美國西部時間12月2日的2025 亞馬遜雲科技re:Invent上，亞馬遜雲科技首席執行官Matt Garman在開場演講中拋出了一個觀點：AI Agent時代已來，未來將出現數十億AI Agent，為企業提效10倍以上！
現場興奮和焦灼情緒交織，數萬名開發者和企業高管都在等一個答案。
因為在很多人的印象裏，AI Agent的現實體感並不樂觀：開發門檻高、編排邏輯複雜、安全治理缺位、上下文記憶像金魚……導致了一個尷尬的行業現狀——90%的Agent項目停留在概念驗證階段。
想要從概念驗證走向生產可用，中間隔着的不僅僅是代碼行數，而是一道道深不見底的“工程鴻溝”。
懸念並未持續太久。
亞馬遜雲科技 Agentic AI副總裁Swami Sivasubramanian，在12月3日的主論壇上，用嚴謹且務實的演講給出了答案——怎麼把AI Agent從概念驗證推向生產環境。
01 對症下藥，解決POC到生產環境的五大頑疾
為什麼不少企業的Agent“看起來很美，用起來很廢”？
剝開光鮮的Demo外衣，在生產環境中面臨着五個棘手的痛點：
1、部署難、擴展難，一上生產就不穩定；
2、記憶缺失，Agent 無法跨任務學習，無法持續執行大型流程；
3、身份、權限、憑證管理太難，易出安全事故；
4、工具、數據、系統碎片化，集成成本極高；
5、無法觀測、無法調試，Agent成為黑箱。
Swami在演講中一針見血地指出：“大多數實驗和PoC並未按生產就緒的標準來設計。我們需要彌合這一差距，打破PoC的桎梏。”相對應的，亞馬遜雲科技對Agent在生產環境中遇到的頑疾，通過Amazon Bedrock AgentCore進行了對症下藥。
AgentCore Runtime提供了一個無服務器、強隔離、長時運行的環境，徹底讓開發者告別用拼湊的Lambda函數和腳本手搓的運行環境，實現了Serverless託管執行、強會話隔離、長時會話等能力，解決了“狀態管理”的老大難問題，讓Agent能夠像人類員工一樣長期在線，隨時待命。
AgentCore Memory構建了短期+長期+情景記憶的三層體系，讓Agent具備了“記住→學習→改進→再執行”的閉環能力。特別是“情景記憶”，可以讓Agent記住“發生過什麼事”以及“為什麼那次流程很混亂”，並自動學習策略、優化下一次行動路徑，實現企業Agent所需的“連續性”與“可學習性”。
AgentCore Identity賦予了Agent“可控、可審計、可授權”的企業級身份體系，實現從“人類身份體系”向“Agent 身份體系”的擴展。畢竟在真實的生產環境中，最可怕的不是Agent不工作，而是拿着CEO的權限去讀HR的數據庫，需要精準控制Agent的權限，把潛在的安全隱患鎖死在籠子裏。
AgentCore Gateway扮演了“協調樞紐”的角色，自動掃描分散在數據庫、SaaS應用、舊系統裏的數據，自動生成Agent的“工具地圖”，讓Agent能安全、智能、自動地“發現→連接→使用”所有工具與數據。
AgentCore Observability解決的是“黑盒”問題，讓企業能實時看到Agent的推理、工具調用、狀態流、錯誤、上下文與決策路徑等工作流程，提前驗證Agent會不會搞砸，避免出了問題卻找不到原因。
亞馬遜雲科技開出的“藥方”是否奏效呢？
可以佐證的是汽車服務與技術提供商Cox Automotive的例子，使用AgentCore搭建了一個名為Fleet Mate的Agent，原本需要2天時間的車輛評估被壓縮到了30分鐘。
02 瞄準靶心，讓模型定製成為產品化工程
解決Agent的工程落地只是第一步，大模型同樣是制約生產力的瓶頸，很多企業面臨的障礙不亞於生產環境。
譬如通用大模型不懂企業業務，而且模型參數規模大、推理成本高、延遲難以滿足業務要求；業務規則經常變、新場景不斷出現，導致模型上線後效果會衰退；模型定製需要MLOps、SRE、算法、數據團隊協作，需要專業的團隊才能做……能力強、速度快、成本低幾乎成了不可能三角。
監督微調、模型蒸餾、強化學習是業內公認的“三大法寶”，亞馬遜雲科技的解題思路也不例外。
不同的是，亞馬遜雲科技打出了一套組合拳，從“微調”到“預訓練”，把模型定製從玄學變成了工程學。
一是Amazon Bedrock強化微調。
傳統的微調（SFT）只是教模型“怎麼説話”，而強化學習（RL）是教模型“怎麼做對”。但強化學習需要構建複雜的獎勵模型，難度太大了。
亞馬遜雲科技的強化微調（RFT）功能，直接把強化學習的門檻踏平了，只需要提供數據，就能自動處理獎勵建模和策略優化，能夠將模型的準確性提升66%，讓一個小模型通過針對性的強化訓練，在特定任務上吊打通用大模型。
二是Amazon SageMaker AI無服務器定製。
以前訓練一個模型，需要配環境、調參、洗數據，準備工作就需要幾個月，Amazon SageMaker AI提出了新的思路——用AI來製造AI。
企業用自然語言描述需求，SageMaker內置的Agent會自動分析場景、推薦微調技術、甚至直接幫企業生成合成數據，然後自動跑完訓練流程。把“需要大團隊、長週期、重投入”的模型定製，變成了“幾天完成的自動化任務”。
三是Amazon Nova Forge。
像醫藥、金融等行業，不僅需要微調大模型，還要模型在底層就理解行業邏輯，但在傳統的流程裏，企業數據無法進入預訓練階段。
Amazon Nova Forge全球首創了“開放訓練模型”體系，允許企業在模型的“中途訓練階段”介入，注入自己的專有數據，不再是打補丁式的微調，而是讓企業以極低的成本，擁有了一個“流淌着自己血液”的預訓練模型。
四是Amazon SageMaker HyperPod無檢查點訓練。
在大模型訓練的過程中，斷點續訓一直是噩夢，一次GPU故障可能導致數小時的進度回滾，造成真金白銀的損失。
Swami在演講中提到了HyperPod無檢查點訓練的“黑科技”，通過實時保存模型狀態，在硬件故障時，能在幾分鐘內自動恢復，不需要回滾到幾個小時前的Checkpoints，大大降低了大規模訓練的沉沒成本。
做一個總結的話，亞馬遜雲科技開啓了一場從“把模型訓練好”，到“把模型訓練得起、用得好”的全鏈路效率革命，讓模型定製從技能工程，進化為可複製的產品化工程。
03 落地為王，打通可信、可靠、可協作閉環
企業把Agent推向生產環境後，CEO們最擔心的問題，可能不是“它能不能做”，而是“我敢不敢讓它做”。
擺在案頭的是更深層次的挑戰：Agent是否可信，在和客户溝通時會不會亂講？Agent是否可靠，業務成功率能否達到企業要求？Agent能否與人類協同，融入已有客服/運營/業務流程？
喊出“為企業提效10倍以上”的亞馬遜雲科技，不只要幫企業打造生產環境、訓練更聰明的大腦，還要打消“敢不敢用”的疑慮。亞馬遜雲科技沒有迴避，在主題演講中留出了相當長的篇幅。
首先是可信。
亞馬遜雲科技傑出科學家Byron Cook講了一個深刻的邏輯：大模型是基於統計學的，是概率性的，天生存在幻覺；而企業的規則（尤其是GDPR等合規要求的出海企業）是邏輯性的、是確定的。
怎麼解決這個矛盾呢？答案是神經符號AI。
簡單來説就是把“左腦的邏輯”和“右腦的直覺”結合起來。亞馬遜雲科技引入了“自動推理”技術，帶來了三大能力：
驗證輸出：自動推理工具驗證 LLM 的答案是否滿足邏輯和規則。
訓練結合：使用定理證明器訓練，使模型天然具備邏輯正確性。
約束解碼：推理層嵌入驗證器，使模型不能越界生成內容。
目前神經符號AI已經應用到Amazon Kiro、AgentCore Policy等產品中，讓 Agent既聰明又聽話。
然後是可靠。
Agent落地的最大障礙之一在於，“大腦”和“手腳”是分離訓練的，導致模型懂流程，但操作起來“笨手笨腳”。
亞馬遜雲科技正式發佈了Amazon Nova Act，一個專門為“行動”而生的模型，在訓練中進行了數百個環境+數千工作流程+數十萬交互的強化學習，進行了成千上萬次的試錯。結果超出了不少人的預期：在企業自動化工作流中，Amazon Nova Act實現了90%的成功率。
也就是説，企業可以放心地把點按鈕、填表單、跑流程這些活兒交給Agent，不必擔心它卡在某個彈窗時不知所措。
最終是可協作。
Agent的終局是什麼？是替代人類嗎？亞馬遜雲科技的回答是“Teammate”（隊友）。
折射到技術層面上，Amazon Connect新增了8項AI能力，包括讓AI像真人一樣説話的神經聲音集成(Sonic)、基於對話自動建議下一步的實時推薦Agent、結合點擊流數據個性化建議的AI驅動預測洞察等。
正如2025 亞馬遜雲科技re:Invent上所演示的：在一個信用卡盜刷的場景中，Agent不僅自動驗證了身份，還通過分析地理位置和交易模式，預判了欺詐風險，並在後台默默地為人類客服準備好了所有資料。人類客服接起電話的那一刻，問題已經解決了一半。
Agent不再只是工具，而是和人類一起協作的隊友。
04 寫在最後
2025年的亞馬遜雲科技re:Invent，更像是一個時代的分水嶺。
過去兩年裏，行業對Agent的熱情大多停在願景層；現在，亞馬遜雲科技給出了一套從基礎設施到模型、從安全到協作、從執行到治理的落地體系。
第一層：AgentCore（讓Agent能跑起來），解決了部署、管理、記憶、安全、工具接入、可觀測性等基礎工程問題。
第二層：模型定製（讓Agent跑得好），通過RFT、無服務器定製、HyperPod等把模型從“通用”變成“企業專屬”。
第三層：可信+可靠+協作（讓企業敢用），讓Agent變得可控、可靠、可協作，成為一個可託付的數字員工。
如果説2023年是生成式AI的元年，2024年是Agent的試驗期，2025年則正式宣告：AI Agent進入企業級生產階段的時代，已經到來。
