編輯部 整理自 AIGC2026
量子位 | 公眾號(hào) QbitAI

當(dāng)全民都在“養(yǎng)龍蝦”的時(shí)候，真正的問題才剛開始浮現(xiàn)。

在剛剛結(jié)束的2026中國AIGC產(chǎn)業(yè)峰會(huì)上，亞馬遜云科技產(chǎn)品技術(shù)部技術(shù)總監(jiān)王曉野帶來了一組直觀數(shù)據(jù)：

87%的企業(yè)宣稱已經(jīng)大規(guī)模部署了AI，而真正從中獲得價(jià)值的，只有10%。

很顯然，Demo從來都不難做，難的是讓它在企業(yè)生產(chǎn)環(huán)境里真正跑起來。

在他看來，個(gè)人在Mac mini上跑一個(gè)好玩的Agent、隨時(shí)可以拔電源重啟，和讓幾千個(gè)Agent在企業(yè)分布式環(huán)境里安全、可信、不中斷地穩(wěn)定運(yùn)行，完全是兩個(gè)維度的工程復(fù)雜度。

這場分享還用最硬核的工程視角直擊了企業(yè)痛點(diǎn)——

別再指望靠一個(gè)模型去搞定所有事了。

算力夠不夠劃算、數(shù)據(jù)安不安全、Agent會(huì)不會(huì)玩失憶或記憶串臺(tái)……從底層基礎(chǔ)設(shè)施到上層應(yīng)用，每一層都是必須硬啃的真問題。

為了完整體現(xiàn)王曉野的思考，在不改變原意的基礎(chǔ)上，量子位對演講內(nèi)容進(jìn)行了編輯整理，希望能給你帶來更多啟發(fā)。

2026中國AIGC產(chǎn)業(yè)峰會(huì)是由量子位主辦的行業(yè)峰會(huì)，近20位產(chǎn)業(yè)代表與會(huì)討論。線下參會(huì)觀眾超千人，線上直播觀眾近400萬，獲得了主流媒體的廣泛關(guān)注與報(bào)道。

核心觀點(diǎn)梳理

• 87%的企業(yè)實(shí)現(xiàn)了AI大規(guī)模部署，但真正從中獲得生產(chǎn)價(jià)值的比例只有10%。
• 個(gè)人養(yǎng)龍蝦和企業(yè)養(yǎng)龍蝦，完全是兩碼事。
• AI真的不只是大模型，拿掉模型后剩下的Harness才是關(guān)鍵。
• 過去的數(shù)據(jù)平臺(tái)是服務(wù)人的，今天的數(shù)據(jù)平臺(tái)必須服務(wù)好AI Agent。
• 過去30年個(gè)人生產(chǎn)力從未被真正顛覆，直到Working Agent出現(xiàn)。
• Token貴，很多時(shí)候是因?yàn)槟阄菇o模型的信息太多太雜，而非單價(jià)貴。

以下為王曉野演講原文：

企業(yè)級(jí)Agent落地的四大鴻溝與落地體感

大家上午好！非常感謝量子位的邀請。

我今天演講的主題叫《跨越Agent落地鴻溝：從模型到企業(yè)級(jí)AI Agent落地》

跟前面幾位嘉賓分享的方式不太一樣，我會(huì)直白一些，也會(huì)通過一系列產(chǎn)品和案例，跟大家分享我們對企業(yè)級(jí)Agent落地的思考。

作為一家長期服務(wù)全球客戶的科技企業(yè)，亞馬遜云科技一直在通過云服務(wù)支持?jǐn)?shù)百萬企業(yè)客戶，今天我也想借由我們產(chǎn)品更新背后的思路，跟大家聊聊：真正把Agent落到企業(yè)生產(chǎn)環(huán)境時(shí)，企業(yè)需要回答哪些問題。

過去幾年，無論是Agent產(chǎn)品，還是Agent構(gòu)建框架，都可以說層出不窮。

但真正能夠在生產(chǎn)環(huán)境里大規(guī)模、穩(wěn)定運(yùn)行的Agent，其實(shí)寥寥無幾。這里面到底存在怎樣的差距？

接下來我會(huì)結(jié)合亞馬遜云科技跟客戶一起實(shí)踐、總結(jié)出來的經(jīng)驗(yàn)，通過一些產(chǎn)品能力更新，來分享我們的答案。

我們先快速看一下AI現(xiàn)在的大趨勢。

過去我們經(jīng)常會(huì)先跟客戶聊AI應(yīng)用的use case，也就是它到底能用在什么場景。

但相信很多細(xì)分場景大家已經(jīng)很熟悉了，如果往大的方向總結(jié)，大致可以看到幾個(gè)方向。

第一類是AI生成音頻、視頻、音樂，這些方向已經(jīng)走得非常前沿，大家每天都能感受到日新月異的變化。

第二類是基礎(chǔ)模型，從語言模型開始，大家真正感受到了AI的力量，同時(shí)也意識(shí)到這件事可能還有一段路要走。

第三類是具身智能

我們從具身智能企業(yè)的變化中可以看到，去年大家還更多關(guān)注動(dòng)態(tài)控制，今年已經(jīng)明顯轉(zhuǎn)向——如何收集數(shù)據(jù)，如何跟物理世界形成感知，再形成行動(dòng)反饋。

還有一個(gè)更火、也可以說離成熟更接近的方向就是Agent

今天我會(huì)聚焦在Agent這個(gè)話題上，因?yàn)樗x企業(yè)真正落地更近。從落地的角度來看，Agent是當(dāng)前最值得重點(diǎn)討論的方向。

相信很多嘉賓都反復(fù)提到了養(yǎng)龍蝦在中國已經(jīng)成為一個(gè)非?；馃岬脑掝}，很多個(gè)人用戶都在嘗試，全民都在養(yǎng)龍蝦，甚至有新聞提到深圳的工程師會(huì)幫個(gè)人用戶安裝、配置這些工具。

但個(gè)人養(yǎng)龍蝦和企業(yè)養(yǎng)龍蝦是兩件事。

個(gè)人環(huán)境里，配置好之后可能很少需要再去改動(dòng)；但在企業(yè)環(huán)境里，你能不能讓幾千個(gè)Agent在企業(yè)環(huán)境中安全、可信地運(yùn)行起來？背后其實(shí)有不少鴻溝需要跨越。

首先是模型選擇和響應(yīng)速度

企業(yè)出于性價(jià)比考慮，也因?yàn)槟Ｐ湍芰γ刻於荚诳焖僮兓孕枰皶r(shí)響應(yīng)模型變化，并且能夠在多個(gè)模型之間靈活選擇。

第二是構(gòu)建復(fù)雜度

云時(shí)代我們都知道，一個(gè)分布式系統(tǒng)要長期穩(wěn)定運(yùn)行，本身就是非常困難的事情。

一個(gè)能跑在Mac mini上的龍蝦，個(gè)人用戶可以隨時(shí)拔電源、重啟；但到了企業(yè)生產(chǎn)級(jí)場景，它能否可靠、穩(wěn)定地運(yùn)行，能否自動(dòng)重啟且不中斷，能否可信地處理數(shù)據(jù)，就完全是另一層工程復(fù)雜度。

第三是使用門檻

無論是Hermes，還是龍蝦，還是其他自主性Agent，對工程師來說，使用門檻已經(jīng)比過去傳統(tǒng)IT系統(tǒng)低很多。

但對于業(yè)務(wù)人員來說，比如營銷、HR等崗位，他們能否真正把這些工具用起來，依然存在門檻。

第四是人才gap

前面提到的很多問題，最終都需要人來解決，需要企業(yè)里的平臺(tái)部門把AI能力賦能給整個(gè)組織。

但今天具備端到端推動(dòng)Agent落地能力的人才，依然有很大缺口。

三個(gè)禮拜前，在亞馬遜云科技全球發(fā)布中，亞馬遜云科技CEO Matt Garman也分享了幾個(gè)觀點(diǎn)。

第一，他認(rèn)為AI和Agent帶來了極大的市場構(gòu)建范式變化，很多應(yīng)用都應(yīng)該被重新改造一次。

這句話聽起來可能很熟悉，但今天再看，味道已經(jīng)跟過去不一樣了。

過去我們更多是在暢想未來，但今天我們是基于已經(jīng)看到的事實(shí)，基于企業(yè)里已經(jīng)落地的東西，來表達(dá)這樣的觀點(diǎn)。

Matt還有一句話，我個(gè)人也非常認(rèn)同。他認(rèn)為，過去30年里，個(gè)人生產(chǎn)力其實(shí)從來沒有被真正大規(guī)模顛覆過。

大家回想一下，無論是使用Office，還是使用各類通信軟件，軟件本身一直在迭代，但我們的工作方式并沒有發(fā)生太大的變化。

但今天Agent的出現(xiàn)，尤其是大家使用龍蝦后的體感，會(huì)讓人明顯感受到：我們確實(shí)走到了一個(gè)節(jié)點(diǎn)，個(gè)人的工作方式正在發(fā)生變化。

在講趨勢之前，我們先用幾組數(shù)據(jù)找一下感覺。

Gartner的分析顯示，從2028年到2030年，會(huì)有超過15%的企業(yè)日常工作決策由Agent或AI自主完成。

這里說的不是人輔助決策，而是由Agent完全自主地完成決策，也不只是幫人執(zhí)行任務(wù)。

一些關(guān)于勞動(dòng)力的研究報(bào)告也提到，在2026年到2028年期間，82%的企業(yè)領(lǐng)導(dǎo)者表示會(huì)增加雇用“數(shù)字員工”的比例，為企業(yè)服務(wù)，而不只是招聘人類員工。

麥肯錫的分析則顯示，Agent以及生成式AI帶來的增量商業(yè)市場規(guī)模，可能從2.6萬億美元增長到4.4萬億美元，接近翻倍。

那這是不是炒作？

我們再看一些實(shí)際企業(yè)通過調(diào)研反饋回來的數(shù)據(jù)。

同樣是麥肯錫的報(bào)告提到，今天已經(jīng)有87%的企業(yè)宣稱實(shí)現(xiàn)了AI在公司里的大規(guī)模生產(chǎn)部署，而一年前這個(gè)數(shù)字還是78%，進(jìn)展非?？?。

同時(shí)，德勤的一些報(bào)告也反饋，真正把AI用到生產(chǎn)系統(tǒng)的企業(yè)中，確實(shí)有一部分企業(yè)反映生產(chǎn)力獲得了收益。

這些信號(hào)聽起來可能有些矛盾，但本質(zhì)上都在說明同一件事：今天AI Agent在企業(yè)層面的滲透率已經(jīng)很高，但真正獲得價(jià)值、走到生產(chǎn)層面的比例仍然有限。麥肯錫同一份報(bào)告里也提到，這個(gè)比例可能只有10%左右

像龍蝦這樣的Agent，讓我們看到了河對岸長什么樣。但企業(yè)要真正走到生產(chǎn)落地，中間還需要一座橋。

今天我想通過一些產(chǎn)品能力更新，來跟大家分享這座橋應(yīng)該長什么樣。

從Demo走向生產(chǎn)的那座橋

簡單來說，亞馬遜云科技認(rèn)為，企業(yè)IT平臺(tái)和企業(yè)技術(shù)決策者真正推動(dòng)Agent從Demo走向生產(chǎn)時(shí)，需要關(guān)注五大能力

第一層是AI Agent所需的算力

如果回到Agent這個(gè)話題，算力可能更強(qiáng)調(diào)推理部分。過去我們更多討論訓(xùn)練算力，但Agent場景對推理算力的需求會(huì)更加突出。

第二層是模型

企業(yè)需要能夠快速獲取行業(yè)前沿模型，或者是最適合自身場景的模型，同時(shí)還要具備很高的性價(jià)比。

第三層是數(shù)據(jù)和知識(shí)

Agent雖然把回答問題轉(zhuǎn)變成了行動(dòng)能力，但就像炒菜一樣，如果沒有企業(yè)知識(shí)這類“獨(dú)家配方”，它永遠(yuǎn)只能做出西紅柿炒雞蛋這類大眾化動(dòng)作，真正進(jìn)入企業(yè)流程時(shí)，Agent需要的是企業(yè)自己的數(shù)據(jù)和知識(shí)。

第四層是Agentic平臺(tái)

今天大家已經(jīng)越來越清楚，AI不只是模型能力，Harness也至關(guān)重要。

第五層是Agent應(yīng)用

并不是所有事情都需要企業(yè)自己構(gòu)建，很多通用能力已經(jīng)可以通過垂直、專用或通用Agent應(yīng)用的形態(tài)直接采購和使用。

接下來我會(huì)按照這五層展開，分享我們在產(chǎn)品設(shè)計(jì)理念上如何思考這些問題。

先看AI基礎(chǔ)設(shè)施這一層。今天我們?nèi)匀辉谟懻揟oken消耗量、討論延遲，背后的潛臺(tái)詞是什么？

就是企業(yè)在性價(jià)比上還沒有達(dá)到可以隨意使用的狀態(tài)。這有點(diǎn)像早年大家會(huì)計(jì)算一條短信多少錢，而不是像今天發(fā)微信一樣，完全不需要考慮成本。

所以最底層能夠幫助企業(yè)降本增效的能力，應(yīng)該來自算力層的大量優(yōu)化

亞馬遜云科技的優(yōu)勢來自20多年服務(wù)云客戶的經(jīng)驗(yàn)。我們服務(wù)了幾百萬客戶，也知道客戶在云上跑什么樣的負(fù)載。

即使是推理，我們也會(huì)關(guān)注這個(gè)Agent是更多以規(guī)劃為主，還是以執(zhí)行簡單任務(wù)為主，或者更傾向于Workflow。

針對這些不同負(fù)載，大家其實(shí)會(huì)有一個(gè)共識(shí)：

通用芯片無法在所有場景中都提供最好的性價(jià)比。

亞馬遜云科技從十幾年前就開始自研芯片，把一些虛擬化技術(shù)通過硬件能力實(shí)現(xiàn)；之后又推出基于Arm的CPU計(jì)算Graviton，目前已經(jīng)走到第五代；再到專用AI芯片Trainium，也已經(jīng)走到第三代。

簡單來說，在計(jì)算這一層，我們認(rèn)為客戶應(yīng)該享受到面向具體場景的最優(yōu)性價(jià)比計(jì)算能力

模型這一層，我們秉承的觀點(diǎn)很多年來都沒有變：

客戶和企業(yè)需要的是選擇，而不是被綁定在一個(gè)模型上。

Amazon Bedrock也是通過不斷擴(kuò)大模型能力來支持這一點(diǎn)。包括中國一些優(yōu)秀模型，比如智譜GLM、MiniMax的模型，我們都在積極推進(jìn)上架到Bedrock平臺(tái)。

當(dāng)然，在企業(yè)語境下，Bedrock除了提供平臺(tái)能力，更重要的是提供企業(yè)數(shù)據(jù)保護(hù)和隱私保護(hù)

整個(gè)平臺(tái)基于20多年云計(jì)算積累下來的信任能力，企業(yè)可以通過云上的VPC等技術(shù)，保證自己的數(shù)據(jù)不會(huì)被中間的一些路由工具截取或獲得。

數(shù)據(jù)和知識(shí)這一層，我們認(rèn)為今天需要看到一個(gè)變化：傳統(tǒng)的數(shù)據(jù)平臺(tái)、數(shù)據(jù)底座或數(shù)據(jù)基石，過去主要是服務(wù)于人的；但今天，企業(yè)平臺(tái)部門和技術(shù)部門需要關(guān)注的是，數(shù)據(jù)平臺(tái)能否服務(wù)好AI Agent

Agent對數(shù)據(jù)的調(diào)用方式跟人類不一樣。我們面對的可能是數(shù)十億個(gè)Agent的規(guī)模，一次任務(wù)也可能帶來無數(shù)次調(diào)用。

因此企業(yè)真正需要的是一個(gè)AI-ready的數(shù)據(jù)平臺(tái)，這會(huì)帶來跟過去傳統(tǒng)數(shù)據(jù)平臺(tái)非常不同的挑戰(zhàn)。

結(jié)合我們跟客戶共創(chuàng)的經(jīng)驗(yàn)，可以舉幾個(gè)例子。

第一是記憶的共享、隔離與并存

當(dāng)企業(yè)里幾千個(gè)不同用戶、不同Agent同時(shí)使用時(shí)，既需要大家擁有一定共享記憶，同時(shí)又不能串臺(tái)。

如何通過企業(yè)傳統(tǒng)授權(quán)和權(quán)限管理，把記憶的共享、隔離、長短期管理都做好，是非常重要的事情。

第二是記憶生命周期管理

很多人會(huì)認(rèn)為記憶存得越多越好，但其實(shí)并不是。就像人一樣，如果長期記憶里有錯(cuò)誤知識(shí)、老舊信息，甚至有自相矛盾的知識(shí)，都會(huì)影響Agent最終的判斷，這也是為什么長期記憶管理非常重要

記憶的生命周期管理，是對底層數(shù)據(jù)引擎提出的新挑戰(zhàn)。

還有就是Token使用效率

大家都在關(guān)注Token消耗多、Token貴，但真正導(dǎo)致Token貴的，很大一部分原因容易被忽略：并不只是Token單價(jià)貴，而是你在調(diào)用模型時(shí)喂給了模型太多沒用的信息。

比如把幾千個(gè)skills一股腦扔給模型，讓它自己去選；又比如在抽取和提取記憶時(shí)，沒有優(yōu)化好最終喂給模型的信息。這些都會(huì)導(dǎo)致Token使用量爆炸。

反過來說，在全鏈條上，我們能不能觀察到模型是怎樣被調(diào)用的？能不能觀測到它是否產(chǎn)生幻覺？這種全鏈路可觀測性，也是AI-ready數(shù)據(jù)平臺(tái)需要滿足的新能力。

如果總結(jié)我們在構(gòu)建數(shù)據(jù)產(chǎn)品時(shí)秉承的理念，可以分成三大基座。

第一是面向AI-ready，同時(shí)堅(jiān)持可信。

除了云語境下端到端的靜態(tài)數(shù)據(jù)加密、傳輸中數(shù)據(jù)加密和安全保證之外，真正讓數(shù)據(jù)可信，還需要清楚了解數(shù)據(jù)代表的業(yè)務(wù)意義——

它是如何產(chǎn)生的，是由Agent自進(jìn)化而來，還是由業(yè)務(wù)輸入而來；它在全鏈路中如何影響決策。

對于數(shù)據(jù)可解讀、可管理、可治理的需求，我們試圖通過SageMaker Catalog等能力來解決。

第二是底層數(shù)據(jù)引擎不應(yīng)該成為上層Agent應(yīng)用的阻礙，因此需要有卓越的數(shù)據(jù)底層。

展開來說，就是可信可靠、性能、性價(jià)比和持久性等能力，都需要保持在很好的水平。

亞馬遜云科技這些年也通過豐富的數(shù)據(jù)經(jīng)驗(yàn)，在引擎層不斷優(yōu)化。

這里舉一個(gè)例子，今天在幾乎所有數(shù)據(jù)引擎里，我們都支持向量能力。

為了適應(yīng)Agent大規(guī)模擴(kuò)展，我們也推出了S3 Vectors，把11個(gè)9持久性的對象存儲(chǔ)原生支持到大規(guī)模向量檢索和存儲(chǔ)中。

第三是堅(jiān)持開放的數(shù)據(jù)架構(gòu)，不應(yīng)該形成任何數(shù)據(jù)技術(shù)廠商鎖定或技術(shù)鎖定。

比如在數(shù)據(jù)湖、多模態(tài)數(shù)據(jù)湖以及治理理念上，我們會(huì)圍繞Iceberg這樣的開放結(jié)構(gòu)，推出S3 Tables，允許不同數(shù)據(jù)引擎進(jìn)行訪問。

最近由于Agent被廣泛使用，大家也知道，無論是管理記憶，還是管理一些其他文件，很多時(shí)候都是通過文件系統(tǒng)、Markdown文件等方式實(shí)現(xiàn)的。

我們也通過開放方式，讓對象存儲(chǔ)直接支持相應(yīng)的文件語義，讓Agent可以直接調(diào)用。

這些都是我們在產(chǎn)品設(shè)計(jì)中的一些理念，未來也會(huì)有更多對客戶數(shù)據(jù)能力的支持。

從企業(yè)級(jí)Harness平臺(tái)到智能化工作應(yīng)用

接下來這一層，是我更想重點(diǎn)分享的內(nèi)容。

除了模型之外，企業(yè)構(gòu)建Agent需要的是一整套走向生產(chǎn)的能力

兩年前我也曾在這個(gè)舞臺(tái)上分享過類似信息，我們一直傳遞的觀點(diǎn)沒有變：

AI真的不只是大模型這一件事。

到了2026年，在Agent語境下，大家通過使用龍蝦，通過感受軟件工程能力，已經(jīng)更清楚地意識(shí)到，把模型拿掉之后，剩下所有關(guān)于生產(chǎn)、控制、管控的生產(chǎn)級(jí)要求，都可以叫做Harness，也就是如何駕馭它。

打個(gè)比方，如果把模型看作CPU，那么真正使用電腦時(shí)，沒有人會(huì)把一塊焊著CPU的主板直接給用戶用。

我們還需要軟件、操作系統(tǒng)，以及各種可使用的能力，Harness就是把這些可使用、可操作、可管控的能力放在一起，最終讓Agent呈現(xiàn)為一個(gè)完整應(yīng)用形態(tài)。

對應(yīng)到亞馬遜云科技的產(chǎn)品，Harness就是Amazon Bedrock AgentCore。

它的核心價(jià)值，是讓用戶不用在Harness上花太多功夫，而是關(guān)注自己的業(yè)務(wù)價(jià)值。同時(shí)它保持開放，可以接入開源框架，比如LangChain、CrewAI等，都可以自由集成。

它也管理企業(yè)需要考慮的大規(guī)模安全、穩(wěn)定、自重啟、可靠性等生產(chǎn)級(jí)需求。

如果把Bedrock AgentCore的九大功能模塊快速分成三類。

第一類是讓Agent跑起來

Runtime提供自動(dòng)橫向擴(kuò)展能力，讓Agent可以按照任意規(guī)?？焖贁U(kuò)展；Memory管理記憶和上下文；Code Interpreter和Browser則給Agent加上調(diào)用瀏覽器、操控代碼等能力。

第二類是讓企業(yè)里的數(shù)據(jù)和系統(tǒng)真正接進(jìn)來

Identity和Gateway允許企業(yè)把現(xiàn)有系統(tǒng)，比如CRM、ERP等很好地集成進(jìn)來，同時(shí)還能繼承員工使用這些系統(tǒng)時(shí)的真實(shí)權(quán)限。

Agent執(zhí)行任務(wù)時(shí)代表的是具體員工，而不是一個(gè)擁有無限的管理權(quán)限。

第三類是讓Agent真正管得起來、管得住

通過Policy、Evaluation和Observability等功能，企業(yè)可以在Agent執(zhí)行任務(wù)時(shí)設(shè)置邊界，評(píng)估執(zhí)行結(jié)果是否達(dá)到預(yù)期，并對整個(gè)過程形成可觀測能力。

前一陣，我們也跟OpenAI進(jìn)行了官方聯(lián)合發(fā)布，把提供給企業(yè)直接使用的Agent構(gòu)建能力再往上升一級(jí)，加入由OpenAI提供支持的Managed Agent。

可以這樣理解：如果大家認(rèn)為ChatGPT已經(jīng)遠(yuǎn)遠(yuǎn)不只是聊天機(jī)器人，而是一個(gè)可以幫你執(zhí)行任務(wù)的不錯(cuò)Agent，那么Managed Agent就是由OpenAI提供前沿模型，也由OpenAI提供他們在構(gòu)建Agent過程中積累的最佳實(shí)踐Harness，再結(jié)合亞馬遜云科技底層安全基礎(chǔ)設(shè)施體系，打包形成的一套能力。

如果企業(yè)更希望通過OpenAI的能力來執(zhí)行任務(wù)，可以直接采用這個(gè)方案。

相比之下，Bedrock AgentCore提供更加開放靈活的Agent框架選擇和模型選擇。

但不變的是，這兩類能力都在同一個(gè)平臺(tái)上，企業(yè)可以同時(shí)選擇，并繼承亞馬遜云科技針對企業(yè)安全和信任的管控與保護(hù)。

這里也快速引用一個(gè)客戶案例，紫訊采用AgentCore后，解決的核心問題是：他們不需要過度規(guī)劃自己的計(jì)算資源，可以更經(jīng)濟(jì)地快速迭代，也不需要投入大量精力優(yōu)化底層Harness需要處理的生產(chǎn)工程問題。

這樣企業(yè)可以更快實(shí)現(xiàn)業(yè)務(wù)價(jià)值，同時(shí)更好地做成本優(yōu)化，把精力放在自己的業(yè)務(wù)訴求上。

Agent應(yīng)用的落地與展望

最后一層，是企業(yè)直接使用Agent應(yīng)用時(shí)需要討論的問題：

誰來用？怎么用？

Coding Agent大家已經(jīng)普遍認(rèn)為比較成熟了。

但在工作場景下，Working Agent也是我們認(rèn)為下一個(gè)會(huì)爆發(fā)、會(huì)被廣泛使用的方向，因?yàn)槲覀円呀?jīng)看到了這類能力。

這里有一個(gè)矛盾的問題是：員工希望Agent什么事都幫自己做，了解自己的日常，了解自己的信息；企業(yè)則希望員工安全地使用Agent，希望有管控，不能讓Agent什么事都做。

這兩者其實(shí)可以兼得。

在亞馬遜云科技，我們的答案是通過Quick這樣的深度個(gè)性化產(chǎn)品來實(shí)現(xiàn)。

簡單來說，最近我們聽到同事分享最多的一句話是：它真的像日常小助手一樣。

我快速分享幾個(gè)自己的體驗(yàn)。

第一，我每天會(huì)在CRM、聊天工具、郵件和各種平臺(tái)之間切換，早上可能要花20分鐘到1個(gè)小時(shí)清理需要處理的任務(wù)。

Quick的主動(dòng)提醒功能，能把這些連接匯聚在一起。它不只是提醒我有哪些事情，還會(huì)主動(dòng)建議我應(yīng)該給某位同事約一個(gè)會(huì)，或者給另一位同事做某件事。

第二，它真正執(zhí)行任務(wù)時(shí)，能夠幫我們打破傳統(tǒng)工作的邊界。

比如今天這份PPT里，有很多需要外部確認(rèn)的調(diào)研數(shù)據(jù)。過去我可能要花很多時(shí)間咨詢各位同事，現(xiàn)在通過Quick很快就可以完成。

第三，它在幫我規(guī)劃任務(wù)時(shí)，會(huì)隨著我的使用不斷沉淀。

每個(gè)人在使用時(shí)都會(huì)形成個(gè)人知識(shí)圖譜，隨著使用越來越多，它的決策也會(huì)越來越像我，以上是我認(rèn)為Quick帶來的幾個(gè)非常值得關(guān)注和體驗(yàn)的點(diǎn)。

最后簡單總結(jié)一下，我們通過這五層能力，想分享的是：企業(yè)真正把Agent從Demo帶到生產(chǎn)，需要關(guān)注哪些點(diǎn)。

這里也可以重新回顧一下我們跟OpenAI的聯(lián)合發(fā)布。

除了剛才提到的Managed Agent，也包括OpenAI最前沿的模型在Bedrock上可用；同時(shí)，它的Coding Agent Codex也在Bedrock上可用。

也就是說，在我們五層架構(gòu)里的三層，通過跟OpenAI的合作都有了新的能力升級(jí)。

未來，在這五層能力上，我們也會(huì)持續(xù)迭代產(chǎn)品，加速對企業(yè)的賦能。

簡單來說，我們希望做的事情，就是讓更好的模型，通過可信的數(shù)據(jù)，真正把生產(chǎn)級(jí)平臺(tái)帶給用戶。

Matt Garman說，每一個(gè)應(yīng)用都將會(huì)被重構(gòu)。

我們確實(shí)已經(jīng)看到領(lǐng)先企業(yè)走在這條路上，也希望通過五層架構(gòu)的不斷迭代，跟大家一起加速重構(gòu)，擁抱Agent時(shí)代，謝謝大家。