2025 年，走向尾声。回顾 2025，这既是「AI 泡沫论」兴起的一年，也是「AI 效用论」兴起的一年。两种论调表面矛盾，实则有一致的内核。

AI 产业规模的扩大，并没有 100% 充分转化为效用、价值。无论是消费端的应用场景，还是企业端的效率、回报，都落后于市场的超高期待。

AI 产品范式有着极简的内核，完全端到端的输入和输出。但到企业场景下，大模型能力的内核依然影响着它的应用效率，用户常常需要花较多时间精力去构建应用，进行繁琐的效果评估、安全审查、上下文同步等工作，这里付出的成本，甚至可能比原有的工作流程效率更低。

在 2025 年亚马逊云科技 re:Invent 大会上，CEO Matt Garman 指出了这一行业共识：AI 要从「技术奇迹」转变为能提供实际业务价值的实用工具，企业需要在生产环境中以低成本、可控、规模化的方式部署和使用模型。当下 AI 应用的堵点不是「智能能力」，而是「工程化的能力」。

如何重新思考 AI 的应用范式，提升核心效率，成为了讨论焦点。亚马逊云科技宣示了他们的长期目标，是为企业搭建一套可定制的 AI 框架，创造一个开放、安全、可控、可扩展的 AI 操作系统。

Agent：企业应用的第一范式

企业利用 AI 效率低下的痛点，最直接的解决方案，是改变应用范式，用 Agentic AI 的技术基础，实现自动化的Agent 部署。

最初的 LLM 产品是单一维度的一问一答，Agent 则是基于大模型构建的行为框架，能形成感知、思考、决策、执行、反馈的完整循环，完成多步骤的复杂任务，是高效且自动化的。

Agent 能够帮助用户解决 AI 应用的根本痛点：「你不知道如何编写一个准确的 prompt，也不知道 AI 输出的反馈是否正确，因此要花费大量精力对 prompt 进行调整，对结果进行验证」。

这在企业场景尤其关键。大量企业难以利用 AI 工具提升效益的原因，就在于需要投入大量成本部署工作流程、方法，就琐碎的任务不断对 AI 进行调整。但通过 Agent，很多繁琐流程都可以得到简化、自动化，甚至由Agent 主动完成。

比如对于电商来说，要训练一个 Agent 来构建自动应答的客服系统，它不需要去教 AI 什么是正确的客服技巧，而是只需要将自己已有的商品数据库和客服记录交给 AI Agent，让 Agent 基于这些数据来建立客服回复的经验、模式。

Matt Garman 举了一个非常生动的例子，他把 AI Agent 比作一个「小孩」，企业需要培育它「长大」。这个过程中你需要保证他的安全、健康，传授他经验，但又不是事无巨细地管到生活的方方面面，每分每秒。

在此次亚马逊云科技 re:Invent 大会上，其发布的三个前沿 Agent 都是围绕效率优化展开。用户只需要设定一个相对宏观的目标，Agent 就可以自主寻求实现，并拥有弹性扩展和独立运行能力，可以同时执行多项任务，长时间连续工作，并可以跨多个 Agent 分布式协同。这一切特性，都是为了减轻用户负担。

其中，Kiro 自主 Agent 是主要面向软件开发本身的智能体。针对切换任务时重建上下文、手动协调代码库变更、重新整合分散的非结构化信息等等琐碎问题，都实现了自主化推进，可以在多次会话间保持上下文连贯，保持对用户需求和习惯的记忆。同时通过建议和拉取请求，确保用户始终拥有代码并入的决策权。

Amazon Security Agent 和 Amazon DevOps Agent 则将安全知识覆盖到开发全周期，并针对运维场景实现了自动化和主动优化。Amazon DevOps Agent 一方面解决了运维场景下定位问题困难，解决耗时增长，损失信任的问题，还增加了对历史时间模式的分析，将被动修补的运维模式转变为主动优化的运维体系。

而针对 AI 生成代码的安全和合规问题，Amazon Security Agent 则能将深度安全知识嵌入开发的全生命周期，预防风险发生。

尽管这三个前沿 Agent 都是对垂直场景下用户痛点的解决，但它们实际也预示了 Agent 在更广阔企业应用场景中的发展趋势。就是将企业的流程、经验，转化为 AI 知识，并借由 Agent，将这些知识按需自动应用于 AI 工作流程，提高 AI 与企业运行本身的贴合度，提升效率。这一理念既适用于核心开发和运维场景，也有移植到其他平行工作场景的潜力。

Agent 学习经验并实现自动化，就是企业场景下 AI 应用的第一范式。

AI 应用的未来：打造真正的「AI 操作系统」

Agent 是企业应用 AI 重要的范式，在提升自动化的同时，也带来一个问题，如何保证 Agent 的灵活可用性？安全性？如何评估、优化其效率？保证其可继承、可维护性？

这需要一套平台级的架构支撑，也是亚马逊云科技作为成熟的商用平台，一直以来的构建目标。自 Amazon Bedrock 平台建立之初，它就保持着开放，为用户提供最广阔的选择面，最低的适配门槛，帮助用户自由构建 AI 的技术栈。Amazon Bedrock 从最初就支持导入、管理不同的大模型，今年还新增了对 Kimi、MiniMax 的支持。

通过创建 Agent，Amazon Bedrock 不只是将企业的工作流程场景化、自动化，还能让 Agent 匹配企业的结构或非结构化数据，权限系统，并设置全局的安全合规策略，以便进行评估监控。Amazon Bedrock 既是 AI 模型的调度系统，也是Agent 的安全围栏，是它的管理上级。

Agent 的效率根源来自它「可执行动作」的特性，同时，最大的风险也源于这里。

Agent 在执行过程中会出现调用 API 错误，数据修改错误，越权访问、执行非法操作等等问题，所以在 Agent 之上，必须设置有高于它的安全策略、权限系统，而且要有自动评估系统，尽早捕捉异常问题。

在今年的更新中，Amazon Bedrock AgentCore 提供完整的构建 Agent 的工具，其最重要的两大功能更新就是「策略」和「评估」，前者可以把企业规范、合规自动注入 Agent 的工作流，后者则可以在切换、升级模型时自动评估质量并捕捉下降问题。

亚马逊云科技从基础架构、模型、数据、工具等多个层面，为 AI Agent 提供了运行的支撑，让 AI 在算力上可负担、可扩展，模型上有充分的选择，让 AI 能理解企业的知识、读取专有数据，让 AI 可信任、可治理。每一个目标背后，都由至少一个专门的模块支持。这一切，都为 Agent 应用的高效运转，提供了良好的平台基础。

如果将企业利用 AI 的目标理解为一辆需要跑起来的汽车。算力是 AI 的燃料，模型是发动机，Amazon Bedrock 是整个动力总成，Agent 是所有的控制系统，只有当这一切协作运转，AI 才会从工具，变成企业组织能力的一部分，即理想的「AI 操作系统」，帮助企业释放价值。对亚马逊云科技来说，AI 泡沫并不是一个虚无缥缈的问题，通过每一个需求痛点、每一个核心指标的优化，亚马逊云科技比以往任何时候都更加脚踏实地，这也是未来每一个企业拥抱 AI 的坚实基础。

正如亚马逊云科技 CEO Matt Garman 所说，AI 要从「功能」变成企业里的「协作者」，运用 AI 的优势将来自企业独有的数据和流程知识。