從“會聊天”到“干實事”，亞馬遜云科技讓Agent“長出了手腳”

美國西部時間12月2日的2025 亞馬遜云科技re:Invent上，亞馬遜云科技首席執行官Matt Garman在開場演講中拋出了一個觀點：AI Agent時代已來，未來將出現數十億AI Agent，為企業提效10倍以上！

現場興奮和焦灼情緒交織，數萬名開發者和企業高管都在等一個答案。

因為在很多人的印象里，AI Agent的現實體感并不樂觀：開發門檻高、編排邏輯復雜、安全治理缺位、上下文記憶像金魚……導致了一個尷尬的行業現狀——90%的Agent項目停留在概念驗證階段。

想要從概念驗證走向生產可用，中間隔著的不僅僅是代碼行數，而是一道道深不見底的“工程鴻溝”。

懸念并未持續太久。

亞馬遜云科技 Agentic AI副總裁Swami Sivasubramanian，在12月3日的主論壇上，用嚴謹且務實的演講給出了答案——怎么把AI Agent從概念驗證推向生產環境。

01 對癥下藥，解決POC到生產環境的五大頑疾

為什么不少企業的Agent“看起來很美，用起來很廢”？

剝開光鮮的Demo外衣，在生產環境中面臨著五個棘手的痛點：

1、部署難、擴展難，一上生產就不穩定；

2、記憶缺失，Agent 無法跨任務學習，無法持續執行大型流程；

3、身份、權限、憑證管理太難，易出安全事故；

4、工具、數據、系統碎片化，集成成本極高；

5、無法觀測、無法調試，Agent成為黑箱。

Swami在演講中一針見血地指出：“大多數實驗和PoC并未按生產就緒的標準來設計。我們需要彌合這一差距，打破PoC的桎梏。”相對應的，亞馬遜云科技對Agent在生產環境中遇到的頑疾，通過Amazon Bedrock AgentCore進行了對癥下藥。

AgentCore Runtime提供了一個無服務器、強隔離、長時運行的環境，徹底讓開發者告別用拼湊的Lambda函數和腳本手搓的運行環境，實現了Serverless托管執行、強會話隔離、長時會話等能力，解決了“狀態管理”的老大難問題，讓Agent能夠像人類員工一樣長期在線，隨時待命。

AgentCore Memory構建了短期+長期+情景記憶的三層體系，讓Agent具備了“記住→學習→改進→再執行”的閉環能力。特別是“情景記憶”，可以讓Agent記住“發生過什么事”以及“為什么那次流程很混亂”，并自動學習策略、優化下一次行動路徑，實現企業Agent所需的“連續性”與“可學習性”。

AgentCore Identity賦予了Agent“可控、可審計、可授權”的企業級身份體系，實現從“人類身份體系”向“Agent 身份體系”的擴展。畢竟在真實的生產環境中，最可怕的不是Agent不工作，而是拿著CEO的權限去讀HR的數據庫，需要精準控制Agent的權限，把潛在的安全隱患鎖死在籠子里。

AgentCore Gateway扮演了“協調樞紐”的角色，自動掃描分散在數據庫、SaaS應用、舊系統里的數據，自動生成Agent的“工具地圖”，讓Agent能安全、智能、自動地“發現→連接→使用”所有工具與數據。

AgentCore Observability解決的是“黑盒”問題，讓企業能實時看到Agent的推理、工具調用、狀態流、錯誤、上下文與決策路徑等工作流程，提前驗證Agent會不會搞砸，避免出了問題卻找不到原因。

亞馬遜云科技開出的“藥方”是否奏效呢？

可以佐證的是汽車服務與技術提供商Cox Automotive的例子，使用AgentCore搭建了一個名為Fleet Mate的Agent，原本需要2天時間的車輛評估被壓縮到了30分鐘。

02 瞄準靶心，讓模型定制成為產品化工程

解決Agent的工程落地只是第一步，大模型同樣是制約生產力的瓶頸，很多企業面臨的障礙不亞于生產環境。

譬如通用大模型不懂企業業務，而且模型參數規模大、推理成本高、延遲難以滿足業務要求；業務規則經常變、新場景不斷出現，導致模型上線后效果會衰退；模型定制需要MLOps、SRE、算法、數據團隊協作，需要專業的團隊才能做……能力強、速度快、成本低幾乎成了不可能三角。

監督微調、模型蒸餾、強化學習是業內公認的“三大法寶”，亞馬遜云科技的解題思路也不例外。

不同的是，亞馬遜云科技打出了一套組合拳，從“微調”到“預訓練”，把模型定制從玄學變成了工程學。

一是Amazon Bedrock強化微調。

傳統的微調（SFT）只是教模型“怎么說話”，而強化學習（RL）是教模型“怎么做對”。但強化學習需要構建復雜的獎勵模型，難度太大了。

亞馬遜云科技的強化微調（RFT）功能，直接把強化學習的門檻踏平了，只需要提供數據，就能自動處理獎勵建模和策略優化，能夠將模型的準確性提升66%，讓一個小模型通過針對性的強化訓練，在特定任務上吊打通用大模型。

二是Amazon SageMaker AI無服務器定制。

以前訓練一個模型，需要配環境、調參、洗數據，準備工作就需要幾個月，Amazon SageMaker AI提出了新的思路——用AI來制造AI。

企業用自然語言描述需求，SageMaker內置的Agent會自動分析場景、推薦微調技術、甚至直接幫企業生成合成數據，然后自動跑完訓練流程。把“需要大團隊、長周期、重投入”的模型定制，變成了“幾天完成的自動化任務”。

三是Amazon Nova Forge。

像醫藥、金融等行業，不僅需要微調大模型，還要模型在底層就理解行業邏輯，但在傳統的流程里，企業數據無法進入預訓練階段。

Amazon Nova Forge全球首創了“開放訓練模型”體系，允許企業在模型的“中途訓練階段”介入，注入自己的專有數據，不再是打補丁式的微調，而是讓企業以極低的成本，擁有了一個“流淌著自己血液”的預訓練模型。

四是Amazon SageMaker HyperPod無檢查點訓練。

在大模型訓練的過程中，斷點續訓一直是噩夢，一次GPU故障可能導致數小時的進度回滾，造成真金白銀的損失。

Swami在演講中提到了HyperPod無檢查點訓練的“黑科技”，通過實時保存模型狀態，在硬件故障時，能在幾分鐘內自動恢復，不需要回滾到幾個小時前的Checkpoints，大大降低了大規模訓練的沉沒成本。

做一個總結的話，亞馬遜云科技開啟了一場從“把模型訓練好”，到“把模型訓練得起、用得好”的全鏈路效率革命，讓模型定制從技能工程，進化為可復制的產品化工程。

03 落地為王，打通可信、可靠、可協作閉環

企業把Agent推向生產環境后，CEO們最擔心的問題，可能不是“它能不能做”，而是“我敢不敢讓它做”。

擺在案頭的是更深層次的挑戰：Agent是否可信，在和客戶溝通時會不會亂講？Agent是否可靠，業務成功率能否達到企業要求？Agent能否與人類協同，融入已有客服/運營/業務流程？

喊出“為企業提效10倍以上”的亞馬遜云科技，不只要幫企業打造生產環境、訓練更聰明的大腦，還要打消“敢不敢用”的疑慮。亞馬遜云科技沒有回避，在主題演講中留出了相當長的篇幅。

首先是可信。

亞馬遜云科技杰出科學家Byron Cook講了一個深刻的邏輯：大模型是基于統計學的，是概率性的，天生存在幻覺；而企業的規則（尤其是GDPR等合規要求的出海企業）是邏輯性的、是確定的。

怎么解決這個矛盾呢？答案是神經符號AI。

簡單來說就是把“左腦的邏輯”和“右腦的直覺”結合起來。亞馬遜云科技引入了“自動推理”技術，帶來了三大能力：

驗證輸出：自動推理工具驗證 LLM 的答案是否滿足邏輯和規則。

訓練結合：使用定理證明器訓練，使模型天然具備邏輯正確性。

約束解碼：推理層嵌入驗證器，使模型不能越界生成內容。

目前神經符號AI已經應用到Amazon Kiro、AgentCore Policy等產品中，讓 Agent既聰明又聽話。

然后是可靠。

Agent落地的最大障礙之一在于，“大腦”和“手腳”是分離訓練的，導致模型懂流程，但操作起來“笨手笨腳”。

亞馬遜云科技正式發布了Amazon Nova Act，一個專門為“行動”而生的模型，在訓練中進行了數百個環境+數千工作流程+數十萬交互的強化學習，進行了成千上萬次的試錯。結果超出了不少人的預期：在企業自動化工作流中，Amazon Nova Act實現了90%的成功率。

也就是說，企業可以放心地把點按鈕、填表單、跑流程這些活兒交給Agent，不必擔心它卡在某個彈窗時不知所措。

最終是可協作。

Agent的終局是什么？是替代人類嗎？亞馬遜云科技的回答是“Teammate”（隊友）。

折射到技術層面上，Amazon Connect新增了8項AI能力，包括讓AI像真人一樣說話的神經聲音集成(Sonic)、基于對話自動建議下一步的實時推薦Agent、結合點擊流數據個性化建議的AI驅動預測洞察等。

正如2025 亞馬遜云科技re:Invent上所演示的：在一個信用卡盜刷的場景中，Agent不僅自動驗證了身份，還通過分析地理位置和交易模式，預判了欺詐風險，并在后臺默默地為人類客服準備好了所有資料。人類客服接起電話的那一刻，問題已經解決了一半。

Agent不再只是工具，而是和人類一起協作的隊友。

04 寫在最后

2025年的亞馬遜云科技re:Invent，更像是一個時代的分水嶺。

過去兩年里，行業對Agent的熱情大多停在愿景層；現在，亞馬遜云科技給出了一套從基礎設施到模型、從安全到協作、從執行到治理的落地體系。

第一層：AgentCore（讓Agent能跑起來），解決了部署、管理、記憶、安全、工具接入、可觀測性等基礎工程問題。

第二層：模型定制（讓Agent跑得好），通過RFT、無服務器定制、HyperPod等把模型從“通用”變成“企業專屬”。

第三層：可信+可靠+協作（讓企業敢用），讓Agent變得可控、可靠、可協作，成為一個可托付的數字員工。

如果說2023年是生成式AI的元年，2024年是Agent的試驗期，2025年則正式宣告：AI Agent進入企業級生產階段的時代，已經到來。