讓 Agent 真正進(jìn)入企業(yè)核心業(yè)務(wù)系統(tǒng)，到底還缺什么？

如果說過去三年是模型之爭(zhēng)，那么未來三年將是 Agent 平臺(tái)之爭(zhēng)。

大模型不再只是寫寫文案、生成幾張圖。隨著智能體能力的成熟，能自己思考、能自主執(zhí)行、能真正解決問題的 AI Agent，正在被推向舞臺(tái)中央。模型之爭(zhēng)仍是“巨獸比拼”，但產(chǎn)業(yè)焦點(diǎn)已經(jīng)悄然轉(zhuǎn)向：Agent 將成為進(jìn)入企業(yè)核心生產(chǎn)系統(tǒng)的下一代通用能力。

在今年的 AWS re:Invent 全球大會(huì)上，亞馬遜云科技 Agentic AI 副總裁 Swami Sivasubramanian 回答了所有技術(shù)人此刻最關(guān)心的問題：要讓 Agent 真正進(jìn)入企業(yè)的核心業(yè)務(wù)系統(tǒng)，到底還缺什么？亞馬遜云科技為此做了哪些基礎(chǔ)設(shè)施、工具與平臺(tái)級(jí)的重構(gòu)？

從本質(zhì)上看，每個(gè) Agent 都由三個(gè)關(guān)鍵組件構(gòu)成：

• 第一是模型，它是 Agent 的大腦，負(fù)責(zé)推理、規(guī)劃和執(zhí)行。
• 第二是代碼，它定義了 Agent 的身份，決定其能力，并指導(dǎo)其完成決策過程。
• 第三是工具，這是讓 Agent “活起來”的關(guān)鍵——無論是后端應(yīng)用程序接口（API）、知識(shí)庫與數(shù)據(jù)庫訪問權(quán)限，還是支持實(shí)際操作的代碼解釋器、網(wǎng)頁瀏覽器，都屬于工具范疇。

過去最大的問題是：把這些組件整合在一起，是一個(gè)極為脆弱且昂貴的工程，一旦場(chǎng)景變化就會(huì)全部失效?，F(xiàn)在，隨著模型推理能力的提升，協(xié)調(diào)機(jī)制可以由模型接管，Agent 可以自己判斷下一步要干什么。

這就是 AWS 推出的 Strands Agent SDK 的邏輯基礎(chǔ)。Strands 采用模型驅(qū)動(dòng)的方法，讓大型語言模型（LLM）能夠自主處理 Agent 可能遇到的任何場(chǎng)景，省去了所有預(yù)設(shè)工作流程和復(fù)雜協(xié)調(diào)代碼，還提高了 Agent 的準(zhǔn)確性和代碼可維護(hù)性。

目前 Strands Agent SDK 已經(jīng)開源，本次新增支持 TypeScript，同時(shí)支持邊緣設(shè)備，自五月份以來下載量已超過 500 萬次。

下一個(gè)問題是，如何讓 Agent 穩(wěn)定、安全、大規(guī)模地跑在生產(chǎn)環(huán)境？這就進(jìn)入亞馬遜云科技的另一個(gè)重要產(chǎn)品：Amazon Bedrock AgentCore。

企業(yè)使用 Agent 很容易遇到一個(gè)問題：demo 很簡(jiǎn)單，生產(chǎn)很復(fù)雜。從 0 到數(shù)千并發(fā) Agent 的能力；會(huì)話上下文、長期偏好、場(chǎng)景化語義都要保留；要能為 Agent 管控 API、用戶、數(shù)據(jù)的最小訪問范圍；要與企業(yè)系統(tǒng)、數(shù)據(jù)庫、第三方應(yīng)用安全連接；還要有監(jiān)控與調(diào)試的可觀察性。

Amazon Bedrock AgentCore 能夠在安全前提下大規(guī)模構(gòu)建、部署和運(yùn)營 Agent。它就像一個(gè)工具箱，里面的每一件工具都為解決構(gòu)建與運(yùn)營 Agent 過程中遇到的真實(shí)問題而設(shè)計(jì)。例如 AgentCore Identity，只需幾行代碼，就能實(shí)現(xiàn)亞馬遜云科技應(yīng)用與 Slack、Zoom 等第三方應(yīng)用之間的無縫身份訪問管理。

本次 AgentCore Memory 中推出的 episodic 記憶新功能，讓 AI Agent 能夠記住并從過去的經(jīng)歷中學(xué)習(xí)。Agent 能夠真正理解用戶行為，通過識(shí)別相似場(chǎng)景中的模式自動(dòng)調(diào)整，并主動(dòng)提供有效的解決方案。它能將特定體驗(yàn)或交互作為獨(dú)立情景存儲(chǔ)和召回，就像人類記住特定事件一樣。Agent 的經(jīng)歷越豐富，就變得越智能。

Agent 離不開模型，那么如何通過模型定制與訓(xùn)練技術(shù)，構(gòu)建真正高效、可大規(guī)模部署的 AI Agent？

Bedrock 推出的 RFT（Reinforcement Fine-Tuning） 自動(dòng)化所有復(fù)雜的 RL 流程，讓開發(fā)者無需理解獎(jiǎng)勵(lì)建模、策略優(yōu)化、分布式訓(xùn)練，就能直接使用 RLAIF。Amazon SageMaker AI 則推出了新的無服務(wù)器模型定制功能，不再需要繁瑣的基礎(chǔ)設(shè)施準(zhǔn)備。

更有意思的是，Nova Forge 首創(chuàng)了 “開放訓(xùn)練模型” 計(jì)劃。有些行業(yè)仍需要深度嵌入領(lǐng)域知識(shí)的基礎(chǔ)模型，例如藥物研發(fā)、基因建模、物理仿真等。

以前企業(yè)要從零開始訓(xùn)練基座模型，成本極高且成果不可控。Nova Forge 提供了新的思路：提供中間檢查點(diǎn)訪問，允許混合使用專有與基礎(chǔ)訓(xùn)練數(shù)據(jù)，保留基礎(chǔ)模型安全性與通用能力，無需承擔(dān)完整訓(xùn)練周期成本——這讓訓(xùn)練行業(yè)專用基礎(chǔ)模型變得更可行。

此外，SageMaker HyperPod 推出的 Checkpointless Training 不再使用傳統(tǒng)檢查點(diǎn)，可在分布式集群中實(shí)時(shí)保存模型狀態(tài)，故障恢復(fù)從數(shù)小時(shí)縮短到數(shù)分鐘，節(jié)省高達(dá) 40% 的訓(xùn)練成本。這意味著可以在更短時(shí)間內(nèi)、更低成本下迭代模型。

“我們正從單個(gè)任務(wù)的自動(dòng)化，邁向推動(dòng)整個(gè)行業(yè)加速發(fā)展的協(xié)作模式。”Swami Sivasubramanian表示。（本文作者 | 張帥，編輯 | 蓋虹達(dá)）