當多智能體 AI 成為大模型疊代的下一個浪潮，如何讓技術從實驗室走向産業落地，成為行業最迫切的命題。在紐約峰會上，亞馬遜雲科技給出了答案 —— 推出全套 Agent 解決方案，以 Amazon Bedrock AgentCore 為核心，搭配 12 家頂尖模型底座與開源協作工具，将 AI Agent 的開發門檻大幅降低。正如亞馬遜雲科技 Agentic AI 副總裁 Swami Sivasubramanian 所言：「這不是簡單的工具升級，而是一場軟件架構的革命，未來數十億 Agent 将重塑人機交互的底層邏輯。」
AgentCore：企業級 Agent 的「操作系統」
過去，開發一個能處理複雜任務的 AI Agent，需解決模型調度、記憶管理、安全認證等一系列難題，如同在「毛坯房」裡從零裝修。而 Amazon Bedrock AgentCore 的出現，提供了「拎包入住」的全棧架構，其 7 大核心服務構成 Agent 開發的「基礎設施」：
AgentCore Runtime：無服務器環境支持多模态任務與長期運行的 Agent，兼容任何開源框架(如 LangChain、AutoGPT)，開發者通過幾行 SDK 代碼即可部署，無需關注底層算力調度。
AgentCore Memory：構建「短期會話記憶 + 長期語義記憶」雙系統。短期通過create_event存儲交互記錄，長期自動捕獲用戶偏好與事實數據，讓 Agent 具備「持續學習」能力 —— 例如智能客服能記住用戶半年前的産品需求，無需重複解釋。
AgentCore Observability：可視化 Agent 執行全流程，支持軌迹回溯、故障調試與性能監控。開發者可直觀查看「Agent 為何做出某決策」，解決 AI「黑箱問題」，滿足金融、醫療等行業的合規要求。
AgentCore Identity：通過 OAuth2 等協議實現安全訪問，讓 Agent 能代表用戶調用 GitHub、Salesforce 等第三方工具，同時嚴格控制權限範圍 —— 例如 HR Agent 僅能查詢員工考勤數據，無法訪問薪資信息。
AgentCore Gateway：将企業現有 API 與 Lambda 函數轉化為 Agent 可調用的「工具」，無需重構系統即可實現老業務的智能化升級。例如将 ERP 系統的庫存查詢接口，一鍵轉化為供應鍊 Agent 的調用工具。
AgentCore Browser：提供托管浏覽器實例，讓 Agent 能自動操作網頁完成複雜任務，如爬取競品價格、填寫表單等，突破純 API 調用的局限。
AgentCore Code Interpreter：隔離環境運行 Agent 生成的代碼，支持 Python 等語言執行數據分析、圖表繪制等計算任務，避免安全風險。
這套架構的核心價值在于「解耦與協同」—— 企業可按需選用單個服務，也可組合使用形成閉環。例如開發智能财務 Agent 時，用 Runtime 部署、Memory 記住報銷規則、Browser 自動登錄報銷系統、Code Interpreter 計算稅費，全程無需擔心數據洩露或系統崩潰。
模型生态：12 家頂尖廠商構築「能力底座」
強大的 Agent 離不開多樣化的基礎模型。Amazon Bedrock 此次将支持的模型廠商從 7 家擴充至 12 家，新增多模态視頻理解公司 TwelveLabs 等，覆蓋文本、音視頻、編程等全場景。更關鍵的是，所有模型均支持 Agent 開發，形成「模型即工具」的生态：
Nova 系列家族：亞馬遜自研的 Nova 模型新增 8 款成員，包括能操控浏覽器的 Nova Act(網頁任務完成率超 90%)、支持語音交互的 Nova Sonic，以及多模态模型 Nova Premier。其中 Nova Act 通過 SDK 可實現自動下單、數據爬取等操作，解決傳統 API 覆蓋不足的問題。
開源與閉源并存：既有 Anthropic Claude、Meta Llama 等閉源模型，也支持 Mistral、DeepSeek 等開源模型，開發者可根據成本與定制化需求靈活選擇。例如初創公司可用開源模型降低成本，金融機構則選用通過合規認證的閉源模型。
過去 12 個月，Amazon Bedrock 新增超 170 項功能，成為首個提供無服務器 DeepSeek-R1 的雲服務商。這種「多模型協同」能力，讓 Agent 可根據任務自動選擇最優模型 —— 例如撰寫合同用 Claude(精準度高)，生成營銷視頻用 Stability AI(多模态強)，大幅提升任務完成效率。
多 Agent 協作：從「單打獨鬥」到「團隊作戰」
單個 Agent 的能力有限，而多 Agent 協作能解決更複雜的問題。亞馬遜雲科技将開源工具 Strands Agents 升級至 V1.0.通過四大原語實現「智能體團隊協作」：
Agents-as-Tools：讓領域專家 Agent 成為其他 Agent 的「插件」。例如醫療診斷 Agent 可調用放射科 Agent 分析影像，無需重複訓練專業知識。
Handoffs：任務交接時保留完整上下文。當客服 Agent 無法解決技術問題時，可無縫轉交工程師 Agent，用戶無需重複描述故障。
Swarms：自組織的 Agent 團隊。例如電商大促期間，「庫存 Agent + 物流 Agent + 客服 Agent」自動協同，實時調整庫存預警、配送路線與用戶答複口徑。
Graphs：可視化工作流編排。開發者可通過節點圖定義 Agent 的任務順序與決策條件，例如「當訂單金額 > 1000 元時，自動觸發風控 Agent 審核」。
Strands V1.0 還支持 MCP 與 A2A 通信協議，打破不同 Agent 平台的壁壘 —— 例如亞馬遜 Agent 可與企業自研 Agent 協同工作，實現跨系統的流程自動化。
數據層革新：S3 Vectors 讓 Agent「記得更多、更省成本」
向量是 Agent 理解世界的「語言」，但海量向量數據的存儲與查詢成本一直是痛點。Amazon S3 Vectors 的推出，将這一成本降低 90%：
向量桶（Vector Buckets）：專為向量設計的存儲類型，單個桶支持 10000 個索引，每個索引可存數千萬向量，自動優化數據布局以提升查詢速度。
冷熱數據分層：不常查詢的向量存于 S3 降本，高頻訪問數據自動遷移至 OpenSearch，平衡性能與成本。例如用戶曆史對話的向量可長期存在 S3.而近期交互則存于 OpenSearch 保障低延遲響應。
原生集成：與 Bedrock 知識庫無縫聯動，構建低成本 RAG(檢索增強生成)應用。企業無需單獨部署向量數據庫，即可讓 Agent 快速調用産品手冊、法規文檔等私有知識。
應用落地：從代碼開發到業務場景的全鍊條革新
在應用層，亞馬遜雲科技推出多款 Agent 工具，讓技術快速轉化為生産力：
Kiro 代碼編輯工具：基于 Claude 構建，能将「一句話需求」轉化為完整開發計劃。例如「開發電商評論系統」，自動拆解為「數據庫設計→API 開發→前端适配」等任務，生成單元測試與文檔，将開發周期縮短 70%。
行業解決方案：在 Marketplace 上線數百個 Agent 模闆，覆蓋金融風控、制造業質檢等場景。例如銀行可直接調用「信貸審核 Agent」，自動查詢征信、計算還款能力，将審批時間從 3 天縮至 2 小時。
這些工具的共同點在于：讓 Agent 從「技術概念」變為「業務工具」。正如某零售企業 CIO 所言：「過去需要 10 人團隊開發的庫存預警系統，現在用 AgentCore+Nova 模型，1 人 1 周即可上線，且能自動适配促銷季的複雜場景。」
結語：Agent 時代的「基礎設施之争」
亞馬遜雲科技的布局，本質上是在定義 Agent 時代的「操作系統标準」。從模型生态到數據存儲，從開發工具到協作協議，其構建的不僅是一套技術方案，更是讓數百萬企業能低成本擁抱 Agent 的「生态護城河」。
Gartner 預測，到 2028 年 33% 的企業軟件将集成 Agentic AI，而亞馬遜雲科技的動作，無疑加速了這一進程。當技術門檻從「組建團隊自研」降至「調用 API 即用」，我們或許正站在「Agent 爆發」的臨界點 —— 未來，每個企業、甚至每個人都可能擁有專屬 Agent，而這場變革的基礎設施，已在雲端悄然成型。
據悉，亞馬遜雲科技将于 8 月開啟國内七城巡演，現場拆解 Agent 落地案例。對于企業而言，這或許是把握下一波 AI 浪潮的關鍵窗口。
免責聲明：本文僅代表作者個人觀點，與每日科技網無關。其原創性以及文中陳述文字和内容未經本站證實，對本文以及其中全部或者部分内容、文字的真實性、完整性、及時性本站不作任何保證或承諾，請讀者僅作參考，并請自行核實相關内容。
本網站有部分内容均轉載自其它媒體，轉載目的在于傳遞更多信息，并不代表本網贊同其觀點和對其真實性負責，若因作品内容、知識産權、版權和其他問題，請及時提供相關證明等材料并與我們聯系，本網站将在規定時間内給予删除等相關處理.
