arthur M”（70亿参数）。整个过程中，其使用Amazon SageMaker AI进行模型构建与训练，借助Bedrock获取基础模型支持。

“最终，这个定制模型只需要单个GPU，就能够运行，且在88%的场景中，性能超过现有顶级模型，运营成本也仅为前者的一小部分。”Swami说道。

其次是Amazon Nova Forge，其向企业开放Nova模型的全阶段训练检查点，即从预训练到后期优化，企业可随时注入自有数据与亚马逊精选数据集混合训练，打造专属“Novellas”模型。

这就像在建造房子时，企业可以在打地基、架结构、做装修的任何阶段加入自己的设计，而非在现成房子里改造。

在功能层面，Amazon Nova Forge提供三大核心能力：

首先，自定义强化学习“gym”（训练环境）。企业可以使用自身业务场景构建强化学习环境（即“gym”），让模型在高度贴近真实应用的模拟场景中持续学习和优化。

其次，构建更小、更快的高性价比模型。客户可通过合成数据蒸馏方式，利用更大模型生成的示例训练更小、更高效的模型，从而在显著降低成本与延迟的同时，尽可能保留智能水平。

第三，负责任AI工具套件。Nova Forge提供一套负责任AI工具，帮助客户在模型训练和应用部署中实施安全控制，满足合规和治理要求。

据悉，目前包括Booking.com、Cosine AI、Nimbus Therapeutics、野村综合研究所、OpenBabylon、Reddit和索尼等多家企业或机构，已经开始利用Nova Forge构建更契合自身需求的专属模型。

当企业通过Amazon Nova Forge构建了自有前沿模型后，即可将其部署在Amazon Bedrock上，享受与其他Amazon Bedrock模型一致的企业级安全性、可扩展性和数据隐私保护。

通过这一端到端方案——从自建前沿模型，到生产环境部署——企业可以获得针对自身业务量身定制的最佳AI性能，并在亚马逊云科技上安全托管、独享其模型资产。

“我们的目标是模型普及化。”

Swami强调，即使没有深厚AI技术积累的企业，也能通过Amazon Bedrock的低代码界面完成定制，训练周期从数月缩短至数天，成本降低70%。

当前，面向AI Agent时代，越来越多的企业开始从“构建什么”向“如何快速构建”转变，而在这一趋势背景下，亚马逊云科技通过全栈式一体化能力，为企业级Agent落地“保驾护航”。

AI算力基础设施,是企业Agent的落地根基

如果说Agent是AI应用的最终产品形态，大模型是“大脑”，那么算力，就是支撑这一切的“心脏”。

作为全球云计算的一哥，亚马逊云科技早已经构建了从芯片，到智算集群的底层算力基础设施体系。而现在，亚马逊云科技通过“自研芯片+生态合作”的双引擎算力体系，以性能、能效、扩展性的三重突破，破解企业AI落地的算力瓶颈，同时强化自身在AI时代的算力基建优势。

一方面，从底层芯片层面来看，本次大会上，Matt Garman宣布正式发布Amazon Trainium3 UltraServers，这是亚马逊云科技首款搭载3纳米工艺AI芯片的服务器。

相较Amazon Trainium2，不仅计算能力提升4.4倍、内存带宽提升3.9倍，每兆瓦算力可处理的AI token数量更实现了5倍增长。服务器最高配置144个芯片，提供惊人的362 Petaflops FP8计算能力。在运行OpenAI的GPT-OSS-120B模型时，每兆瓦输出token数是Amazon Trainium2的5倍以上，实现超高能耗比。