靠谱、高效的构建AI Agent实操手册！re:Invent 2025 Swami博士主题演讲划重点！

北京时间2025年12月4日，亚马逊云科技re:Invent 2025进入第三天，亚马逊云科技Agentic AI副总裁Swami Sivasubramanian发表主题演讲《Agentic AI的未来已来》，系统阐述构建可靠AI Agent的核心技术路径，并围绕“易于构建（Easy to Build）、高效（Efficiency）、可信（Trust）、可靠（Reliability）”四大支柱发布多项重磅创新。其中，Amazon Nova Act服务的可靠性达到90%，Amazon Bedrock强化微调功能准确性提升66%，Amazon Nova Forge开创“开放训练模型”新模式。

Swami博士开场以自己的高中编程经历唤起共鸣：“还记得第一次编程的成就感、自由感吗？今天，AI Agent让全球开发者重获这种体验。”他进一步指出，AI Agent正从“技术奇迹”转变为能提供业务价值的实用工具，核心转变源于两大突破：第一，开发门槛降低，开发者可用自然语言构建，无需记住数百个API参数；第二，开发速度显著提升，开发周期从数年或数月缩至几周甚至几天。然而，Swami博士也直言不讳地指出了一个残酷的现实：大多数企业正陷入“概念验证监狱”（POC Jail），无数精彩的Agent原型无法走向生产环境。

如何打破这个困局？Swami博士清晰地展示了答案，正是围绕“易于构建、高效、可信、可靠”四大支柱构建生产级AI Agent。

Easy to Build

解决五大生产挑战

Swami博士表示，传统Agent开发需预设所有场景流程，不仅代码难维护，还易因意外失败，且多数概念验证未考虑快速部署能力、复杂的内存系统、身份访问管理、工具连接、可观测性等生产五大障碍。

亚马逊云科技的解决方案是双管齐下。

首先是亚马逊云科技推出的开源Agent开发框架Strands Agents SDK。它打破传统模式，以模型驱动为核心，无需预定义工作流，让模型能自主适配各类实际场景。这一能力已在亚马逊云科技内部得到充分验证，不仅帮团队省去了数千行冗余代码，还显著提升了项目的准确性与可维护性。自今年5月开启预览以来，Strands Agents SDK的受欢迎程度超出预期，下载量已轻松突破500万次。

今日新增的两项核心能力更让它如虎添翼：TypeScript支持将Strands Agents SDK扩展到全球最流行的编程语言之一，大幅降低开发者的接入门槛；而边缘设备支持则解锁了汽车、游戏、机器人等领域的全新场景，让自主AI Agent能在边缘运行。

但仅有好的开发框架还不够。Swami博士强调，从概念验证（PoC）到生产的鸿沟需要一个托管系统来填补。Amazon Bedrock AgentCore正是为此而生。在现场演示中，Swami博士展示了AgentCore Identity的强大能力：AgentCore Identity仅需几行代码，即可实现跨亚马逊云科技应用与Slack、Zoom等第三方服务的身份访问管理，而从零构建同样的能力，则需花费数周。

今天发布的Episodic Memory进一步升级Agent能力。Swami博士以旅行助手为例解释其价值，当你独自出差时，Agent会预订航班起飞前45分钟到达机场的专车，这对于独自出行足够了；但当你带着两个孩子和大量行李时，情况就完全不同了。如果只记住“用户需专车”这个需求，Agent仍会按45分钟安排。而有了Episodic Memory，Agent会记住上次家庭旅行时，孩子们因找玩具、行李箱重、安检排队长等混乱情况耽误了出行时间，因此会自动将到达时间调整为2小时。这不仅是记住过去，更是理解行为背后的“什么时候”与“为什么”，Agent经验越丰富，就会变得越聪明。

此外，昨日还发布了两项AgentCore的新能力，其中Policy in Amazon Bedrock AgentCore提供对Agent行为的控制，同时保留Agent推理和采取最佳行动的自由，而AgentCore Evaluations则让开发者能在数千个模拟场景中评估和测试Agent，确保它们在上线前就达到生产级标准。

Efficiency

模型定制化的关键路径

Swami博士接着将话题转向了效率。他指出，现成的大模型虽然智能，但并不总是最高效。效率不仅仅关乎成本，还关乎三个关键维度：延迟即响应速度、规模即峰值处理能力、敏捷性即迭代速度。他用一个简单的观察来说明问题：大多数Agent将时间花在编写代码、分析搜索结果、创建内容、执行预定义工作流等常规操作上，如果能为这些任务定制模型，就能大幅提升效率。

但高级定制技术如强化学习的门槛极高，需博士级专业知识、复杂分布式基建，且开发周期长达6-12个月。Swami博士介绍了四种定制方案：监督微调、模型蒸馏、人类反馈强化学习（RLHF）和AI反馈强化学习（RLAIF）。其中模型蒸馏能让小模型模仿大模型的决策逻辑、置信度等核心能力，实现10倍提速的同时仍保留95-98%性能；监督微调则重质不重量，1万条优质Agent交互数据优于数百万通用示例。而多数企业仍陷入“通用模型性能不足”与“定制成本过高”的两难。

亚马逊云科技的突破在于将这些高级技术自动化，今日正式发布的Reinforcement Fine-Tuning（RFT）in Amazon Bedrock，让普通开发者也能使用强化学习。操作极其简单：选择基础模型、指向Amazon Bedrock日志、选择奖励函数（如大模型评判器）即可完成；Amazon Bedrock会自动化整个RFT工作流，相比基础模型，准确性平均提升66%，效果十分显著。

对于需要更多控制的场景，今日发布的SageMaker AI Serverless Model Customization提供了两种体验：自助式体验适合喜欢掌控全局的开发者；Agent驱动只需自然语言描述用例，AI Agent会推荐微调技术、生成合成数据集、设置Serverless训练、评估模型效果。原本需要机器学习工程师数月的试错工作，现在只需几天，全程由懂最佳实践的Agent指导完成，且支持最新的强化学习技术，包括RLAIF、RLVR和DPO。

Swami博士还宣布了一项改变模型训练韧性的新功能：Checkpointless Training on SageMaker HyperPod。传统检查点恢复需回滚重试，导致资源闲置数小时；该功能通过持续保存分布式集群中的模型状态，实现分钟级恢复，硬件故障时可无缝替换设备、获取正确的节点状态，堪称范式转变。

Trust

可信Agent技术基石

Swami博士坦言，亚马逊云科技早期构建的Agent原型会有“模型在API调用时出现幻觉”的问题。这引发了一个根本性问题：如何让Agent真正可信？他指出，大语言模型会产生幻觉，在复杂规则面前出错或推理存在逻辑错误，一旦场景涉及金钱、信任等关键场景，单纯的统计方法远远不够。当人们不信任Agent时，往往会采取引入额外人工监督、硬编码每一个操作步骤的过度补偿措施，而这恰恰削弱了Agent本应具备的创造力与自主性。

为此，Swami博士特别邀请了亚马逊云科技杰出科学家、自动推理领域权威Byron Cook上台，Byron Cook开场就问了一个尖锐的问题：“你会把信用卡交给Agent吗？就像交给一个几岁的小朋友去购物一样，他可能会帮你买到你想要的商品，但最终你也可能得到一大堆你并不需要的东西。

Byron Cook详细讲解了神经符号AI（Neuro-Symbolic AI）的突破性方法，他解释说，自动推理是在数学逻辑中搜索和详细检查证明的学科，与2000年前欧几里得证明定理的方法相同。亚马逊云科技已经在内部系统中使用这项技术超过十年，现在将其应用于Agentic AI。

Byron Cook以三个生动的例子解释了如何将自动推理应用于AI Agent：

验证输出：就像学生做数学题，老师不仅看答案，还要检查每一步推导过程。在AI系统中，自动推理工具会像严格的数学老师一样，逐步验证大语言模型的推理过程，发现问题就推回重试，形成反馈循环。

训练数据生成：就像用标准答案的习题集训练学生。使用Lean定理证明器创建无限量的“标准答案”，让AI从一开始就学会正确的推理方式，让模型从小就养成“好习惯”。

约束解码：就像汽车的车道保持系统，当你偏离车道时，方向盘会自动微调把你拉回来。在AI系统中，当模型试图回答“法国的首都是什么”并开始输出字母“B”时，自动推理系统会实时介入，像导航一样把它引导到正确的字母“P（Paris）”。这种实时纠偏确保了AI的输出始终符合逻辑规则。

Byron Cook还强调Kiro的规范驱动开发——Kiro可分析应用、识别验收标准并转换为规范，进而指导代码生成、测试生成，甚至证明程序正确性。他同时详解昨日发布的AgentCore Policy：只需用自然语言描述允许的操作，如阻止任何Agent在亚马逊云科技生产账户的资源上执行更新操作，系统会自动转为亚马逊云科技两年前开源，语义经Lean定理证明器形式化的Cedar策略语言，且这些策略可通过自动推理验证主权、隐私、安全等要求。Byron Cook总结：“形式化推理与生成式AI的结合，是构建可信Agent的游戏规则改变者。”

Reliability

生产就绪的可靠工具

Swami博士表示，企业需要“值得被信赖的Agent”，而非“能做事的Agent”。今天的Agent可能第一次完成任务，但重复执行时却会失败。问题根源在于传统机器人流程自动化（RPA）可靠但缺灵活性，大语言模型灵活但编排复杂，需要构建错误处理和回溯机制，可能导致大语言模型在失败路径上走很远才意识到错误。

亚马逊云科技给出的破局方案，是将端到端集成与强化学习深度融合。今日正式可用的Amazon Nova Act，专为构建和管理自动化生产UI工作流的Agent团队而生，在企业级工作流场景中已实现90%的高可靠性。Swami博士解释说，Amazon Nova Act的独特之处在于紧密集成的组件——模型、编排器、执行器、SDK端到端优化。更关键的是端到端训练的理念：不是在“罐子里培养大脑”，而是让大脑和手脚一起训练，出厂就会走路。

Swami博士详细解释了训练方法的创新。传统的模仿学习让Agent观察和模仿专家行为，但Agent永远不会理解行为的因果关系。因此，亚马逊云科技转向了强化学习，并创建了数百个强化学习“健身房”——复制真实企业环境，如CRM、HR系统、任务跟踪器等，的模拟环境。在这些“健身房”中，Agent运行数千个工作流，通过数十万次交互进行试错学习。每次成功完成任务获得奖励，每次失败获得惩罚。通过这种方式，Amazon Nova Act学会了可靠地解决真实世界的企业用例。在RealBench和ScreenSpot等关键基准测试中，Amazon Nova Act的表现与业界最佳模型相当或更好。

Collaboration

人机协作的Agent时代

阐述完四大核心技术支柱后，Swami博士特别邀请亚马逊云科技应用AI解决方案高级副总裁Colleen Aubrey登台。展示这些技术如何在实际客户服务场景中发挥作用。Colleen开场即抛出核心观点：“未来几年，‘Agentic teammate’将如同身边的同事一样必不可少。”

她强调，真正的效率不是“更少的努力”，而是“新产品、新服务、更好的客户体验和新商业模式”。而实现这一切的关键，是让AI成为团队的一部分，嵌入到每一个工作流中。

Colleen以Amazon Connect为例，这是一款云上的AI原生全渠道客户服务应用，沿用亚马逊内部同一技术，在全球范围内已支持数十亿次客户对话。她通过生动的现场演示，直观展示了人工客服代表与AI Agent无缝协作处理信用卡欺诈核查的完整流程。

在演示环节，Colleen将自己化身客户，当她发现账户上有多笔可疑交易时，AI Agent首先通过集成了Amazon Nova Sonic神经声音的自然语音对话验证身份，锁定实体卡但保留Apple Pay功能。当需要深入调查时，AI Agent将Colleen无缝转接给人工调查员Hector，并自动共享所有上下文信息，Colleen无需重复任何内容。

更令人印象深刻的是，Hector的“Agentic teammate”在几分钟内完成了通常需要数小时甚至数天的欺诈验证工作。AI Agent自动分析了交易的地理模式，在地图上标注出可疑位置，并开启跨其他案例查找模式，迅速确认这是一起ATM刷卡欺诈。Hector甚至现场创建了一个自定义Agent，用简单的自然语言提示定义其行为，让它持续监控Colleen的所有账户，一旦发现可疑活动就发送安全消息。

最后，AI Agent分析了Colleen的完整账户和交易历史，主动推荐了一个更安全的旅行账户，并指出她当晚在MGM Grand的晚餐预订可以享受更好的旅行奖励。整个过程流畅自然，展示了人类与AI的分析能力如何完美结合。

Colleen宣布，本周Amazon Connect发布了8项新的Agentic AI能力，包括Amazon Nova Sonic声音集成、实时推荐Agent、AI驱动的预测洞察以及多模态协作等核心功能，让人类客服与AI Agent能够真正成为无缝协作的团队。

Colleen总结道：“在未来几年，人和Agent结合的团队模式将从根本上改变工作方式。这不仅仅是把同样的事情做得更快，而是解锁我们甚至无法想象的能力。”

展望

自由创造的时代

Swami博士在演讲结尾回到了开场的主题。他说，还记得你第一次成功编写程序时的感觉吗？那种成就感、自由感、解锁新世界的兴奋感。今天，借助AI Agent，全球的建设者们每天都在体验这种感觉。无论你是在清理海洋、解锁人脑奥秘，还是解决尚未发现的挑战，你都拥有了构建的自由、从概念到影响的空前速度、解决看似不可能问题的自由。

亚马逊云科技正通过“易于构建、高效、可信、可靠”四大支柱让每个人都能构建并运行生产级AI Agent。未来并非Agent能做所有事，而是我们能全然依赖它们做事。让我们共同构建这一令人惊叹的未来！