如果说过去三年是模型之争，那么未来三年将是 Agent 平台之争。
大模型不再只是写写文案、生成几张图。随着智能体能力的成熟，能自己思考、能自主执行、能真正解决问题的 AI Agent，正在被推向舞台中央。模型之争仍是 " 巨兽比拼 "，但产业焦点已经悄然转向：Agent 将成为进入企业核心生产系统的下一代通用能力。
在今年的 AWS re:Invent 全球大会上，亚马逊云科技 Agentic AI 副总裁 Swami Sivasubramanian 回答了所有技术人此刻最关心的问题：要让 Agent 真正进入企业的核心业务系统，到底还缺什么？亚马逊云科技为此做了哪些基础设施、工具与平台级的重构？
从本质上看，每个 Agent 都由三个关键组件构成：
第一是模型，它是 Agent 的大脑，负责推理、规划和执行。
第二是代码，它定义了 Agent 的身份，决定其能力，并指导其完成决策过程。
第三是工具，这是让 Agent " 活起来 " 的关键——无论是后端应用程序接口（API）、知识库与数据库访问权限，还是支持实际操作的代码解释器、网页浏览器，都属于工具范畴。
过去最大的问题是：把这些组件整合在一起，是一个极为脆弱且昂贵的工程，一旦场景变化就会全部失效。现在，随着模型推理能力的提升，协调机制可以由模型接管，Agent 可以自己判断下一步要干什么。
目前 Strands Agent SDK 已经开源，本次新增支持 TypeScript，同时支持边缘设备，自五月份以来下载量已超过 500 万次。
下一个问题是，如何让 Agent 稳定、安全、大规模地跑在生产环境？这就进入亚马逊云科技的另一个重要产品：Amazon Bedrock AgentCore。
企业使用 Agent 很容易遇到一个问题：demo 很简单，生产很复杂。从 0 到数千并发 Agent 的能力；会话上下文、长期偏好、场景化语义都要保留；要能为 Agent 管控 API、用户、数据的最小访问范围；要与企业系统、数据库、第三方应用安全连接；还要有监控与调试的可观察性。
Amazon Bedrock AgentCore 能够在安全前提下大规模构建、部署和运营 Agent。它就像一个工具箱，里面的每一件工具都为解决构建与运营 Agent 过程中遇到的真实问题而设计。例如 AgentCore Identity，只需几行代码，就能实现亚马逊云科技应用与 Slack、Zoom 等第三方应用之间的无缝身份访问管理。
Agent 离不开模型，那么如何通过模型定制与训练技术，构建真正高效、可大规模部署的 AI Agent？
Bedrock 推出的 RFT（Reinforcement Fine-Tuning） 自动化所有复杂的 RL 流程，让开发者无需理解奖励建模、策略优化、分布式训练，就能直接使用 RLAIF。Amazon SageMaker AI 则推出了新的无服务器模型定制功能，不再需要繁琐的基础设施准备。
更有意思的是，Nova Forge 首创了 " 开放训练模型 " 计划。有些行业仍需要深度嵌入领域知识的基础模型，例如药物研发、基因建模、物理仿真等。
以前企业要从零开始训练基座模型，成本极高且成果不可控。Nova Forge 提供了新的思路：提供中间检查点访问，允许混合使用专有与基础训练数据，保留基础模型安全性与通用能力，无需承担完整训练周期成本——这让训练行业专用基础模型变得更可行。
此外，SageMaker HyperPod 推出的 Checkpointless Training 不再使用传统检查点，可在分布式集群中实时保存模型状态，故障恢复从数小时缩短到数分钟，节省高达 40% 的训练成本。这意味着可以在更短时间内、更低成本下迭代模型。
" 我们正从单个任务的自动化，迈向推动整个行业加速发展的协作模式。"Swami Sivasubramanian 表示。（本文作者 | 张帅，编辑 | 盖虹达）
