文章核心观点 - Agent的真正价值在于能否在生产环境中稳定运行，而非仅展示惊艳的演示效果，数据显示超过93%的企业Agent项目在从概念验证到生产的最后阶段受阻[1][5][7] - 亚马逊云科技认为，一个成功的Agent需要模型、代码与工具三大模块的有效连接，这是当前最大的工程挑战[7][8][9] - 行业正意识到Agent是释放AI生产力的关键枢纽，亚马逊云科技通过一系列产品与更新，旨在降低开发门槛、解决工程化难题，并帮助企业跨越从概念验证到生产的鸿沟[5][6][19] Agent成功三要素与工程挑战 - 模型是大脑：负责推理、规划与执行的核心决策职能[10] - 代码是逻辑：服务于特定场景的功能实现，与传统软件开发类似[11] - 工具是手脚：连接模型与物理世界，包括知识库、数据库、浏览器等外部能力[12] - 核心挑战：如何高效连接模型、代码与工具三大模块，并解决工具间的编排复杂性[12] 开发效率提升：模型驱动开发 - Strands Agents工具：采用模型驱动方法论，大幅简化开发代码量，使过去需数千行代码的场景现仅需十几行代码即可实现[13] - 开源与开放：Strands Agents定位为开源项目，提供完整源码，并采用开放架构兼容业界各种流行框架[13] - 重要更新：在re:Invent 2025大会上，宣布Strands Agents支持TypeScript语言及边缘设备部署，以拓展开发者群体和应用场景[14][15] 从概念验证到生产的跨越难题 - 严峻数据：93%的客户在从概念验证迈向生产环境时遇到重大障碍，仅不到10%的项目能成功推进到生产[16][17] - 核心原因一：数据质量落差：概念验证阶段可使用精心筛选的高质量数据，而生产环境的数据无法人为优化，导致效果差异[18] - 核心原因二：工程化能力缺失：生产环境需直面安全、扩容、成本、高可用等概念验证阶段无需考虑的问题[18] - 解决方案：推出Amazon Bedrock AgentCore，提供底层基础架构编排工具箱，动态管理计算、网络、安全等资源，以解决工程化难题[19][20] 模型定制与效率优化 - 定制挑战：通用大模型在垂直场景可能不足，定制需专业技能与高质量数据[22] - 最佳时机：模型定制在基础模型训练阶段（类比人类幼年学习语言）进行，效果远优于模型完成后再调整[23][24] - 定制工具：Amazon SageMaker AI提供强化微调、模型定制化训练等多种能力，其中Amazon Nova Forge允许在基础模型训练阶段注入用户数据[22][23] Agent的安全管控与自动化 - 行为边界：需避免对Agent严防死守或过度放任两种极端，正确做法是通过策略框架划定行为边界[7][26] - Policy策略：为Amazon Bedrock AgentCore发布的新特性，可定义行为框架并配置合规性、安全红线等不可逾越的边界[27] - 工作流自动化：推出Amazon Nova Act，深度集成大模型与AgentCore工程化能力，打造新型工作流自动化方案，整体成功率超80%，超越传统机器人流程自动化技术[29] 企业应用案例 - Blue Origin（蓝色起源）：通过亚马逊云科技服务构建超过2700个内部Agent，实现交付效率提升75%，设计质量提高40%[30] - Sony（索尼）：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15万次推理请求，并通过微调将合规审核效率提升100倍[30]