云计算一哥，刚刚重新定义了 AI Agent 的玩法

80 分钟的一场活动，Agent的 " 出镜次数 " 竟能高达 217 次。

解锁平均 20 多秒就提一次 Agent 的，正是云计算一哥，亚马逊云科技。

为何会如此？

因为就在刚刚的纽约峰会上，亚马逊云科技可以说是重新定义了部署 AI Agent 到生产环境中的方式——

正式发布Amazon Bedrock AgentCore，一个企业级的 AI Agent 搭建工具包。

如果说以往的 AI Agent 要部署到实际生产中，其结果更像是一个 " 毛坯房 "，其间有太多问题亟需解决。

比如你想开发一个智能客服、个人助手或者业务流程自动化工具，这个过程都需要整合大语言模型、连接数据库、调用各种 API，并让系统能够智能决策。

AgentCore 就像是为这些应用提供的 " 智能大脑 "，可以帮你统一管理和协调所有组件，让复杂的 AI 应用开发变得简单高效。

之前的 Amazon Bedrock 提供的能力更加聚焦在基础大模型本身，比如调用 Claude、Meta、Nova、Mistral 等大模型，有点类似于 " 租用大脑 "。

而 AgentCore 则是在这个基础上提供一个 " 智能体搭建工具包 "，让你能把这些大脑组合起来完成具体任务。

具体而言，它是涵盖 7 大核心服务的一套组合拳，把部署 AI Agent 到生产过程中的各种细节内容都照顾到位了，有一种直接" 拎包入住精装房 "的感觉：

AgentCore Runtime：

提供低延迟的无服务器环境，支持会话隔离，兼容任何代理框架（包括开源框架），能够处理多模态工作负载和长期运行的 Agent。通过 AgentCore SDK 在代码中添加几行代码，指定入口点函数，即可将代理部署到云端。

AgentCore Memory：

管理会话和长期记忆，为模型提供上下文信息，帮助 Agent 从过去的交互中学习。对于短期记忆，通过 create_event 存储 Agent 交互，通过 list_events 加载最近的对话内容；对于长期记忆，支持语义记忆策略（如用户偏好、总结和事实捕获），数据以加密形式存储，并支持基于命名空间的数据分割。

AgentCore Observability：

提供代理执行的逐步可视化，包括元数据标记、自定义评分、轨迹检查和故障排除 / 调试过滤器。可以帮助开发者调试、审计和监控 Agent 性能，内置仪表板用于跟踪关键操作指标（如会话数、延迟、错误率等），支持 OpenTelemetry 以集成现有可观测性平台。

AgentCore Identity：

使 AI Agent 能够安全地访问亚马逊云科技服务和第三方工具（如 GitHub、Salesforce、Slack），支持基于用户身份或预授权用户同意的操作。通过创建工作负载身份和凭证提供者（如 OAuth2、API 密钥），Agent 可以使用这些凭证安全地访问资源。

AgentCore Gateway：

将现有的 API 和 Lambda 函数转换为可用于代理的工具，提供跨协议（包括 MCP）的统一访问和运行时发现，提供双重身份验证模型以确保安全。

AgentCore Browser：

提供托管的网页浏览器实例，扩展 Agent 的 Web 自动化工作流。可以用于访问没有程序化 API 的系统或需要通过 Web 界面访问的资源。

AgentCore Code Interpreter：

提供隔离环境以运行代理生成的代码。用于执行需要计算的任务，例如客户支持 Agent 需要进行的计算。

这些服务既可以单独使用，也经过优化能够无缝协作，开发者不用再花时间去拼凑各种组件了。

AgentCore 是首个提供完全开发灵活性的企业级无服务器 AI 代理运行时平台，支持任何框架、模型和协议，具备 8 小时工作负载支持、严格安全边界和按需付费的可组合服务架构。

一言蔽之，再大规模的 AI Agent，现在 AgentCore 这里，都可以安全操作和部署。

由此作为最为关键的发布，亚马逊云科技在今天的活动中，不论是在基础设施、模型架构，亦或是应用上，均围绕着 Agent 来展开。

之所以如此，亚马逊云科技 Agentic AI 副总裁Swami Sivasubramanian的话来说就是：

未来的关键在于让所有 Agents 和工具协同工作。

不仅要方便，还要够靠谱

为了更方便操作，基于 AgentCore，亚马逊云科技还推出了Marketplace 中的 AI Agents 和工具，只需要通过自然语言搜索，客户就可以轻松描述使用场景并找到相关解决方案（目前已经有数百种）。

除此之外，亚马逊云科技在 Amazon SageMaker AI 中还推出了 Amazon Nova 定制化的功能。

客户现在可以在模型训练生命周期中对 Nova Micro、Nova Lite 和 Nova Pro 进行定制，包括预训练、监督微调和对齐。

据了解，这些技术作为现成的 Amazon SageMaker 配方提供，并支持无缝部署到 Amazon Bedrock，满足按需和预置吞吐量推理的需求。

针对 AI Agent 许多功能过分依赖 API 的问题，亚马逊云科技还推出了Amazon Nova Act来打破这一局限——

创建能够在网页浏览器中执行任务的 AI Agent。

与此同时，亚马逊云科技一道还发布了 Amazon Nova Act SDK 的研究预览版，用这个 SDK，开发者就可以很方便地创建能够自动执行网页任务的 AI Agent。

为了进一步提高准确性，SDK 支持通过 Playwright 进行浏览器操作、API 调用、Python 集成以及并行线程处理，以克服网页加载延迟。

在内部评估中，Amazon Nova Act 针对特定能力取得了超过 90% 的高分，例如在 ScreenSpot Web 文本基准测试中得分 0.939。

由此可见，亚马逊云科技在打造 AI Agent 这件事上，不仅追求可用度，更加注重可靠性。

数据库也很 AI Agent

亚马逊云科技针对 AI Agent 这个主旋律，还在数据层上下足了功夫。

众所周知，向量（Vectors）可以说是 AI 的语言，它可以把文字、图像等内容转成大模型能理解的数字格式。

对于现代企业来说，AI Agent 将向量用于两个关键功能，一个是用于从过去的互动中构建上下文，另一个是发现海量数据集中的相似性内容。

但现在面临的一个问题是，目前的知识、数据规模变得越来越大，它们不再仅仅是临时资源，更是必须长期保存的战略资源。

为此，亚马逊云科技推出了Amazon S3 Vectors——首个原生支持存储大规模向量数据集、并提供亚秒级查询性能的云对象存储服务。

它最大的亮点，就是直接把上传、存储和查询向量的总成本降低多达 90%！

从技术角度来看，S3 Vectors 推出了一种叫 " 向量桶 "（vector buckets）的新存储类型，它有专门的 API 接口，让我们可以存储、访问和查询向量数据，而且不需要自己搭建任何基础设施。

当创建一个 S3 向量桶时，我们的向量数据会被组织在 " 向量索引 "（vector index）中，这样就能很简单地对数据集进行相似性搜索。

据了解，每个向量桶最多可以有 10000 个向量索引，每个向量索引可以存储数千万个向量。

在创建向量索引后，当我们往索引里添加向量数据时，还可以给每个向量附加一些元数据（以键值对的形式），这样一来查询时就能根据特定条件进行过滤，比如按日期、类别或用户偏好来筛选。

随着时间推移，当你对向量进行写入、更新和删除操作时，S3 Vectors 会自动优化这些向量数据，确保在向量存储方面达到最佳的性价比，即使数据集规模不断扩大和变化也是如此。

S3 Vectors 还与 Amazon Bedrock Knowledge Bases（包括 Amazon SageMaker Unified Studio）原生集成，用于构建成本效益高的检索增强生成（RAG）应用。

通过与 Amazon OpenSearch Service 的集成，我们可以把不常查询的向量放在 S3 Vectors 中来降低存储成本，然后在需求增加时快速将它们转移到 OpenSearch，或者用于支持实时、低延迟的搜索操作。

亚马逊云科技的 AI Agent 之道，已经改变了 AI 编程

除了基础设施和模型层面之外，亚马逊云科技在应用上还拿出了一款全新的免费 AI 编程工具，Kiro。

若是用一句话概括 Kiro 的亮点，那就是只要你有想法，它就能帮你把这个想法变成实际可用的软件，而且是从项目启动、设计、编程到最终维护，全程都有专业级的 Agent 深度参与。

例如我们要给电商网站添加一个评论系统，现在就只需要三步即可。

第一步，把一句话需求变成详细计划：

为产品添加评论系统。

可以看到，Kiro 秒懂了你的意图，马上把这句简单的话，分解成一个个具体的用户场景和需求。

比如，它会想到 " 用户要能看评论 "、" 用户要能写评论 "、" 用户可以筛选评论 "、" 用户可以给评论打分 " 等等。

并且，Kiro 会把每个需求的验收标准都写得清清楚楚，就像一份详细的需求文档，避免了后续理解上的偏差。

第二步，根据计划自动生成 " 施工图纸 "。

在咱们确认了第一步的需求计划后，Kiro 就会自己去研究现有的项目代码；然后，它会自动生成一份技术 " 施工图纸 "。

这份图纸非常专业，包括数据怎么流动、需要哪些新的数据接口和数据库设计等等。

比如，它会设计好 " 评论 " 这个东西具体应该包含哪些信息（如评论内容、评分、用户 ID 等）。

第三步，把 " 图纸 " 变成一个个具体的 " 施工任务 "。

在这个步骤中，Kiro 会根据上一步的 " 施工图纸 "，把整个开发工作拆分成一个个小任务，并且按照 " 先做什么后做什么 " 的依赖关系排好顺序。

每个小任务都写得非常具体，比如 " 写单元测试 "、" 做集成测试 "、" 考虑加载时的页面状态 "、" 适配手机版 "、" 保证无障碍使用 " 等等。

或许此时你就要问了，Kiro 和其它的编程 AI 有什么区别？

其实从刚才的展示过程中应该也能或多或少地感受到，在亚马逊云科技开辟的 AI Agent 新生产范式之下，正如网友所说：

Kiro 规范化了 AI 编程的工作流程。

以上便是此次发布的主要内容了，整体来看，亚马逊云科技再一次从基础设施、模型框架以及应用三个层面来了个 " 大焕新 "，而这一次的主角，毫无疑问就是 AI Agent。

而这一切，所影射的实则是云计算一哥下的一盘大棋。

Why AI Agent？Why 亚马逊云科技？

对于第一个问题，若是用 Swami Sivasubramanian 在现场所陈述的愿景来解释，那就是：

让亚马逊云科技成为构建世界上最有用的 AI Agents 的最佳场所。

在亚马逊云科技看来，AI Agent 的意义不仅仅是一个技术概念，更是企业组织效率的跃迁工具。

借助 Agentic AI，企业可以将重复性强、逻辑明确的任务交由智能体完成，让员工专注于更具创造力与战略性的事务。

通过 AI Agent，亚马逊云科技可以帮助客户简化流程、提升响应速度，并释放团队潜能，从而改变业务运作方式。

而纵观今天所有的新发布，虽然它们的细分功能各有侧重，但小目标均是剑指于此。

例如为了让更多企业快速找到、试用并部署 Agent，亚马逊云科技在其 Marketplace 市场中新增了 "AI Agents & Tools" 分类。

再如为了解决许多 AI Agent 只能停留在原型验证阶段，缺乏可扩展性与安全保障的问题，亚马逊云科技推出的 Amazon Bedrock AgentCore 就专门为生产级 AI Agent 而设计。

以及面向开发者，诸如 Kiro 这样的 AI 编程应用，更是重新规范了 AI Agent 在编程任务中的流程，目标依旧是能够保障 " 生产级 "。

如此考量的背后，也有市场发展的预期所支撑。根据最新调查数据，AI Agents 正迅速成为企业主流应用。

LangChain 调查显示，超过 50% 的公司已在生产环境中部署 agent，近 80% 正在开发中。Gartner 预测到 2028 年，33% 的企业软件将包含 Agentic AI（相比 2024 年不到 1%），15% 的日常工作决策将由其自主完成，并将取代 20% 的人类店面互动。

企业更青睐能查询多个任务特定模型的 Agentic AI 功能而非单一基础模型，这种多语言模型方法具有更强的跨领域扩展性。目前，软件开发、客户服务、理赔处理和 IT 流程自动化是 Agentic AI 的主要早期应用场景。

并且从技术发展的角度来看，目前几乎所有的生成式 AI 产品或应用，均离不开 AI Agent 这个关键词。

由此，就不难理解为什么亚马逊云科技如此关注 AI Agent 了，正如 CEO Matt Garman 所说：

AI Agent 将改变我们所有人的工作和生活方式，其影响力堪比互联网的诞生。

大趋势已经指向 AI Agent，科技巨头又以 "all in" 之势发力于此，双重认证之下已然证明了 AI Agent 的重要性；但更重要的一点是，云计算一哥已然给业界交付了 " 快好省 " 投入生产的新范式。

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

— 完 —

点亮星标

科技前沿进展每日见