AI Agent从工具到数字劳动力：亚马逊云科技赋能企业业务闭环

一组亮眼的数字化研发数据正揭示Agent落地的真实价值：企业AI代码覆盖率超70%，内部搭建700余个跨部门通用技能模块，对接400余个API端点，日均生成超百个AI协同代码提交，累计运行14万余个工作流，六大核心环节成功率均超99.7%，交付代码无P0、P1级缺陷，缺陷自动修复周期从两天压缩至10分钟。

率先拿到这份落地成果的企业是小鹏汽车，而支撑其Agent规模化落地的核心支撑，来自亚马逊云科技的技术服务。

小鹏基于Kiro、Amazon Bedrock、Amazon EKS等服务，搭建了企业内部AI编程与Agentic工作平台“灵犀”。小鹏集团AI/Data Platform负责人何瑞邦在行业技术峰会上分享了一个典型困境：2024年小鹏内部虽已普遍使用AI开发工具，员工个人效率有所提升，但部门整体效能并未出现明显改善。

究其原因，复杂项目中单个AI工具只能完成单环节代码编写，后续的代码集成、联调测试、CI/CD推送仍需人工介入，本质上只是实现了单点提速，并未真正打通全链路。正如亚马逊全球副总裁、亚马逊云科技亚太区联席总裁储瑞松所言：“Agentic AI爆发的拐点已然来临。AI Agent正在从一个辅助性工具，变成真正参与生产和价值创造的数字劳动力。” 小鹏也由此意识到：效率不等于效能。

这一困境并非小鹏独有，而是众多企业使用AI Coding、Agent工具的普遍问题：单点提效明显，但整体系统运转缓慢；个体使用体验顺畅，但组织层面收益有限。而小鹏的特殊性在于，其业务场景并非普通软件工程，而是更复杂的物理AI——从智能汽车、Robotaxi到人形机器人、飞行汽车，软件与硬件绑定紧密，代码编写完成后还需经过编译、台架验证、回归测试、上线等多个环节，链路更长且容错率更低。同时，AI生成代码的速度不断提升，人类评审与治理的节奏却难以跟上。

基于此，小鹏选择将AI Coding从单一代码编写工具升级，让Agent成为一支协同作战的研发军团。灵犀平台的架构共分为五层：最上层是开发者入口，涵盖网页端、IDE插件与硬件开发插件，支持开发者提出需求、管理任务、查看结果；第二层为Agent协作层，以Kiro为内核，将汽车行业开发规范沉淀为通用Skills，让多个Agent按照标准化流程协同工作；第三层是数据与知识层，用于存储研发数据、项目上下文以及Agent执行过程中积累的知识；第四层为模型层，由Amazon Bedrock提供大模型能力支持；最底层则是基础设施层，通过Amazon EKS承载Agent运行，实现算力的弹性供给。

这套架构落地后，不仅实现了开篇提到的亮眼数据，其中最具代表性的变化出现在SRE环节：过去缺陷自动修复需要两天时间，如今小鹏基于Amazon Bedrock搭建了四大SRE Agent与五维归因系统，缺陷自动修复周期被压缩至10分钟，同类型bug甚至可以实现秒级命中，整个过程无需人工介入。

这也正是Agent进入企业生产环境的典型价值：它不再只是提升单个环节的速度，而是将需求、设计、编码、测试、部署、运维、治理等全流程串联成闭环。而Kiro的核心定位是Spec驱动开发，即在代码生成前先将需求、设计、任务、测试等环节结构化，让Agent基于经过验证的规范编写代码，从源头提升代码正确性，避免AI生成大量代码后留下技术债。小鹏案例的核心价值，正在于将企业研发体系中的上下文、规范、工具、模型、算力、治理等要素全部串联起来，这才是Agent真正发挥作用的正确路径。

除小鹏外，峰会上还有多家企业分享了Agent落地的不同场景。比如月之暗面Kimi，其B端业务负责人黄振新提到，Kimi的长期目标是寻求将能源转化为智能的最优解，具体落地方向聚焦三个维度：模型需在有限数据与算力下学习更多知识，具备更长上下文以完成复杂长周期任务，以及支持多Agent协作以处理更复杂的业务场景。

围绕这些方向，Kimi在Token效率、长上下文、注意力残差与推理优化上持续投入：通过架构与训练方法优化Token效率，让10T数据发挥出20T数据的效果；推进长上下文方向的线性注意力架构；通过注意力残差提升运行效率；通过工程优化提高Cache命中率，降低API使用成本。近期Kimi还发布了K2.7 Code版本，并推出High Speed版本，代码输出速度达到180 Token/s。

对于模型公司而言，仅做强模型能力还不够，要服务全球企业客户，还需要解决推理稳定性、快速部署、便捷接入、训练部署平台、全球商业化分发等一系列工程化问题。这正是Kimi与亚马逊云科技合作的核心重点：在基础设施层面，依托亚马逊云科技的全球数据中心与网络，获得稳定高效的算力支持；在平台服务层面，与Amazon SageMaker集成，降低客户的模型训练与部署门槛；在模型服务层面，Kimi未来将接入Amazon Bedrock，成为亚马逊云科技原生AI能力的一部分；在应用层面，Kimi已在Marketplace上架，全球客户可一键使用、按量付费，同时通过APN合作伙伴网络拓展企业客户，并与亚马逊云科技联合打造金融、医疗、制造等行业的解决方案。这种模式的核心是模型公司专注打磨智能能力，云厂商补齐算力、平台、分发、合规与全球交付能力，让模型从单一API转变为企业可放心使用的生产力工具。

猎豹移动的傅盛则分享了企业的AI原生转型实践，其中最直观的案例是金山毒霸的变化：过去用户需要手动点击多个按钮完成操作，如今用户可以直接通过自然语言描述问题，比如“我的打印机有问题”“显卡驱动能不能再快一点”，系统就会以Agent的方式自动解决问题。

猎豹移动还将内部AI实践转化为产品能力，其EasyClaw出海企业版运行在Amazon Bedrock AgentCore之上，依托Bedrock丰富的模型选择，按照任务复杂度灵活调度模型：简单任务使用轻量模型，复杂任务调用高性能模型，在效果与成本之间实现平衡。借助Bedrock AgentCore的无服务器模式，猎豹移动可以按使用量付费，无需为闲置资源持续投入，Agent上线时间从一个月缩短至两周，运营成本降低25%，同时简化了部署与运维流程。这款产品面向跨境电商行业，从广告素材生产、投放优化到数据复盘，实现了全链路的AI赋能。

影石Insta360则基于自研AI能力与十年影像技术积累，依托亚马逊云科技的Agentic AI五层架构，推出了云端一站式智能成片服务“时刻Pro”。用户无需手动编辑，仅需不到一分钟即可从拍摄素材直接生成高质量成片。尽管场景与小鹏、猎豹移动截然不同，但底层逻辑一致：Agent不再局限于聊天框中的辅助问答，而是嵌入具体业务流程，将原本需要多人、多系统、多步骤完成的工作压缩为自动化闭环。

贝恩公司大中华区CEO丁杰的观点则为这些案例提供了管理学层面的注脚：真正值得CEO关注的并非技术本身，而是利用技术改变企业创造价值的方式，重塑企业竞争力。企业需要围绕人机协同重新设计业务流程，让人类负责判断、创意与责任，让数字员工承担速度、规模与执行工作，最终交付业务结果。

过去一年，众多企业已经尝试过各类大模型与Agent demo，但从demo到规模化生产，中间隔着巨大的工程鸿沟。小鹏、Kimi、猎豹移动、影石Insta360的共同之处在于，都没有将Agent视为孤立工具，而是将其嵌入研发、模型服务、出海营销、影像创作等真实业务流程中。这也正是亚马逊云科技通过客户案例传递的产品战略核心。

拆解这些案例可以发现，每家企业使用的亚马逊云科技产品各有不同：小鹏用Kiro、Amazon Bedrock、Amazon EKS搭建内部AI编程与Agentic工作平台；月之暗面依托全球基础设施、Amazon SageMaker、Marketplace与APN网络，并计划接入Amazon Bedrock；猎豹移动使用Amazon Bedrock AgentCore与Amazon Bedrock运行生产级Agent；影石Insta360则基于亚马逊云科技的Agentic AI五层架构打造智能成片服务。但这些产品组合，恰好对应了储瑞松在峰会上提出的企业Agentic业务转型五层技术栈。

第一层为AI基础设施层：涵盖GPU实例、自研Trainium AI加速芯片以及配套的网络、存储、弹性计算等底层能力。企业自行采购芯片、建设数据中心并完成全球部署，不仅成本高昂且复杂度极高，云厂商的价值在于将算力、性能、稳定性与成本优化为可使用、可管理、可扩展的服务。

第二层为模型层：Amazon Bedrock提供统一的模型调用入口，让企业可以按需选择多种领先大模型。对于企业而言，模型选择不能被单一厂商锁定，不同任务对模型的智力水平、响应速度、上下文支持、成本控制有不同要求，且模型仍在快速迭代。Bedrock的价值在于将多模型选择整合为统一的API与治理能力。

第三层为数据与知识层：Agent能否高效完成任务，不仅取决于模型能力，还取决于是否能获取企业自有数据与业务上下文。亚马逊云科技在这一层提供Zero-ETL、Amazon S3 Vectors、专用向量数据库、Amazon Bedrock Knowledge Bases以及Amazon Context等面向AI的数据服务，将企业原本静态存储的数据转化为AI可理解、检索、调用的知识资产。

第四层为Agentic平台层：这一层由Amazon Bedrock AgentCore承载。当企业的Agent试点从几个扩展到数十、上百个时，会出现一系列现实问题：如何为Agent分配身份、管理权限、调用工具、审计过程、核算成本等。Bedrock AgentCore的核心作用是管理Agent从开发、运行到迭代的全生命周期，支持企业统一管理Agent的运行时、记忆、工具接入、身份认证、治理、可观测性与评估能力。

第五层为Agent应用层：这一层最贴近业务结果，涵盖Kiro、Amazon Quick、Amazon Connect等产品。其中Kiro面向软件开发领域，采用Spec驱动开发模式，先结构化需求、设计、任务与测试，再让AI编写代码；Amazon Quick面向知识工作者，支持研究、数据分析、工作流创建、自动化与知识中心建设；Amazon Connect则面向客户服务场景。

此外，亚马逊云科技还推出了Amazon Continuum等安全能力，面向Agent时代的软件安全风险，覆盖发现、优先级排序、验证与修复全流程，目标是在企业定义的安全护栏内，以机器速度处理安全问题。

从这套完整的产品体系来看，亚马逊云科技并未将自己定位为又一个模型玩家，而是致力于为企业补齐Agent进入生产环境所需的全套工程能力。企业使用Agent的难点从来不止于模型本身，很多企业最初关注的是“选哪个模型”“用什么框架”“要不要接入聊天助手”，但真正落地后，会发现更多现实问题：数据分散在多少系统中、权限边界如何设置、哪些环节需要人工审核、单个任务的成本如何核算、多个Agent之间如何协作、旧系统与旧代码是否需要重构等。

小鹏的案例正是如此：它并未止步于让单个开发者用AI更快地写代码，而是在最初遇到单点提效但整体效能未提升的问题后，将Kiro、Bedrock、EKS、内部规范、Skills、数据知识层与SRE Agent全部串联成完整链路，才让AI真正进入生产流程。月之暗面的逻辑也类似，在做强模型能力后，需要补齐全球基础设施、推理加速、训练部署平台、Marketplace分发与合作伙伴网络等工程能力。猎豹移动的实践则说明，企业将Agent转化为产品时，还需要解决成本、弹性、安全、部署与运维等问题，尤其是无服务器模式与多模型调度，能够让Agent商业化的单位经济模型更可控。

这也解释了储瑞松在峰会上反复强调的观点：Agentic AI不仅是技术创新，更指向业务变革。企业需要从“选择技术与工具”转向“定义业务目标”，将数据从静态资产转化为持续驱动Agent创造价值的战略资产，当数百上千个Agent与人类员工协同工作时，企业还需要具备统一平台、清晰授权、可追溯决策与自动化审计的能力。

正如亚马逊云科技全球数据库服务副总裁Ganapathy “G2” Krishnamoorthy所言：“技术已经非常有能力，也在快速演进；真正需要发生的，是领导力推动下的工作方式变化。这既是组织转型，也是技术进步。全球企业普遍会先通过PoC验证价值，再进入规模化使用阶段。” 这句话戳中了Agent落地的关键：Agentic AI并非只是IT部门多接入一个工具，或是研发团队多使用一个编程助手，它将彻底改变企业的分工模式——人类员工专注于判断、创意与责任，数字员工承担速度、规模与执行工作；管理者需要编排人与Agent的协作流程，一线员工也需要学会管理多个Agent。

这也正是亚马逊云科技的独特优势所在：在大模型竞争激烈的赛道中，企业真正将Agent落地，往往更需要模型之外的工程底座，包括算力、数据、权限、治理、可观测性、安全、全球基础设施、生态分发以及从PoC到生产的全生命周期管理。这些能力正是云计算厂商过去二十年积累的核心优势。因此，“云计算一哥”的说法虽带网感，但放在这场峰会上却恰如其分——亚马逊云科技并未包装自己为模型玩家，而是始终站在构建者的底座位置，为企业提供灵活的选择：无论企业想用哪家的模型、接入何种数据、运行何种Agent、部署到何处，都能获得一条可落地、可治理、可扩展的路径。

从小鹏的灵犀平台，到Kimi的全球模型服务，再到猎豹移动的出海Agent与影石Insta360的智能成片服务，峰会上的这些客户案例共同证明：Agentic AI的拐点，早已不只是发生在模型参数与技术榜单上，而是具体落地在企业的研发流、营销流、服务流与内容生产流中。当Agent开始真正交付业务结果时，云计算的价值也从单纯提供资源，升级为承载数字员工的运行与协作。这或许正是小鹏在落地Agent后，能感受到真实价值的核心原因。

塔猴是一个专注于为用户提供系统学习、内容创作与商业连接的AIGC综合服务平台，致力于为每一位AI探索者打造理想的创作、成长家园。在塔猴，你不仅可以学习众多AIGC类实战课程，获得与时俱进的AIGC技能和视野，还有机会获得长期商业合作和接单机会！点击进入：https://www.tahou.com/

AI生成内容提示：本文由人工智能辅助创作，内容仅供参考，不代表平台观点。请注意核实信息的准确性，并理性判断。