救命！93%企业Agent项目都栽在最后一公里？亚马逊云科技揭秘开发到生产全路径，十几行代码干掉数千行！

Agent的真正价值不在于演示效果多惊艳，而在于能否真正跑在生产环境里。 数据显示，超过93%的企业Agent项目卡在了从POC（概念验证）到生产的最后一公里。

在量子位MEET2026智能未来大会上，亚马逊云科技大中华区产品部总经理陈晓建系统阐述了企业级Agent从开发到生产的完整路径。

这个数字背后，是无数企业在Agent落地过程中踩过的坑：开发门槛高、工程化能力缺失、模型定制困难、安全边界模糊。

在刚刚结束的AWS re:Invent 2025大会上，亚马逊云科技将聚光灯对准了Agent。不是因为其他技术不重要，而是整个行业都意识到：Agent正在成为AI生产力释放的关键枢纽。

陈晓建的分享，正是围绕“如何让Agent真正跑起来”这一核心命题展开。

MEET2026智能未来大会是由量子位主办的行业峰会，近30位产业代表与会讨论。线下参会观众近1500人，线上直播观众350万+，获得了主流媒体的广泛关注与报道。

一、核心观点梳理

• 一个成功的Agent需要三个模块：模型（大脑）、代码（逻辑）、工具（连接物理世界的手脚）。三者的有效连接是最大的工程挑战。
• 十几行代码实现过去数千行才能完成的功能，这就是模型驱动开发带来的效率跃迁。
• 93%的Agent项目卡在POC到生产的跨越上，核心原因是数据质量落差和工程化能力缺失。
• 模型定制的最佳时机是在基础模型训练阶段，就像人类学习语言，年幼时效果远好于成年后。
• 对Agent既不能严防死守，也不能过度放任，正确做法是通过策略框架划定行为边界。
  ……

以下为陈晓建演讲全文：

二、Agent成功的三要素：模型、代码与工具

Agent正在从各个维度释放AI的生产力潜能，它可以替代许多人类以往的工作，甚至能够完成人类此前无法企及的任务。然而从创意到落地，中间需要跨越的鸿沟远比想象中更宽。

我们认为，一个成功的Agent需要三个至关重要的模块。

第一是底层模型。

模型是Agent的大脑，负责产生智慧、提供决策，承担推理、规划与执行的核心职能。

第二是代码。

任何Agent都需要服务于特定场景，提供该场景所需的功能逻辑。这些逻辑需要像构建传统软件一样，通过代码来实现。这一点与大多数已有软件并无本质区别。

第三是工具。

如果把模型比作大脑，那么工具就是连接大脑与物理世界的手和脚。在整个架构中，工具层包括连接不同信息源的各类协议，以及执行各种行为的代码——比如知识库、数据库、代码库，或者浏览器等外部能力。

当然，我们看到很多客户在尝试用自己的方式构建Agent。但如何有效连接这三个模块，带来了巨大的复杂性与挑战。如何高效调用模型能力？如何组织代码逻辑？如何打通与物理世界的连接？不同工具之间的编排，更是给开发者带来了前所未有的新课题。

三、十几行代码完成过去数千行的工作

基于这些挑战，我们从2024年开始规划：如何构建一套工具，降低开发者构建Agent的门槛？如何让工具编排更加自动化？如何让大模型调用更加便捷？

今年，我们正式推出了Strands Agents。

Strands Agents采用模型驱动的方法论，让大语言模型能够自主处理各种场景，从而大幅简化开发Agent所需的代码量。我们经常收到客户反馈：过去需要数千行代码才能开发的场景，现在只需要短短十几行就能实现。

在推出Strands Agents时，我们就将其定位为一个开源项目。用户不仅可以直接使用，还可以获取完整源码。更重要的是，Strands Agents采用开放架构，不仅适配亚马逊云科技自身的产品，也兼容业界各种流行的开源或商用框架。

在上周的re:Invent大会上，我们同步发布了两项重要更新。

一是支持TypeScript语言。TypeScript是业界广泛使用的编程语言，通过支持这一语言，可以帮助更多开发者构建更适用的Agent方案。

二是支持边缘设备部署。边缘设备正日益成为人类生活与工作不可分割的一部分，Strands Agents可以为汽车、游戏、机器人等各类终端提供Agent能力，让Agent不仅能在云端运行，也能在前端智能设备上运行。

四、93%的项目卡在POC到生产的跨越上

除了开发工具，我们还看到大量客户在Agent的部署与上线阶段遭遇困难。

有一组来自第三方调研的数据值得关注：93%的客户在从POC阶段迈向生产阶段时遇到了重大障碍。换言之，可能只有不到10%的客户能够真正将Agent从POC推进到最终生产环境。

原因是什么？

POC与生产环境之间存在本质差异。在POC阶段，我们可能只需要关注代码效果如何。但到了生产阶段，很多客户发现，原先在POC阶段表现优异的效果突然变得不尽如人意。

**一个重要原因是数据。**在POC阶段，数据可以经过精心挑选，保证高质量。但在真实生产环境中，数据是无法被人为筛选和优化的。数据质量的落差，往往是POC与生产效果差异的核心原因。

另一个主要原因是工程化挑战。 一旦业务从POC走向生产，就必须直面一系列生产环境特有的问题：安全、扩容、成本、高可用……这些问题在POC阶段完全不需要考虑，但上了生产就必须正视。

正是基于这些考量，我们意识到：不仅要提供降低编程门槛的开发工具，还需要提供工程化能力，帮助客户跨越从POC到生产的鸿沟。

这就是我们在2025年7月推出Amazon Bedrock AgentCore的原因。

AgentCore是一个完整的工具箱，提供多种能力帮助客户实现底层基础架构的编排。当您的Agent部署上云时，无需关心底层的计算资源、网络资源、安全配置、可观测性如何实现——AgentCore会帮您完成这些底层资源的动态管理。这将极大地帮助客户解决从POC到生产过程中遇到的工程化难题。

五、模型定制：在“年幼时”学习效果最好

当Agent进入生产环境后，还会面临一系列效率问题：延迟、可扩展性、敏捷性……这些都是实际生产中必须关注的特性。如果延迟从几百毫秒飙升到秒级以上，用户体验会受到极大影响；如果可扩展性不足，业务高峰期同样会出现瓶颈。

这里要谈谈模型定制的挑战。

在很多场景下，通用大模型在标准场合表现出色，但在特定垂直场景中可能无法满足需求。因此，许多客户尝试基于自有数据对开源模型进行定制。但模型定制本身也面临诸多挑战——需要专业技能，需要高质量数据，才能获得理想效果。

在这方面，我们的Amazon SageMaker AI产品提供了丰富的模型定制支持。在本次re:Invent大会上，我们发布了四种不同的模型定制能力，包括强化微调、模型定制化训练、无检查点训练，以及Amazon Nova Forge。

这里特别想介绍Nova Forge。Nova Forge允许用户在基础模型训练阶段就注入自己的数据。

打个比方：一个人学习语言，什么时候效果最好？在年幼时期，大脑还在发育阶段，学习能力最强，几乎不知不觉就能掌握一门语言。但如果到了大学阶段再去学一门新语言，可能需要付出极大努力，效果却不如幼年时期。

大语言模型的定制逻辑与此类似。如果能在模型开发阶段就进行定制，效果远优于模型完成后再做调整。

六、划定边界：让Agent既自主又可控

当我们把Agent交付给用户使用时，如果缺乏适当的约束，可能会产生意想不到的后果。这是我们必须规避的风险。

目前业界常见两种极端做法：一种是对Agent严防死守，另一种是过度依赖人工干预。显然，这两种方式都不是理想选择。

针对这一问题，我们在本次re:Invent大会上为AgentCore发布了一项新特性——Policy（策略）。

通过Policy，可以为Agent定义一个行为框架。在这个框架内，Agent可以自主完成任务；但Policy能够明确界定Agent不可逾越的边界。比如，合规性限制、安全红线等都可以通过Policy来配置。我们已经有客户在实际使用这一工具，通过Policy实现安全可靠的Agent运行。

再谈谈自动化。

过去，人类实现工作流自动化主要依赖RPA*（机器人流程自动化，Robotic Process Automation）*技术。但大模型的出现带来了新的可能性：大模型能够处理更复杂、更灵活的任务，但如何让它与现有工作流深度结合？

为此，我们开发了Amazon Nova Act。

Nova Act深度集成了大模型能力与AgentCore的工程化能力，打造了全新的工作流自动化方案。与传统RPA工具不同，Nova Act因为融合了大模型的智能，整体成功率可以达到80%以上。通过Nova Act，大模型可以直接与执行器、浏览器进行交互，实现端到端的工作流自动化。

最后介绍两个案例。

**Blue Origin（蓝色起源）**是美国一家商业航天公司，专注于火箭与太空探索。他们已经通过Bedrock和Strands Agents等服务构建了超过2700个内部Agent，实现了75%的交付效率提升，设计质量相比原始方案提高了40%。

**Sony（索尼）**是全球领先的电子与娱乐公司。Sony通过构建Agent能力打造了内部的“Data Ocean”数据平台。他们基于Bedrock构建企业级大模型，每天服务超过57000名内部用户，处理多达15万次推理请求。同时，Sony还使用微调能力对Amazon Nova 2.0 Lite进行了定制，将合规审核效率提升了整整100倍。

re:Invent 2025发布了大量新产品，由于时间有限，今天只能介绍其中一部分。通过这些产品，我们希望能够帮助更多企业获得更强的工程化能力，在Agent应用中取得更高的效率。

也希望大家在构建和应用Agent时，可以尝试今天提到的这些能力。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】