金磊 發自 凹非寺
量子位 | 公眾號 QbitAI

有這么一組數據，是真真兒地戳到了用Agent這件事的爽點。

來，展示：

• 公司AI代碼覆蓋率超過70%；
• 內部已經創建700多個不同類型、不同部門的Skills；
• 連接400多個API端點；每天有100多個AI協同PR；累計跑完14萬多個工作流；
• 6個核心階段成功率均超過99.7%；交付代碼0個P0、P1缺陷。
• 缺陷自動修復從兩天壓縮到10分鐘……

△圖片由AI生成

看完這些數字，想必大家腦海里已經是一堆Agent塞滿一家公司的畫面了，而且是井井有條的那種。

這家率先嘗到Agent“甜蜜點”的公司是誰？

小鵬汽車。

為什么是它能做到？

因為小鵬用了“云計算一哥”——亞馬遜云科技。

更準確地說，小鵬基于亞馬遜云科技的Kiro、Amazon Bedrock、Amazon EKS等服務，搭了一套企業內部AI編程與Agentic工作平臺，名字叫靈犀。

小鵬集團AI/Data Platform負責人何瑞邦，在亞馬遜云科技中國峰會的現場講了一個非常具體的問題：2024年，小鵬內部已經普遍使用各種AI開發工具，一些員工的個人效率確實上來了，但整個部門的效率沒有明顯變化。

原因也很真實，一個稍微復雜點的項目，AI工具只能一環一環寫。寫完代碼，還要人工集成、聯調測試、推CI/CD。

說得直白一點，就是代碼寫得更快了，鏈路沒真正跑通。也正如亞馬遜全球副總裁、亞馬遜云科技亞太區聯席總裁儲瑞松所說的：

Agentic AI爆發的拐點已然來臨。AI Agent正在從一個輔助性工具，變成真正參與生產和價值創造的數字勞動力。

所以小鵬后來意識到一句話：

效率，不等于效能。

這其實也是很多企業用AI Coding、用Agent時的共同處境。單點提效很快，整體系統很慢；個人體驗很爽，組織收益不明顯。

小鵬的特殊之處在于，它面對的還不是普通軟件工程，而是更復雜的物理AI。

智能汽車、Robotaxi、人形機器人、飛行汽車……這些場景里，軟件和硬件綁得很緊。代碼寫完之后，還要編譯、臺架驗證、回歸、上線，鏈路更長，容錯率更低。

更關鍵的是，當AI生成代碼的速度越來越快，人類review和治理的速度反而跟不上了。

這時候，小鵬選擇把AI Coding從寫代碼工具，往前推進一步——

讓Agent變成一支研發軍團。

一支永不下班的研發軍團

靈犀的架構，大致可以拆成五層。

最上面，是開發者入口，包括網頁端、IDE插件和硬件開發插件。開發者從這里提出需求、管理任務、查看結果。

往下一層，是Agent協作層。小鵬用Kiro做內核，把汽車行業的開發規范沉淀成Skills，讓一群Agent按規范協同作戰。

再往下，是數據和知識層。研發數據、項目上下文、Agent執行過程中學到的知識，都沉淀到這里。

模型層，則由Amazon Bedrock提供大模型能力。

最底層是基礎設施。小鵬用Amazon EKS承載智能體運行，需要多少算力，就彈性供給多少算力。

這套架構跑起來之后，結果就是開頭我們提到的那組數字：AI代碼覆蓋率超過70%，700多個Skills，400多個API端點，14萬多個工作流，0個P0、P1缺陷。

其中最有代表性的變化，發生在SRE環節。

過去，一個缺陷自動修復可能要兩天。后來小鵬基于Amazon Bedrock，建立了四大SRE Agent和五維歸因，缺陷自動修復被壓縮到10分鐘。同類型bug下一次還能秒級命中，整個過程無需真人介入。

這也是Agent進入企業生產環境后，一個很典型的變化：

它帶來的不只是寫得快，而是把需求、設計、編碼、測試、部署、運維、治理這些環節連成閉環。

這和Kiro本身的定位也有關。

Kiro強調的是Spec驅動開發。也就是在真正生成代碼之前，先把需求、設計、任務、測試都結構化，再讓Agent基于經過驗證的規范寫代碼。

這樣做的目標很明確了，從源頭上提升正確性，而不是讓AI先猛寫，再把一堆技術債丟給人類收拾。

所以，小鵬這個案例最有價值的地方，在于它把企業研發體系里的“上下文、規范、工具、模型、算力、治理”一起串了起來。

這才是Agent真正起作用的樣子。

當然，來到亞馬遜云科技峰會站臺的，不止小鵬。

Kimi出海，也搭上了亞馬遜云科技

Kimi今天的到來，也是有點看頭。

如果說小鵬展示的是Agent如何進入企業研發鏈路，那么Kimi展示的是另一件事——

中國大模型公司如何借助亞馬遜云科技的全球基礎設施和AI技術，把模型能力帶給全球企業客戶。

月之暗面Kimi B端業務負責人黃振新在現場提到，Kimi的長期目標，是尋求將能源轉化成智能的最優解。

這個說法聽起來很大，但落到模型能力上，其實對應三個非常具體的方向：

• 模型要更聰明，能在有限數據和算力下學到更多東西；
• 上下文要更長，能干更長時間的活，還能記住一開始要做什么；
• 單個Agent有天花板，多Agent協作要能完成更復雜的任務。

圍繞這些方向，Kimi在token效率、長上下文、注意力殘差和推理優化上持續投入。

黃振新在現場提到，Kimi通過架構和訓練方法提升token效率，讓10T數據發揮出20T效果；在長上下文方向推進新的線性注意力架構；通過注意力殘差提升效率；還通過工程優化提高cache命中率，降低API使用成本。

最近，Kimi發布了K2.7 Code，并推出High Speed版本，輸出速度達到180 token/s。

但對一家模型公司來說，能力做強只是第一步。要服務全球企業客戶，還要解決一整套更工程化的問題：推理要穩，部署要快，客戶要能方便接入，平臺要支持訓練和部署，商業化也要有全球分發渠道。

這正是Kimi和亞馬遜云科技合作的重點。

基礎設施層面，Kimi在亞馬遜云科技遍布全球的數據中心和網絡基礎設施上獲得算力支持，讓模型推理服務跑得更快、更穩。

平臺服務層面，Kimi與Amazon SageMaker集成，支持客戶在SageMaker上完成模型訓練和部署，降低開發者使用門檻。

模型服務層面，Kimi接下來也會接入Amazon Bedrock，成為亞馬遜云科技原生AI能力的一部分。

應用層面，Kimi已經在Marketplace上完成上架，全球客戶可以一鍵使用、按量付費。同時，Kimi也通過APN合作伙伴網絡拓展企業客戶，并與亞馬遜云科技聯合打造行業解決方案，未來覆蓋金融、醫療、制造等場景。

這條路徑非常典型。

模型公司負責把智能做強，云廠商負責把算力、平臺、分發、生態、合規和全球交付能力補齊。兩者疊加，模型才有機會從一個API，變成企業能放心采購和使用的一項生產力。

獵豹、影石、貝恩：Agent開始進業務現場了

除了小鵬和Kimi，現場還有幾類客戶的站臺，把Agent落地場景拉得更寬。

比如獵豹移動。

傅盛在現場分享了獵豹移動的AI native轉型。一個很直觀的例子，是金山毒霸的變化。

過去，用戶要一個按鈕一個按鈕點。現在用戶可以直接說“我的打印機有問題”“顯卡驅動能不能再快一點”“內存能不能優化一下”，系統就像電腦專家一樣，以Agent方式幫用戶解決問題。

獵豹移動還把內部AI實踐做成了產品能力。

其EasyClaw出海企業版運行在Amazon Bedrock AgentCore之上，并依托Amazon Bedrock豐富的模型選擇，按照任務復雜度靈活調度模型：簡單任務用輕量模型，復雜任務用高性能模型，在效果和成本之間做平衡。

更重要的是，借助Bedrock AgentCore的無服務器模式，獵豹移動可以按使用量付費，沒有客戶訪問時無需持續為閑置資源買單。現場信息顯示，Agent上線時間從一個月縮短到兩周，運營成本降低25%，部署和運維也得到簡化。

這類能力最終落到出海營銷場景里。

EasyClaw出海企業版面向跨境電商行業，從廣告素材生產、投放優化到數據復盤，形成全鏈路AI賦能。

再比如影石Insta360。

影石基于自研AI能力和十年影像技術積累，依托亞馬遜云科技Agentic AI五層架構，推出了基于云的一站式智能成片能力——時刻Pro。

用戶無需人工編輯，不到一分鐘，就能從拍攝素材直接生成高質量成片。

這和小鵬、獵豹的場景完全不同，但底層邏輯是相通的：

Agent不再只是坐在聊天框里回答問題，而是進入一個具體業務流程，把原本需要多人、多系統、多步驟完成的事情，壓縮成一個自動化閉環。

貝恩公司大中華區CEO丁杰的觀點，則更像是給這些案例做了一個管理學注腳。

他認為，真正值得CEO關注的，不是技術本身，而是利用技術改變企業創造價值的方式，重塑企業競爭力。企業要圍繞人機協同重新設計業務，讓人負責判斷、創意與責任，讓數字員工負責速度、規模與執行，最終交付業務結果。

這句話放在今天的Agent熱潮里，可以說是比較關鍵的。

因為過去一年，很多企業已經試過各種大模型、各種Agent demo。但從demo到生產，中間隔著一個巨大的工程鴻溝。

小鵬、Kimi、獵豹、影石這些案例的共同點，是它們都沒有把Agent當成孤立工具，而是把Agent嵌進了研發、模型服務、出海營銷、影像創作這些真實業務流里。

這也是亞馬遜云科技想用客戶案例帶出的產品戰略。

亞馬遜云科技真正想講的，是一整套Agent技術棧

把這些案例拆開看，每家公司用到的產品并不一樣。

• 小鵬用Kiro、Amazon Bedrock、Amazon EKS搭內部AI編程和Agentic工作平臺；
• 月之暗面用亞馬遜云科技全球基礎設施、Amazon SageMaker、Marketplace、APN，并計劃接入Amazon Bedrock；
• 獵豹移動用Amazon Bedrock AgentCore和Amazon Bedrock跑生產級Agent；
• 影石Insta360基于亞馬遜云科技Agentic AI五層架構，把云端AI能力做成智能成片服務。

但這些產品拼起來，其實對應的是儲瑞松在峰會上提出的企業Agentic業務轉型五層技術棧。

第一層，是AI基礎設施。

包括GPU實例、自研Trainium AI加速芯片，以及配套網絡、存儲、彈性計算等底層能力。企業自己買芯片、建數據中心、做全球部署，成本和復雜度都很高。云廠商在這一層的價值，就是把算力、性能、穩定性和成本做到可用、可管、可擴展。

第二層，是模型層。

Amazon Bedrock提供統一入口，讓企業按需調用多種領先大模型。對企業來說，模型選擇不能鎖死在一家廠商上。不同任務對智力水平、速度、上下文、成本的要求不同，模型也在快速迭代。Bedrock的價值，是把多模型選擇變成一套統一API和治理能力。

第三層，是數據和知識層。

Agent能不能干活，很多時候不只取決于模型有多聰明，還取決于它有沒有拿到企業自己的數據和上下文。亞馬遜云科技在這一層提供Zero-ETL、Amazon S3 Vectors、專用向量數據庫、Amazon Bedrock Knowledge Bases，以及Amazon Context等面向AI的數據服務，目的就是讓企業過去靜態存儲的數據，變成AI可以理解、檢索、調用的知識資產。

第四層，是Agentic平臺層。

這是Amazon Bedrock AgentCore所在的位置。

企業早期只有幾個Agent試點時，平臺感不強；一旦Agent數量來到幾十個、上百個，就會出現一堆現實問題：

例如誰給Agent身份？誰管理權限？它能調用哪些工具？過程能不能審計？成本怎么核算？等等……

Bedrock AgentCore要解決的，就是Agent從開發、運行到迭代的全生命周期管理。它支持企業統一管理Agent運行時、記憶、工具接入、身份、治理、可觀測性、評估等能力。

第五層，是Agent應用層。

這層最接近業務結果，包括Kiro、Amazon Quick、Amazon Connect等產品。

Kiro面向軟件開發，用Spec驅動開發，把需求、設計、任務和測試先結構化，再讓AI寫代碼；Amazon Quick面向知識工作者，可以做研究、數據分析、工作流創建、自動化和知識中心；Amazon Connect則面向客戶服務場景。

此外，亞馬遜云科技還在安全方向推出Amazon Continuum等能力。它面向Agent時代的軟件安全風險，覆蓋發現、優先級排序、驗證和修復，目標是在企業定義的護欄內，以機器速度處理安全問題。

這套產品全貌放在一起看，亞馬遜云科技講的并不是“我也有一個Agent產品”。

它講的是從底層算力、模型選擇、企業數據、Agent平臺，到最終應用和安全治理，給企業補齊Agent進入生產環境所需要的一整套工程能力。

企業用Agent，難點從來不只是模型。

為什么很多企業用Agent，最后沒起到理想效果？

因為很多企業一開始問的是：選哪個模型？用什么框架？要不要接一個聊天助手？

但真正跑進業務里，問題很快變成另一組：

數據散在多少系統里？權限邊界怎么設？哪些環節必須有人審核？一個任務到底花了多少錢？多個Agent之間怎么協作？舊系統、舊代碼、舊流程要不要重構？……問題真的不要太多……

而這也是小鵬案例值得看的地方。

它并沒有停留在讓某個開發者用AI寫代碼更快。恰恰相反，小鵬一開始也遇到了單點效率提升、整體效能沒變的問題。直到Kiro、Bedrock、EKS、內部規范、Skills、數據知識層和SRE Agent被串成一條鏈路，AI才真正進入生產流程。

月之暗面也是類似邏輯。

模型做強之后，要服務全球企業，還需要全球基礎設施、推理加速、訓練部署平臺、Marketplace分發和合作伙伴網絡。

獵豹移動的故事則說明，企業要把Agent做成產品，還要解決成本、彈性、安全、部署、運維這些問題。尤其是無服務器模式和多模型調度，最終都是為了讓Agent商業化時的單位經濟模型更可控。

這也解釋了為什么儲瑞松在峰會上反復強調，AgenticAI不只是技術創新，更指向業務變革。

企業真正要做的，是從選擇什么技術和工具，轉向定義要達成什么業務結果；數據也要從靜態資產，變成持續驅動Agent創造價值的戰略資產；當成百上千個Agent開始和人類員工協同時，企業還必須有統一平臺、清晰授權、可追溯決策和自動化審計能力。

正如亞馬遜云科技全球數據庫服務副總裁Ganapathy “G2” Krishnamoorthy與量子位交流過程中所說的：

技術已經非常有能力，也在快速演進；真正需要發生的，是領導力推動下的工作方式變化。這既是組織轉型，也是技術進步。全球企業普遍會先通過PoC驗證價值，再進入規模化使用階段。

這句話其實戳到了Agent落地的關鍵。

Agentic AI不是IT部門多接入一個工具，也不是研發團隊多用一個編程助手。它會改變企業分工：人類員工更偏判斷、創意、責任，數字員工承擔速度、規模和執行；管理者要編排人與Agent之間的協作，一線員工也要學會管理多個Agent。

這也是亞馬遜云科技的獨特位置。

在大模型最熱鬧的那一層，競爭者很多，模型能力也在快速追趕。但企業真正把Agent用起來，往往更需要模型之外的工程底座：

算力、數據、權限、治理、可觀測性、安全、全球基礎設施、生態分發，以及從PoC到生產的全生命周期管理。

這些能力，恰好是云計算公司過去二十年一直在做的事。

所以，“云計算一哥”這個說法聽起來有點網感，但放到這場峰會上并不突兀。

亞馬遜云科技并沒有把自己包裝成又一個模型玩家，而是繼續站在構建者底座的位置上：企業想用誰的模型、想接什么數據、想跑什么Agent、想把應用部署到哪里，它都試圖提供一條可落地、可治理、可擴展的路徑。

從小鵬的靈犀，到Kimi的全球模型服務，再到獵豹移動的出海Agent和影石Insta360的智能成片，峰會上這些客戶案例共同說明了一件事：

Agentic AI的拐點，已經不只發生在模型參數和榜單上。

它更具體地發生在企業內部的研發流、營銷流、服務流、內容生產流里。

當Agent開始真正交付業務結果，云計算的價值也從提供資源，變成承載數字員工。

這大概就是小鵬用完之后，有點爽在身上的原因。