让 Agent 真正进入企业核心业务系统，到底还缺什么？

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。

这就是 AWS 推出的 Strands Agent SDK 的逻辑基础。Strands 采用模型驱动的方法，让大型语言模型（LLM）能够自主处理 Agent 可能遇到的任何场景，省去了所有预设工作流程和复杂协调代码，还提高了 Agent 的准确性和代码可维护性。

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。

本次 AgentCore Memory 中推出的 episodic 记忆新功能，让 AI Agent 能够记住并从过去的经历中学习。Agent 能够真正理解用户行为，通过识别相似场景中的模式自动调整，并主动提供有效的解决方案。它能将特定体验或交互作为独立情景存储和召回，就像人类记住特定事件一样。Agent 的经历越丰富，就变得越智能。

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）