進入2025年后，Agentic AI可以說是討論度最高的科技詞匯。

從自主預定機票的“數(shù)字同事”，到主動編寫并調試代碼的編程助手，AI已經(jīng)從簡單的問答工具，向能夠執(zhí)行復雜任務的系統(tǒng)演進。

只是大多數(shù)企業(yè)還處于初步測試和概念驗證階段，尚未跨越橫亙在“演示”與“現(xiàn)實”之間的鴻溝：

比如怎么管理AI Agents的長期記憶？如何確保AI Agents在訪問敏感數(shù)據(jù)時的身份與權限可控？當成千上萬個AI Agents協(xié)作運行時，能否觀測、調試并保證其穩(wěn)定性？

這些棘手的工程問題，已然成為AI落地必須邁過的一道坎，也是留給廠商們的必答題。

7月16日晚上舉辦的亞馬遜云科技紐約峰會上，針對Agentic AI的核心議題，亞馬遜云科技率先交出了答卷——發(fā)布了一系列全新的能力與工具，幫助客戶大規(guī)模、安全部署和運行高性能AI Agents。

01 架構創(chuàng)新，重塑Agent開發(fā)的新范式

Agentic AI示范的的應用圖景不可謂不誘人。

不同于被動響應的對話機器人、只能解決特定任務的AI Agent，Agentic AI可以看做是多個AI Agents組成的協(xié)作系統(tǒng)，能夠在沒有人為干預的情況下，獨立地進行決策、規(guī)劃、分配角色，并執(zhí)行復雜行動。

但在落地部署的過程中，開發(fā)者們不得不投入大量的時間和精力在基礎設施上，包括會話管理、身份權限控制、記憶系統(tǒng)、可觀測性機制等等，需要保障運行的穩(wěn)定性、滿足企業(yè)級安全與合規(guī)要求，以至于Gartner在報告指出30%的AI項目在PoC階段后即宣告失敗。

在“紐約峰會”現(xiàn)場，亞馬遜云科技給出了不同的解法——通過Amazon Bedrock AgentCore，幫助開發(fā)者打通AI Agents從概念驗證到生產(chǎn)部署的關鍵環(huán)節(jié)，跨越從原型驗證到生產(chǎn)落地的鴻溝。

不同于在虛擬機或容器中運行的部署方式，Amazon Bedrock AgentCore提供了一種新的開發(fā)架構，將Agent所需的一系列工程能力，抽象成了一套模塊化的云服務：

AgentCore Runtime（運行時環(huán)境）：Agents需要一個既安全又具彈性、能夠應對多變任務負載的運行環(huán)境。AgentCore Runtime提供具有會話隔離的低延遲無服務器環(huán)境，支持任何代理框架，包括流行的開源框架、工具和模型，并且可承載長達8小時工作負載的運行時環(huán)境。

AgentCore Memory（記憶系統(tǒng)）：正如人類需要依賴短期與長期記憶，Agents同樣依賴復雜的記憶結構實現(xiàn)高效運行。AgentCore Memory支持統(tǒng)一管理會話記憶與長期記憶，為模型提供關聯(lián)上下文，同時支持Agent基于歷史交互的持續(xù)學習。

AgentCore Observability（可觀測性）：在生產(chǎn)環(huán)境中，全面跟蹤和追蹤Agent的每個動作對于性能表現(xiàn)至關重要。AgentCore Observability可提供Agent執(zhí)行過程可視化追溯，支持元數(shù)據(jù)標記、自定義評分、軌跡檢查及故障診斷/調試過濾器。

AgentCore Identity（身份管理）：Agents在執(zhí)行用戶請求時，需基于正確的授權方式安全訪問各類工具與資源。AgentCore Identity支持AI Agents安全訪問亞馬遜云科技服務及GitHub、Salesforce、Slack等第三方工具，既可代表用戶操作，也可在獲得預先授權后自主執(zhí)行。

AgentCore Gateway（網(wǎng)關服務）：AI Agents需要訪問多種工具以執(zhí)行現(xiàn)實任務。AgentCore Gateway為Agent提供安全路徑以發(fā)現(xiàn)與調用各類工具，輕松將API、Lambda函數(shù)等轉換為Agent可兼容工具。

AgentCore Browser Tool（瀏覽器功能）：一款不依賴具體模型的、快速且安全的云端瀏覽器工具，讓AI Agents大規(guī)模的與網(wǎng)站進行交互，可用于填寫表單、網(wǎng)頁導航等任務。

AgentCore Code Interpreter（代碼解釋器）：AI Agents在執(zhí)行復雜計算、驗證推理、處理數(shù)據(jù)或生成可視化內容時，需要在安全的沙箱環(huán)境中編寫并執(zhí)行代碼。AgentCore Code Interpreter允許開發(fā)者根據(jù)安全要求，自定義執(zhí)行環(huán)境的實例類型與會話參數(shù)。

不夸張的說，亞馬遜云科技正在定義一種新的開發(fā)范式：企業(yè)可以使用任意框架、任意模型構建Agent，按需靈活組合相應的功能模塊，無須在安全、可靠等環(huán)節(jié)耗費精力。

AI Agents的開發(fā)不再是手工作坊式的探索，進入到了標準化的“流水線時代”，極大地降低了企業(yè)的應用門檻。

02 夯實地基，驅動Agent從“可用”走向“好用”

創(chuàng)新開發(fā)范式僅僅是AI走向生產(chǎn)的第一步。

大模型作為Agentic Al系統(tǒng)的“大腦”，承載著將非結構化的自然語言轉化為系統(tǒng)可理解的意圖和目標、推理與決策、理解上下文并進行連貫的多輪對話等職責，很大程度上左右著AI Agents的能力上限。

對應的挑戰(zhàn)也很直接。

比如大模型的準確性，目前主流的大模型均可通過提示詞工程和檢索增強技術，實現(xiàn)80%以上的準確性。但對一些關鍵應用來說，80%的準確性并不能滿足要求，必須要提升到90%乃至更高。

再比如多模型混合使用，單個模型的性能總有瓶頸，在實際的業(yè)務場景中，常常需要部署不同的大模型，根據(jù)具體的任務調用每個大模型最擅長的能力，并在多個模型間靈活切換、高效協(xié)同。

亞馬遜云科技在“紐約峰會”上進行了對癥下藥。

首先是Amazon Nova大模型的升級，提供了監(jiān)督微調、對齊、持續(xù)預訓練、知識蒸餾等自定義技術，客戶可以在整個模型訓練生命周期中自定義Nova Micro、Nova Lite和Nova Pro等模型，不斷提升準確性。

其中麻省理工學院利用Nova模型的定制能力，將超材料研究的屬性預測錯誤率降低了95%。

為了滿足AI Agents的應用形態(tài)，亞馬遜云科技還上線了用于構建在瀏覽器上執(zhí)行操作的Agent的大模型Amazon Nova Act、構建具有類似人類對話能力的語音Agent的Nova Sonic、最先進的多模態(tài)模型Nova Premiere等等。其中Nova Act使用了數(shù)百萬個用戶界面交互進行專門訓練，在早期的企業(yè)用例中實現(xiàn)了超過90%的端到端任務完成率。

其次是對第三方大模型的適配，目前Amazon Bedrock上的大模型提供商已經(jīng)從一年前的7家增長到了12家，包括Meta、DeepSeek、Anthropic、Cohere等等，只需10天時間就能將最新的開源大模型集成到平臺上。

亞馬遜云科技深知“沒有一個模型能適用于所有用例”，不能依賴某一個“萬能模型”來解決所有問題，將選擇權還給了客戶，根據(jù)自身業(yè)務需求、成本和性能考量，靈活地選擇最合適的大模型，并通過Amazon Bedrock的統(tǒng)一接口便捷訪問，避免被某一種技術路線“鎖死”。

這種開放、靈活、可組合的模型服務能力，使大模型真正融入到了企業(yè)業(yè)務之中，不再是孤立的“AI孤島”。

另一個不應該被忽略的服務是Amazon Marketplace，新增了AI Agents工具類別，可以理解為提供AI Agents和工具的一站式商店。

企業(yè)可在“商店”中發(fā)現(xiàn)、采購、部署并管理來自領先提供商的AI Agents與相關工具，借助即插即用的解決方案，以及Agent構建、運維與擴展經(jīng)驗的專業(yè)服務，更高效地構建AI系統(tǒng)。

做一個總結的話，亞馬遜云科技正從底層的推理能力、模型定制，到上層的Agent編排、跨模型協(xié)作，再到生態(tài)層的標準協(xié)議與開放，構建了一條開發(fā)、部署到運營的“Agent生產(chǎn)線”，驅動AI系統(tǒng)從“可用”走向“好用”。

03 務實落地，搭建連接新舊系統(tǒng)的“橋梁”

企業(yè)怎么將Agentic AI落地部署到業(yè)務系統(tǒng)中呢？

看似是一個技術集成的問題，實則是對組織認知、數(shù)據(jù)基礎、架構能力乃至管理方式的全面挑戰(zhàn)。畢竟不同行業(yè)的業(yè)務流程千差萬別，企業(yè)的數(shù)字化程度、組織結構、人才能力、數(shù)據(jù)基礎、成本預算等“稟賦”各不相同，很難像“套模板”一樣復制AI Agents。

亞馬遜云科技讓外界看到了深刻的務實主義，圍繞千行萬業(yè)的高頻需求，提供了多元化的工具和服務。

針對開發(fā)人員對效率和智能化的要求，亞馬遜云科技將Agent能力融入到了軟件開發(fā)的全生命周期。

面向開發(fā)人員的IDE智能體Kiro，引入了規(guī)范驅動的開發(fā)，幫助開發(fā)者通過自然語言規(guī)范和架構圖清晰地表達他們對復雜功能的意圖；內置的智能代理鉤子，可以自動處理生成文檔、編寫測試、優(yōu)化性能等任務；同時提供了一個專門設計的界面，能夠適應開發(fā)者的工作方式，輕松掌控開發(fā)過程。

如果開發(fā)者比較喜歡現(xiàn)有的開發(fā)環(huán)境，可以將Amazon Q Developer集成到當前的IDE中，實現(xiàn)功能編寫、代碼補全、安全掃描等功能。

針對.NET框架、VMware等系統(tǒng)的遷移痛點，AWS Transform提供了自動化代碼重構和遷移的選項。

以VMware Transform智能體為例，實現(xiàn)了簡化并自動化本地應用發(fā)現(xiàn)、遷移波次規(guī)劃、端到端遷移過程的編排，并且解決了VMware網(wǎng)絡配置、防火墻規(guī)則轉換等難點，遷移速度最高可提升80倍。

其中擁有160年歷史的湯森路透，面臨著改造數(shù)十年.NET遺留代碼的挑戰(zhàn)。通過Amazon Transform，湯森路透.NET應用的現(xiàn)代化改造速度提升了4倍，每月處理150萬行代碼，讓開發(fā)者從維護“技術債”的泥潭中解放了出來，將更多的精力專注于創(chuàng)新。

針對向量數(shù)據(jù)存儲的成本壓力，亞馬遜云科技推出的Amazon S3 Vectors，最高可節(jié)省90%的成本。

由于AI Agents需要海量的知識和記憶，而這些數(shù)據(jù)通常以向量形式存儲，動輒數(shù)十億的向量數(shù)據(jù)帶來的成本壓力不言而喻。

Amazon S3 Vectors堪稱一次“移花接木”式的創(chuàng)新，對于批處理和非實時的智能體任務，可以將長期向量數(shù)據(jù)集存儲在S3 Vectors中，適用亞秒級的OpenSearch服務，處理需要高查詢吞吐量和低延遲的工作負載，進而從根本上解決AI Agents長期記憶和知識庫的成本瓶頸，讓大規(guī)模、長周期的Agent應用成為可能。

可以找到的創(chuàng)新還有很多，譬如輕松實現(xiàn)AI Agent間協(xié)同工作的Strands 1.0、同步處理視頻中的圖像、音頻與文本元素的TwelveLabs AI模型......隱藏在新工具和新服務背后的，恰恰是亞馬遜云科技幫助客戶解決“歷史包袱”和“成本高墻”的決心。

每一個創(chuàng)新都是不是“炫技”，瞄準了企業(yè)落地過程中的真實痛點，解決“怎么落地”、“怎么遷移”、“怎么控本”的核心問題，為企業(yè)搭建起一座從傳統(tǒng)系統(tǒng)邁向未來架構的“橋梁”，讓AI Agents不再停留在愿景。

04 寫在最后

當AI從工具演變?yōu)榛A設施，一場時代洪流正席卷而來。

著名咨詢公司Gartner在報告中預測：到2028年，33%的企業(yè)軟件應用程序將包含Agentic AI，相比2024年不到1%的占比顯著提升。

另一家咨詢機構MarketsandMarkets也給出了樂觀判斷：AI智能體市場規(guī)模將從2024年的52.5億美元，增長到2030年的526.2億美元。

至少亞馬遜云科技已經(jīng)開始轉動飛輪：不斷完善Amazon Bedrock AgentCore等基礎設施，吸引越來越多的開發(fā)者和服務商入駐Amazon Marketplace；豐富的工具和智能體解決方案，賦能更多的企業(yè)向智能體時代轉型；而客戶需求和反饋，將反過來驅動亞馬遜云科技進行更深入的研發(fā)和投入。

一旦正向循環(huán)轉動起來，AI Agents將是一種新常態(tài)。