2025年，走向尾聲?；仡?025，這既是「AI泡沫論」興起的一年，也是「AI效用論」興起的一年。兩種論調(diào)表面矛盾，實則有一致的內(nèi)核。

AI產(chǎn)業(yè)規(guī)模的擴大，并沒有100%充分轉(zhuǎn)化為效用、價值。無論是消費端的應用場景，還是企業(yè)端的效率、回報，都落后于市場的超高期待。

AI產(chǎn)品范式有著極簡的內(nèi)核，完全端到端的輸入和輸出。但到企業(yè)場景下，大模型能力的內(nèi)核依然影響著它的應用效率，用戶常常需要花較多時間精力去構建應用，進行繁瑣的效果評估、安全審查、上下文同步等工作，這里付出的成本，甚至可能比原有的工作流程效率更低。

在2025年亞馬遜云科技re:Invent大會上，CEO Matt Garman指出了這一行業(yè)共識：AI要從「技術奇跡」轉(zhuǎn)變?yōu)槟芴峁嶋H業(yè)務價值的實用工具，企業(yè)需要在生產(chǎn)環(huán)境中以低成本、可控、規(guī)?；姆绞讲渴鸷褪褂媚Ｐ汀．斚翧I應用的堵點不是「智能能力」，而是「工程化的能力」。

如何重新思考AI的應用范式，提升核心效率，成為了討論焦點。亞馬遜云科技宣示了他們的長期目標，是為企業(yè)搭建一套可定制的AI框架，創(chuàng)造一個開放、安全、可控、可擴展的AI操作系統(tǒng)。

Agent：企業(yè)應用的第一范式

企業(yè)利用AI效率低下的痛點，最直接的解決方案，是改變應用范式，用Agentic AI的技術基礎，實現(xiàn)自動化的Agent部署。

最初的LLM產(chǎn)品是單一維度的一問一答，Agent則是基于大模型構建的行為框架，能形成感知、思考、決策、執(zhí)行、反饋的完整循環(huán)，完成多步驟的復雜任務，是高效且自動化的。

Agent能夠幫助用戶解決AI應用的根本痛點：「你不知道如何編寫一個準確的prompt，也不知道AI輸出的反饋是否正確，因此要花費大量精力對prompt進行調(diào)整，對結(jié)果進行驗證」。

這在企業(yè)場景尤其關鍵。大量企業(yè)難以利用AI工具提升效益的原因，就在于需要投入大量成本部署工作流程、方法，就瑣碎的任務不斷對AI進行調(diào)整。但通過Agent，很多繁瑣流程都可以得到簡化、自動化，甚至由Agent主動完成。

比如對于電商來說，要訓練一個Agent來構建自動應答的客服系統(tǒng)，它不需要去教AI什么是正確的客服技巧，而是只需要將自己已有的商品數(shù)據(jù)庫和客服記錄交給AI Agent，讓Agent基于這些數(shù)據(jù)來建立客服回復的經(jīng)驗、模式。

Matt Garman舉了一個非常生動的例子，他把AI Agent比作一個「小孩」，企業(yè)需要培育它「長大」。這個過程中你需要保證他的安全、健康，傳授他經(jīng)驗，但又不是事無巨細地管到生活的方方面面，每分每秒。

在此次亞馬遜云科技re:Invent大會上，其發(fā)布的三個前沿Agent 都是圍繞效率優(yōu)化展開。用戶只需要設定一個相對宏觀的目標，Agent就可以自主尋求實現(xiàn)，并擁有彈性擴展和獨立運行能力，可以同時執(zhí)行多項任務，長時間連續(xù)工作，并可以跨多個Agent分布式協(xié)同。這一切特性，都是為了減輕用戶負擔。

其中，Kiro自主Agent是主要面向軟件開發(fā)本身的智能體。針對切換任務時重建上下文、手動協(xié)調(diào)代碼庫變更、重新整合分散的非結(jié)構化信息等等瑣碎問題，都實現(xiàn)了自主化推進，可以在多次會話間保持上下文連貫，保持對用戶需求和習慣的記憶。同時通過建議和拉取請求，確保用戶始終擁有代碼并入的決策權。

Amazon Security Agent和AmazonDevOps Agent 則將安全知識覆蓋到開發(fā)全周期，并針對運維場景實現(xiàn)了自動化和主動優(yōu)化。AmazonDevOpsAgent一方面解決了運維場景下定位問題困難，解決耗時增長，損失信任的問題，還增加了對歷史時間模式的分析，將被動修補的運維模式轉(zhuǎn)變?yōu)橹鲃觾?yōu)化的運維體系。

而針對AI生成代碼的安全和合規(guī)問題，AmazonSecurity Agent則能將深度安全知識嵌入開發(fā)的全生命周期，預防風險發(fā)生。

盡管這三個前沿Agent都是對垂直場景下用戶痛點的解決，但它們實際也預示了Agent在更廣闊企業(yè)應用場景中的發(fā)展趨勢。就是將企業(yè)的流程、經(jīng)驗，轉(zhuǎn)化為AI知識，并借由Agent，將這些知識按需自動應用于AI工作流程，提高AI與企業(yè)運行本身的貼合度，提升效率。這一理念既適用于核心開發(fā)和運維場景，也有移植到其他平行工作場景的潛力。

Agent學習經(jīng)驗并實現(xiàn)自動化，就是企業(yè)場景下AI應用的第一范式。

AI應用的未來：打造真正的「AI操作系統(tǒng)」

Agent是企業(yè)應用AI重要的范式，在提升自動化的同時，也帶來一個問題，如何保證Agent的靈活可用性？安全性？如何評估、優(yōu)化其效率？保證其可繼承、可維護性？

這需要一套平臺級的架構支撐，也是亞馬遜云科技作為成熟的商用平臺，一直以來的構建目標。自AmazonBedrock平臺建立之初，它就保持著開放，為用戶提供最廣闊的選擇面，最低的適配門檻，幫助用戶自由構建AI的技術棧。AmazonBedrock從最初就支持導入、管理不同的大模型，今年還新增了對Kimi、MiniMax的支持。

通過創(chuàng)建Agent，AmazonBedrock不只是將企業(yè)的工作流程場景化、自動化，還能讓Agent匹配企業(yè)的結(jié)構或非結(jié)構化數(shù)據(jù)，權限系統(tǒng)，并設置全局的安全合規(guī)策略，以便進行評估監(jiān)控。AmazonBedrock既是AI模型的調(diào)度系統(tǒng)，也是Agent的安全圍欄，是它的管理上級。

Agent的效率根源來自它「可執(zhí)行動作」的特性，同時，最大的風險也源于這里。

Agent在執(zhí)行過程中會出現(xiàn)調(diào)用API錯誤，數(shù)據(jù)修改錯誤，越權訪問、執(zhí)行非法操作等等問題，所以在Agent之上，必須設置有高于它的安全策略、權限系統(tǒng)，而且要有自動評估系統(tǒng)，盡早捕捉異常問題。

在今年的更新中，Amazon Bedrock AgentCore 提供完整的構建 Agent的工具，其最重要的兩大功能更新就是「策略」和「評估」，前者可以把企業(yè)規(guī)范、合規(guī)自動注入 Agent 的工作流，后者則可以在切換、升級模型時自動評估質(zhì)量并捕捉下降問題。

亞馬遜云科技從基礎架構、模型、數(shù)據(jù)、工具等多個層面，為AI Agent提供了運行的支撐，讓AI在算力上可負擔、可擴展，模型上有充分的選擇，讓AI能理解企業(yè)的知識、讀取專有數(shù)據(jù)，讓AI可信任、可治理。每一個目標背后，都由至少一個專門的模塊支持。這一切，都為Agent應用的高效運轉(zhuǎn)，提供了良好的平臺基礎。

如果將企業(yè)利用AI的目標理解為一輛需要跑起來的汽車。算力是AI的燃料，模型是發(fā)動機，AmazonBedrock是整個動力總成，Agent是所有的控制系統(tǒng)，只有當這一切協(xié)作運轉(zhuǎn)，AI才會從工具，變成企業(yè)組織能力的一部分，即理想的「AI操作系統(tǒng)」，幫助企業(yè)釋放價值。對亞馬遜云科技來說，AI泡沫并不是一個虛無縹緲的問題，通過每一個需求痛點、每一個核心指標的優(yōu)化，亞馬遜云科技比以往任何時候都更加腳踏實地，這也是未來每一個企業(yè)擁抱AI的堅實基礎。

正如亞馬遜云科技CEO Matt Garman所說，AI要從「功能」變成企業(yè)里的「協(xié)作者」，運用AI的優(yōu)勢將來自企業(yè)獨有的數(shù)據(jù)和流程知識。

本內(nèi)容由作者授權發(fā)布，觀點僅代表作者本人，不代表虎嗅立場。如對本稿件有異議或投訴，請聯(lián)系 tougao@huxiu.com。

本文來自虎嗅，原文鏈接：https://www.huxiu.com/article/4813241.html?f=wyxwapp