AI 正告别“炫技”，加速回归“价值”。

这其中，AI Agent所扮演的角色与作用至关重要。今天，全球的开发者都在积极拥抱AI Agent来构建，标志着整个技术行业正迎来重大转折点。因此，当AI Agent加速涌现之际，AI Agent需要加速进入到生产环境和创造更多价值，已成为产业共识。

无疑，亚马逊云科技提出的”Frontier Agents”（前沿智能体） 的概念，标志着 Agent 技术发展的标志性时刻。亚马逊云科技正致力于打通Agentic AI“最后一公里”，全力帮助开发者构建和利用AI Agent，从开发环境、框架、功能等维度，全面帮助开发者们以实现不牺牲质量的前提下加速软件开发创新。

正如亚马逊云科技Agentic AI副总裁Swami Sivasubramanian博士在re：Invent 2025大会上直言：“Agentic AI时代已加速到来：第一、‘谁能构建’正在彻底改写，开发者不再受限语法、API调用、参数等细节；第二、构建速度彻底改变，开发周期从过去数年数月缩短到数天。Agent让开发者们获得了‘无限制构建’的自由。”

Agent从概念验证走向生产环境

本质上，每个Agent都由模型、代码和工具三个关键组件构成。模型是Agent的大脑，负责推理、规划和执行；代码则定义Agent的身份，决定其能力，并指导其完成决策过程；工具则让Agent“活起来”，包括API、知识库、数据库访问权限，代码解释器等等。

但最近两年，AI Agent看似火爆的背后，大部分项目却处于概念验证阶段，距离实际走向生产环境尚有着不小挑战。在Swami Sivasubramanian博士看来，AI Agent真正需要进入到生产环境，需要具备五个方面的核心能力：

首先是大规模快速部署Agent的能力，这需要基础设施能够支撑Agent从0快速扩展到数千个并发会话，同时还需要确保AI Agent长时间运行和敏感数据的隔离等等；

其次，AI Agent在生产环境的落地，必然需要具备处理海量数据和边缘场景的能力，通过强大的记忆系统来管理对话和交互中的上下文，还能跨对话记住用户偏好；

第三，生产环境对于安全性极为重视，因此需要身份与访问管理的安全控制机制，以确保AI Agent不泄露或者接触到敏感数据；

第四，AI Agent融入生产环境后，并不会孤立存在，这意味着需要安全集成应用所需要API、数据库和服务等；

最后，AI Agent 还需要具备监控和快速调试问题的能力，以快速解决出现的问题。

事实上，绝大部分用户依靠过去传统工具或者临时性方案均无法解决上述挑战。相反，很多临时方案拼凑在一起，进一步增加了AI Agent的复杂性，甚至成为用户在Agentic AI时代创新的羁绊。

为此，亚马逊云科技近年来一直致力于打造新一代的Agent平台：Amazon Bedrock AgentCore，以帮助用户大规模构建、部署和运营Agent。Swami Sivasubramanian博士介绍：“AgentCore就像一个工具箱，采用模块化的设计思路，用户可以按需选择合适的工具，从而在安全前提下大规模构建、部署和运营Agent。”

在本次大会上，亚马逊云科技又更新包括Amazon Bedrock AgentCore、Amazon Strands Agent、Amazon SageMaker AI、Amazon Bedrock RFT 、Kiro Powers等更多项功能，进一步帮助企业用户屏蔽复杂性，加速AI Agent在生产环境的价值创造。

Strands Agent扩展到边缘

今年五月，亚马逊云科技推出了开源Agent 框架：Strands Agent。据悉，Strands Agent采用模型驱动的方式，只需几行代码即可构建和运行 AI 代理，真正为企业用户带来了快速大规模部署Agent的能力。

Strands Agent一经推出就受到开发者的广泛欢迎。Swami Sivasubramanian博士介绍，Strands Agent在短短几个月时间里，下载量已经超过500万次。

在本次大会上，亚马逊云科技宣布在Strands Agent框架中引入TypeScript 编程语言和对 Edge（边缘设备） 的支持。

相比于JavaScript，TypeScript 编程语言更不容易出错或出现 bug。而对 Edge（边缘设备） 的支持，标志着Agent不再局限于云端，可以运行在工厂机械臂、车载系统等边缘侧，实现真正的无处不在。

解决模型定制的效率难题

通常，企业在创建AI Agent时，往往希望选择最先进的大模型。但最先进的模型也意味着对推理能力要求极高，在驱动AI Agent解决问题和使用第三方工具时，往往需要消耗大量处理能力。

在Swami Sivasubramanian博士看来，查看日历和搜索文档等简单任务可以使用性能低得多的模型就能可靠完成。因此，对于AI Agent开发者而言，模型定制化功能至关重要。为此，亚马逊云科技推出Amazon RFTBedrock RFT功能，简化模型定制流程，企业将能够开发出更高效、更定制化的 AI 智能体。

Amazon Bedrock RFT借助了强化学习来简化模型定制。借助强化学习，模型通过反复试错并结合人类反馈来获取新知识。当模型表现出良好行为时，它们会获得“奖励”，而不良行为则会被“纠正”。不过，强化学习需要复杂的训练流程和庞大的计算资源，并且还需要人类专家提供反馈等等。

为此，Amazon Bedrock RFT让强化学习变得更加便捷，无需开发者具备丰富的机器学习知识，任何开发者都可以轻松上手。此外，Amazon Bedrock 作为一个完全托管的 AI 平台，提供来自数十家顶级 AI 公司的高性能基础模型和各种AI Agent 工具。

根据Swami Sivasubramanian博士介绍，Amazon Bedrock RFT 目前支持 Amazon Nova 2 Lite 。接下来，亚马逊云科技还将增加对其他大模型的广泛支持。

此外，Amazon SageMaker AI 也新增了无服务器定制功能，让企业设计、开发和部署自己的模型并进行定制的过程更加快速。

更简单的AI训练

目前，随着很多企业的AI集群规模持续增加，往往会伴随着GPU等AI基础设施组件故障频繁、损坏率提升，而GPU卡的损坏又容易造成任务丢失和整个集群的宕机，并且解决起来需要耗费大量时间，这在AI算力日趋昂贵的年代，对于企业是一项极其昂贵的损失。

如何解决企业用户训练的痛点？为此，亚马逊云科技在本次大会带来了Amazon SageMaker Hyperpod 的checkpointless training（无检查点训练功能），旨在构建和运行经济高效且高性能的AI Agent基础设施，提供更可靠和简单的模型训练体验。

众所周知，Amazon SageMaker HyperPod将传统上复杂且耗时的模型训练与部署基础设施管理流程转变为一项完全托管服务，消除繁琐的底层工作，可对AI集群进行扩展，并具备自动工作负载优先级排序功能，同时会自动保存模型快照或检查点，以便在出现问题时进行恢复。

不过，过去这种方式往往需要让整个AI集群闲职数小时，这也是很多企业用户不能承受的。checkpointless training则有别于传统方式，能够在几分钟内自动从基础设施故障中恢复，无需任何手动干预，在分布式集群中持续保存模型状态，只需平稳替换故障硬件，并通过点对点传输从附近健康的加速器获取确切的模型状态。

“通过checkpointless training功能，用户不用再惊慌地回滚到某个旧的Checkpoint，在模型训练中能够更快的恢复速度和显著的成本节约。”Swami Sivasubramanian博士表示道。

让Agent“记忆力”飞升

过去，AI Agent往往受制于上下文窗口和短暂的记忆能力，只是在有限上下文窗口内保存短期信息，并会在每一次新交互时被重置

使得其并不能胜任真正的生产业务环境。现在，亚马逊云科技为AI Agent带来了episodic 记忆功能，让Agent可以记得过去数周甚至数月的交互历史，不再是每次对话都“初次见面”。

“在越交互越智能的Agent趋势下，很多AI Agent记忆能力有着明显短板。”Swami Sivasubramanian博士介绍道。为此，亚马逊云科技在Amazon Bedrock AgentCore中推出了episodic 记忆功能，使Agent能够从过往经验中学习，并将这些信息应用于后续交互。

据悉，episodic记忆功能会以结构化方式记录上下文、推理过程、操作及结果，随后由另一Agent自动分析其中的模式，以优化决策。当Agent遇到类似任务时，可快速调取相关历史信息，缩短处理时间，并减少对复杂自定义指令的依赖。

episodic记忆功能意义重大，它标志着Agent还是具备“类人”的特质，能够自动识别用户行为模式和理解用户的长期偏好，这种跨会话、基于经验的学习能力是 Agent 在生产环境中得到真正应用的关键。

Kiro领衔三款Frontier Agents

协作无疑是Agent未来最重要的发展趋势之一。

为此，亚马逊云科技在本次大会上也推出了Kiro Autonomous Agent、Amazon Security Agent和Amazon DevOps Agent三款具备自主性、可持续工作的Frontier Agents。这三款产品不仅仅意味着任务的智能化，也标志着Agent协作模式的重要进步。

具体来看，Kiro是人工智能驱动的Agent编程环境，在帮助开发者使用自然语言提示编写、分析和构建软件，其有Vibe Coding和SPEC（规范驱动）两种模式，开发者从简短的需求描述开始，与AI展开多轮对话逐步完善技术规格。

亚马逊云科技开发者 Agents 产品管理及体验总监Adnan Ijaz介绍，Kiro具有独立性和开放性，亚马逊云科技并没有将它与其他产品特别绑定起来，而是任何供应商都可以个整合在其中，给于用户充分的选择。据悉，亚马逊云科技此次推出 Kiro 时，已与众多合作伙伴携手，包括 Figma、Stripe、Neon、Supabase、Netlify 和 Datadog 等。用户还可以从 GitHub 导入社区构建的工具，或自行开发功能供内部使用。

“Kiro对开发者的工作流重构具有重要影响。开发者可向Kiro分配待办任务或描述需求，它把这些要求代入设计流程，自助规划执行路径，将模糊的自然语言需求代入设计流程，转化为结构化的规范文档，建立“需求澄清→技术设计→任务分解→代码生成”的工程化闭环。”Adnan Ijaz补充道，“Kiro未来还计划兼容所有AI开发工具，甚至包括扩大支持的模型范围。”

除了Kiro之外，Amazon Security Agent和Amazon DevOps Agent与之形成协同的闭环，安全Agent会主动审查代码合规性，将渗透测试转化为按需服务；DevOps Agent则通过CloudWatch等工具链监控性能、定位故障，实现从编码到部署的端到端自动化。

综合观察

Agentic AI正在迎来属于它的“iPhone时刻”。

亚马逊云科技在“AI基础设施-模型-Agent平台-数据-应用”上进行的全栈工程化整合，在部署、安全、合规、可靠性等工程化方面取得重大突破，让AI Agent突破复杂性和低效率带来的羁绊，开发者可以自由构建时，也标志着Agentic AI这辆时代列车将全速前进。

正如Swami Sivasubramanian博士最后所言：“我们正在构建的所有技术，都只是AI Agent无限可能的开端。现在，任何有想法的人，都拥有了将想法变为现实的自由，拥有了以前所未有的速度从概念走向影响的自由，拥有了攻克曾经看似不可能解决的问题的自由，也拥有了无限创造的自由。”