揭秘Agent落地困局！93%企业项目卡在POC到生产最后一公里

编辑部 整理自 凹非寺量子位 | 公众号 QbitAI

• Agent的真正价值不在于演示效果多惊艳，而在于能否真正跑在生产环境里。 数据显示，超过93%的企业Agent项目卡在了从POC（概念验证）到生产的最后一公里。

在量子位MEET2026智能未来大会上，亚马逊云科技大中华区产品部总经理陈晓建系统阐述了企业级Agent从开发到生产的完整路径。

这个数字背后，是无数企业在Agent落地过程中踩过的坑：开发门槛高、工程化能力缺失、模型定制困难、安全边界模糊。

在刚刚结束的AWS re:Invent 2025大会上，亚马逊云科技将聚光灯对准了Agent。不是因为其他技术不重要，而是整个行业都意识到：Agent正在成为AI生产力释放的关键枢纽。

陈晓建的分享，正是围绕“如何让Agent真正跑起来”这一核心命题展开。

MEET2026智能未来大会是由量子位主办的行业峰会，近30位产业代表与会讨论。线下参会观众近1500人，线上直播观众350万+，获得了主流媒体的广泛关注与报道。

核心观点梳理

• 一个成功的Agent需要三个模块：模型（大脑）、代码（逻辑）、工具（连接物理世界的手脚）。三者的有效连接是最大的工程挑战。
• 十几行代码实现过去数千行才能完成的功能，这就是模型驱动开发带来的效率跃迁。
• 93%的Agent项目卡在POC到生产的跨越上，核心原因是数据质量落差和工程化能力缺失。
• 模型定制的最佳时机是在基础模型训练阶段，就像人类学习语言，年幼时效果远好于成年后。
• 对Agent既不能严防死守，也不能过度放任，正确做法是通过策略框架划定行为边界。
  

以下为陈晓建演讲全文：

Agent成功的三要素：模型、代码与工具

Agent正在从各个维度释放AI的生产力潜能，它可以替代许多人类以往的工作，甚至能够完成人类此前无法企及的任务。然而从创意到落地，中间需要跨越的鸿沟远比想象中更宽。

我们认为，一个成功的Agent需要三个至关重要的模块。

第一是底层模型。

模型是Agent的大脑，负责产生智慧、提供决策，承担推理、规划与执行的核心职能。

第二是代码。

任何Agent都需要服务于特定场景，提供该场景所需的功能逻辑。这些逻辑需要像构建传统软件一样，通过代码来实现。这一点与大多数已有软件并无本质区别。

第三是工具。

如果把模型比作大脑，那么工具就是连接大脑与物理世界的手和脚。在整个架构中，工具层包括连接不同信息源的各类协议，以及执行各种行为的代码——比如知识库、数据库、代码库，或者浏览器等外部能力。

当然，我们看到很多客户在尝试用自己的方式构建Agent。但如何有效连接这三个模块，带来了巨大的复杂性与挑战。如何高效调用模型能力？如何组织代码逻辑？如何打通与物理世界的连接？不同工具之间的编排，更是给开发者带来了前所未有的新课题。

十几行代码完成过去数千行的工作

基于这些挑战，我们从2024年开始规划：如何构建一套工具，降低开发者构建Agent的门槛？如何让工具编排更加自动化？如何让大模型调用更加便捷？

今年，我们正式推出了Strands Agents

Strands Agents采用模型驱动的方法论，让大语言模型能够自主处理各种场景，从而大幅简化开发Agent所需的代码量。我们经常收到客户反馈：过去需要数千行代码才能开发的场景，现在只需要短短十几行就能实现

在推出Strands Agents时，我们就将其定位为一个开源项目。用户不仅可以直接使用，还可以获取完整源码。更重要的是，Strands Agents采用开放架构，不仅适配亚马逊云科技自身的产品，也兼容业界各种流行的开源或商用框架。

在上周的re:Invent大会上，我们同步发布了两项重要更新。

一是支持TypeScript语言。TypeScript是业界广泛使用的编程语言，通过支持这一语言，可以帮助更多开发者构建更适用的Agent方案。

二是支持边缘设备部署。边缘设备正日益成为人类生活与工作不可分割的一部分，Strands Agents可以为汽车、游戏、机器人等各类终端提供Agent能力，让Agent不仅能在云端运行，也能在前端智能设备上运行。

93%的项目卡在POC到生产的跨越上

除了开发工具，我们还看到大量客户在Agent的部署与上线阶段遭遇困难。

有一组来自第三方调研的数据值得关注：93%的客户在从POC阶段迈向生产阶段时遇到了重大障碍。换言之，可能只有不到10%的客户能够真正将Agent从POC推进到最终生产环境。

原因是什么？

POC与生产环境之间存在本质差异。在POC阶段，我们可能只需要关注代码效果如何。但到了生产阶段，很多客户发现，原先在POC阶段表现优异的效果突然变得不尽如人意。

一个重要原因是数据。在POC阶段，数据可以经过精心挑选，保证高质量。但在真实生产环境中，数据是无法被人为筛选和优化的。数据质量的落差，往往是POC与生产效果差异的核心原因。

另一个主要原因是工程化挑战。一旦业务从POC走向生产，就必须直面一系列生产环境特有的问题：安全、扩容、成本、高可用……这些问题在POC阶段完全不需要考虑，但上了生产就必须正视。

正是基于这些考量，我们意识到：不仅要提供降低编程门槛的开发工具，还需要提供工程化能力，帮助客户跨越从POC到生产的鸿沟。

这就是我们在2025年7月推出Amazon Bedrock AgentCore的原因。

AgentCore是一个完整的工具箱，提供多种能力帮助客户实现底层基础架构的编排。当您的Agent部署上云时，无需关心底层的计算资源、网络资源、安全配置、可观测性如何实现——AgentCore会帮您完成这些底层资源的动态管理。这将极大地帮助客户解决从POC到生产过程中遇到的工程化难题。

模型定制：在“年幼时”学习效果最好

当Agent进入生产环境后，还会面临一系列效率问题：延迟、可扩展性、敏捷性……这些都是实际生产中必须关注的特性。如果延迟从几百毫秒飙升到秒级以上，用户体验会受到极大影响；如果可扩展性不足，业务高峰期同样会出现瓶颈。

这里要谈谈模型定制的挑战。

在很多场景下，通用大模型在标准场合表现出色，但在特定垂直场景中可能无法满足需求。因此，许多客户尝试基于自有数据对开源模型进行定制。但模型定制本身也面临诸多挑战——需要专业技能，需要高质量数据，才能获得理想效果。

在这方面，我们的Amazon SageMaker AI产品提供了丰富的模型定制支持。在本次re:Invent大会上，我们发布了四种不同的模型定制能力，包括强化微调、模型定制化训练、无检查点训练，以及Amazon Nova Forge

这里特别想介绍Nova Forge。Nova Forge允许用户在基础模型训练阶段就注入自己的数据。

打个比方：一个人学习语言，什么时候效果最好？在年幼时期，大脑还在发育阶段，学习能力最强，几乎不知不觉就能掌握一门语言。但如果到了大学阶段再去学一门新语言，可能需要付出极大努力，效果却不如幼年时期。

大语言模型的定制逻辑与此类似。如果能在模型开发阶段就进行定制，效果远优于模型完成后再做调整

划定边界：让Agent既自主又可控

当我们把Agent交付给用户使用时，如果缺乏适当的约束，可能会产生意想不到的后果。这是我们必须规避的风险。

目前业界常见两种极端做法：一种是对Agent严防死守，另一种是过度依赖人工干预。显然，这两种方式都不是理想选择。

针对这一问题，我们在本次re:Invent大会上为AgentCore发布了一项新特性——Policy（策略）。

通过Policy，可以为Agent定义一个行为框架。在这个框架内，Agent可以自主完成任务；但Policy能够明确界定Agent不可逾越的边界。比如，合规性限制、安全红线等都可以通过Policy来配置。我们已经有客户在实际使用这一工具，通过Policy实现安全可靠的Agent运行。

再谈谈自动化。

过去，人类实现工作流自动化主要依赖RPA（机器人流程自动化，Robotic Process Automation）技术。但大模型的出现带来了新的可能性：大模型能够处理更复杂、更灵活的任务，但如何让它与现有工作流深度结合？

为此，我们开发了Amazon Nova Act

Nova Act深度集成了大模型能力与AgentCore的工程化能力，打造了全新的工作流自动化方案。与传统RPA工具不同，Nova Act因为融合了大模型的智能，整体成功率可以达到80%以上。通过Nova Act，大模型可以直接与执行器、浏览器进行交互，实现端到端的工作流自动化。

最后介绍两个案例。

Blue Origin（蓝色起源）是美国一家商业航天公司，专注于火箭与太空探索。他们已经通过Bedrock和Strands Agents等服务构建了超过2700个内部Agent，实现了75%的交付效率提升，设计质量相比原始方案提高了40%。

Sony（索尼）是全球领先的电子与娱乐公司。Sony通过构建Agent能力打造了内部的“Data Ocean”数据平台。他们基于Bedrock构建企业级大模型，每天服务超过57000名内部用户，处理多达15万次推理请求。同时，Sony还使用微调能力对Amazon Nova 2.0 Lite进行了定制，将合规审核效率提升了整整100倍。

re:Invent 2025发布了大量新产品，由于时间有限，今天只能介绍其中一部分。通过这些产品，我们希望能够帮助更多企业获得更强的工程化能力，在Agent应用中取得更高的效率。

也希望大家在构建和应用Agent时，可以尝试今天提到的这些能力。

让我们一起构建未来。