布局Agentic AI,亚马逊云科技组合拳再升级

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品) 阅读详情

2026年被视为智能体爆发的元年,OpenClaw、Hermes等智能体的火爆,折射出产业界最为清晰的趋势:即人们不再满足于让AI写一首诗、画一张图,或者像个聪明的实习生一样回答问题,而是希望AI能够在真实业务场景的复杂工作流中自主推理、规划和执行。

这正是“Agentic AI”所追求的目标。

近日,在亚马逊云科技“What’s Next|Agentic AI下一站”的沟通会上,亚马逊云科技再次发布了一系列产品和战略布局:从面向普通办公族的Amazon Quick桌面版,到深入供应链、招聘、医疗等垂直领域的Amazon Connect系列解决方案,再到与OpenAI的深度合作。

无疑,亚马逊云科技此次一系列的重磅发布,有望真正推动Agentic AI从概念走向规模化落地。

Amazon Quick:企业级AI助手的逻辑变了

过去,企业应用AI的思路更多的是加法逻辑。例如,在OA或者客服系统重增加聊天机器人,这种做加法的方式属于小修小补,并未真正带来颠覆性变革。现在,Agentic AI则是重构逻辑,对整个企业的流程、组织和决策方式有着变革性影响。

文章配图-1

以亚马逊云科技推出的Amazon Quick 全新桌面版应用为例,其产品展现出质的飞跃。在演示环节,亚马讯科技展示人员展示了Amazon Quick自动调用了高德地图、小红书、大众点评等多个工具,完成了信息检索、场地比对、交通规划,最终生成了一份图文并茂的HTML方案,甚至自动整理成PPT发送给相关人员。

整个过程,跨越多個应用,没有写一行代码,也无需用户手动切换任何窗口。

亚马逊云科技解决方案架构总经理陈晓建认为,Agentic AI正在以“前所未有的速度”重塑企业的骨骼与肌肉,而目前市面上大多数AI助手无法真正接入企业内部系统,更无法满足企业对安全、合规和治理的要求。而Amazon Quick从设计之初就是按企业级标准打造的——它支持SSO单点登录、RBAC角色权限控制、审计日志,并符合ISO27001、HIPAA等严苛的合规要求。

据悉,Amazon Quick不仅“聪明”,而且懂“规矩”,内置了50多种常见企业应用的连接器,包括Outlook、Salesforce、Jira等。这意味着它不是像普通个人助手那样,靠用户手动安装第三方插件来扩展能力,而是以官方、受控、可审计的方式,成为企业办公生态中的一个“合规入口”。

布局四大场景,Amazon Connect深耕运营智能

如果说Amazon Quick是面向“通用办公”的横向产品,那么Amazon Connect最新四款垂直方案,则是亚马逊云科技“从自身经验出发”产品哲学的完美体现。

据悉,Amazon Connect已经成为过去智能客服方案升级为覆盖供应链决策、人才招聘、客户体验和医疗健康的四款Agentic AI解决方案。

其中,Amazon Connect Decisions面向供应链场景。它由Onboarding Agent、Demand Planning Agent、Supply Planning Agent、Root Cause Agent等多个分工明确的Agent协同工作,形成一个从需求预测到供应规划,再到异常监控、根因分析和执行建议的闭环。

陈晓建直言,Amazon Connect Decisions依托了亚马逊自身30年供应链管理经验及超过25种专业工具,实现了从预测、告警到自动执行的闭环,“过去,供应链规划依赖大量人工分析,难以做到单品级的精准预测。如今,Amazon Connect Decisions基于自身三十年的运筹学经验与AI结合而打造,能够将数千条供应链告警精简为少数关键优先级,并附带清晰的决策推理过程,且具有可解释性。”

Amazon Connect Talent则聚焦智能招聘。亚马逊自身在全球拥有大量员工,在传统招聘流程中,费时费力,且只有较少比例的候选人能够进入到面试环节;通过Amazon Connect Talent能够7×24小时不间断运行,候选人可随时通过移动端完成标准化评估,AI依据岗位胜任力模型进行追问与评分,招聘官则看到的是一份匿名化的胜任力报告,姓名等身份信息被完全剥离,以确保评估的客观性。

与OpenAI合作:模型中立与开放生态

本次沟通会上,亚马逊云科技也进一步拆解了与OpenAI的深化合作。

事实上,今年2月,亚马逊云科技就宣布了向OpenAI投资500亿美元,拉开了双方深度合作的序幕。目前,双方第一阶段将带来三项服务:OpenAI前沿模型接入Amazon Bedrock、OpenAI编程Agent Codex,以及由OpenAI提供支持的Amazon Bedrock Managed Agent。

事实上,亚马逊云科技与OpenAI的深度合作,正在解开众多企业用户的心结。众所周知,企业在AI时代长期出于两难境地:既想要用最先进的模型,又担心安全与合规等挑战。而此次合作,则有效化解了企业们的担忧。据悉,企业可以在使用OpenAI模型的同时,继续沿用亚马逊云科技的企业级身份管理、安全链路、加密、审计等能力。

亚马逊云科技产品部AI产品总监夏展望直言:“通过Amazon Bedrock调用OpenAI模型,也无需额外配置基础设施,同样享有底层全方位的安全管控。”

此外,陈晓建再次强调了亚马逊云科技云中立的战略,坚持开放中立,不绑定单一模型厂商,“Amazon Bedrock的设计初衷就是一个模型商店,接入全球更多领先的模型。给予客户最领先的模型选择权,这是客户的选择。”

全栈AI能力,致胜Agentic AI时代

面向未来,随着智能体的大量涌现,以及不断在企业各种业务场景中的应用,一个Agentic AI时代的确是在向大家招手。对于企业而言,问题已不再是“要不要用Agentic AI”,而是“从哪里开始用、如何安全地用、如何用得有成效”。

在陈晓建看来,安全、治理与人机协同是Agentic AI大规模落地核心挑战。为此,亚马逊云科技希望通过AI全栈五层能力来帮助企业全面拥抱Agentic AI时代。

具体来看,亚马逊云科技AI全栈五层能力底层AI基础设施、模型层、数据和知识层、Agent开发平台层,以及面向垂直场景的开箱即用Agent,通过五层能力构成了一个从“算力”到“应用”的完整闭环。

“亚马逊云科技CEO Matt Garman预言,未来每家企业内部都会有数十亿个Agent在运营。亚马逊云科技的使命就是通过五层全栈能力,让企业在Agentic AI时代的创新触手可及。”陈晓建最后表示。

《AI实战嵌入式Agent +MCP+skill》课时2.5|定时器实战 本课讲解定时器时基单元原理,通过PSC、ARR、CNT三寄存器配合实现精确周期控制。以84MHz时钟为例,计算得PSC=8399、ARR=9999可实现1秒溢出周期。采用HAL_TIM_Base_Start_IT启动定时器更新中断,在HAL_TIM_PeriodElapsedCallback中处理周期任务,实现非阻塞、高精度的定时。相比HAL_Delay的阻塞式延时,定时器中断方案不占用主循环,支持并发操作,是嵌入式系统中实现周期任务的高效方式。 阅读详情

相关推荐

零基础玩转华为AP 4050DN-HD:FAT模式家庭无线网络配置实战

本文为零基础用户提供华为AP 4050DN-HD从FIT模式转换为FAT模式的完整实战教程。详细介绍了固件升级、模式转换以及配置家庭无线网络(包括路由、DHCP、Wi-Fi和NAT)的每一步操作,帮助用户将企业级瘦AP改造为高性能家庭胖AP,打造稳定可靠的家庭网络环境。

weixin_29196613的博客 630

6 款电商 AI 图片生成软件实测|国内 + 跨境卖家工具清单

电商 AI 作图工具已经从 "能不能用" 进入了 "好不好用" 的阶段。对于绝大多数卖家而言,现在的 AI 工具已经可以覆盖 60%-80% 的基础商品图需求,显著降低拍摄和设计成本。选择工具的核心逻辑不是 "哪款最强",而是 "哪款最适配你的品类、平台规模和团队能力"。垂直电商工具胜在工作流效率,通用生图工具强在创意上限,模板类工具赢在上手速度。建议根据自身业务阶段,搭配 1-2 款主力工具 + 1 款辅助工具,形成适合自己的视觉生产流程。

Mardi_Ladin的博客 355

了解随机振动疲劳分析中 Ansys nCode DesignLife 的平均应力校正

通过选择静态环境,我们可以将其结果视为疲劳计算的平均应力,如图 3 所示,因此从静态偏移载荷工况中提取的平均应力用于转移预测雨流计数中所有循环的平均值。您可以通过观看下面的教学视频获得宝贵的见解,该视频将指导您完成利用 Ansys nCode DesignLife 分析平均应力对随机振动载荷下结构的影响的过程。它基于 R 比率或平均应力水平。另一方面,平均应力校正可以帮助消除平均应力的负面影响,提高结果的保真度。Ansys nCode 提供先进的平均应力校正技术,使工程师能够考虑平均应力对疲劳寿命的影响。

jkh920184196的博客 1518

视频隐私脱敏工程化:CSRT/KCF追踪算法在本地推理中的实现与边界

在短视频内容合规审查中,动态遮挡(Dynamic Masking)是高频且高耗时的环节。传统手动关键帧打码不仅效率低下,且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度,解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。

Mysssone的博客 197

Ubuntu20.04 安装 MATLAB R2023b 常见问题及解决方案

本文提供了Ubuntu20.04系统上安装MATLAB R2023b的完整指南,包括系统要求检查、依赖项安装、详细安装步骤及常见问题解决方案。特别针对GTK模块加载失败、OpenGL图形加速问题和中文显示乱码等常见问题提供了有效解决方法,帮助用户顺利完成安装并优化使用体验。

weixin_42619061的博客 483

使用LoRa远程控制路灯(PWM调光以及LoRaWAN单播、组播、广播)

PWM调光 1、使用有pwm波输出的引脚,本例子使用timer0,PA0引脚; 2、由于timer时钟的原因,mcu不能进入休眠; 3、主控使用EFM32,代码实现如下: #define MAX_PULSE (CPU_FREQ/1000-1) #define UNIT_PULSE MAX_PULSE/100 //单位脉宽 void pwminit(void) { ...

freemote的博客 2944

我用 GPUWorks 在 M1 Pro 上搭了个发票识别原型

公司里经常要看电子发票。我想先做个小原型:把 PDF 发给一个自己部署的图文模型,让它提取发票类型、日期、交易双方和金额,再把结果交给同事核对。这个原型不用先接财务系统,先看看从部署到调用要走多少步,模型返回的内容能不能帮上忙。

鸽芷咕的博客 2万+

RK3588+TRL8367s 四网口千兆交换机配置与优化实战

本文详细介绍了基于RK3588高性能SoC与TRL8367s千兆交换芯片构建四网口交换机的完整实战流程。内容涵盖硬件连接、设备树配置、内核驱动加载、性能优化及常见问题排查,重点解析了RGMII时序调试、DSA架构配置等关键步骤,为嵌入式网络设备开发提供实用指南。

weixin_29266647的博客 672

您您这可以把问小白的多个会话比如说。左侧的多个会话一次性导出吗?不是单条会话里面的多次会对话。AI导出鸭

第三层是格式编译层。这个决策背后的判断很清晰:一个批量导出工具的价值,不在于“试三次”,而在于你真正用它处理了几十份技术文档、访谈记录或课程讲义之后,它是否值得留在你的工作流里。问小白的会话列表通过分页接口加载,AI导出鸭 在页面运行时建立旁路监听,捕获每一次分页请求返回的完整对话清单,包括会话 ID、标题、时间戳和隐藏的元数据字段。让AI导出回归优雅——这句话说的是:导出不该是体力活,而应该是一次完整的、可预期的文件交付。注意:这里的“批量”指的是左侧列表里的多个独立会话,不是一条会话内的多轮对话。

laoyunsi的博客 235

Gemini 3.1 Flash本地部署实操:Ollama+Open WebUI零门槛运行指南

大型语言模型(LLM)本地运行是指将模型权重下载至本地设备,通过推理引擎完成离线推理的过程;其核心原理依赖量化压缩(如GGUF格式)与轻量级运行时(如Ollama)实现CPU/GPU高效加载;技术价值在于低延迟响应、数据隐私可控及免网络依赖;典型应用场景包括办公提效(邮件/周报生成)、学生学习辅助、产品原型验证等边缘AI任务;本文聚焦Gemini 3.1 Flash这一面向消费级硬件优化的轻量模型变体,结合Ollama模型管理与Open WebUI图形界面,提供从环境准备、模型拉取到流式对话的完整新手实操路

weixin_32238157的博客 492

【Java基础知识 1】Java入门级概述

优快云最强Java专栏,包含全部Java基础知识点、Java8新特性、Java集合、Java多线程、Java代码实例,理论结合实战,实现Java的轻松学习。

学Java,找哪吒 16万+

医疗 AI 有两种,别混着谈:一个改流程,一个改范式

InfoXMed 是面向医生、医学生和医学科研人员的 AI 医学工具平台,提供文献检索、全文翻译、AI 解读、指南查询和题库练习等功能,辅助临床学习、科研汇报与医学备考。原文是日本医学会杂志(JMA Journal)的一篇综述(Review Article):基本事实:这一点必须先说清:这篇论文提出的是一个研究纲领。它文中的"预测"指的是科学设想,不是可以拿来用的临床预测能力。文中甚至自己承认了一个硬缺口(见第三节)。本文只谈它的术语辨析与科学方法论,不转述任何可作为临床依据的预测或处置主张。这篇论文的全部

2601_96948740的博客 237

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

河道漂浮物目标检测数据集

目标检测,yolo,河道漂浮物目标检测数据集

DL_data_set的博客 191

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

AI Agent之核心框架

A: 显式 Thought 有三类价值:可解释性(便于人类审计)、可调试性(定位哪一步选错工具)、学习信号(可做监督微调或评估中间步骤质量)。ReAct 把推理与 可执行行动 绑定,每一步行动后都有 真实 Observation 反馈,从而用工具结果约束生成,降低闭卷幻觉。做完不等于结束——还要 评估做得好不好,把 教训 记下来,下次 带着教训重试,反思作为 记忆,影响后续尝试的策略。工作流程:Action → Evaluation → Reflection → Retry。A: 普通 CoT 只在。

剑雨巍巍的博客 190

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

AI 应用开发工程师技术实践:大模型接入、通用组件封装与性能优化

本文提出AI应用从PoC到生产的核心挑战:模型调用的持续可用、可控与可优化。通过构建统一LLM网关实现多供应商路由与故障转移,封装对话、工具调用与RAG组件以解耦业务逻辑,结合前缀缓存、批处理与流式背压治理等性能优化手段,形成“接通→接稳→接快”的工程路径,最终以工程化能力决定AI应用的生产可用性。

2301_79189962的博客 541

AI前沿日报 · 2026-11-04 | 祛魅时刻:Astra“纯读权重“神话的崩塌

①Astra"裸权重通吃"被spaCy创始人Honnibal精准祛魅——仅1/3实验真裸读,数学能力提升依赖Python+50次迭代;②Simon Willison用Qwen 3.8-27B端侧复现权重空间编程;③Nvidia开源Auto-Ontology自动知识图谱;④$800开源全域抓取机器人Stringman;⑤OpenAI悄然重开Codex训练开关引信任危机;⑥DeepMind发布Gemini 4 Argon机器人基础模型;⑦美国科技巨头隐性AI债务达3.2万亿美元,6个月增90%。

johnsong2009的博客 558

大模型 Embedding 与向量相似度详解

Embedding 解决的问题:计算机不懂文字,但懂数字│▼文本 → 向量(1024维浮点数数组)│▼相似度解决的问题:怎么判断两个向量(文本)有多接近│▼余弦相似度:看向量方向的夹角,越接近0°越相似│▼最终效果:语义搜索——理解意思,而非字面匹配一句话总结:Embedding 把文字变成数字,余弦相似度比较数字的方向,两者结合实现了"理解语义"的搜索。

T3165919332的博客 79

GPT-1 架构和计算细节

下面配合框图,对 GPT-1 的每个组件做公式展开 + 数值实例(配置:12 层 × 768,12 头,FFN 3072,词表 40478,共 117M 参数)。GPT-1 把翻译模型的编码器-解码器砍掉一半,只留解码器,然后以"预测下一个词"为目标在 BooksCorpus 上预训练。与 2017 原版的四个架构差异(框图中标 ★):h0=E[token]+Epos[position],E∈R40478×768, Epos∈R512×768h^0 = E[\text{token}] + E_{pos}[\

eloudy的专栏 252

终端 AI 审计与 “龙虾” 类智能体风险治理:从可见性到闭环溯源

生成式 AI 办公普及之后,数据泄露风险逐步下沉到终端。员工将合同、源代码、客户资料粘贴至公有大模型,以及龙虾(OpenClaw)这类本地开源 AI 智能体的滥用,成为企业安全新挑战。传统网络边界防护存在审计盲区,本文从风险链路拆解、核心能力模型、分级治理策略、落地踩坑点以及技术局限性多角度,分享终端侧 AI 安全治理的实践思路。

2401_86491085的博客 629

2.53 基于极稀疏指纹的室内定位注意力图元学习

该论文发表于IEEE Transactions on Mobile Computing(TMC)2026年6月,面向极稀疏指纹条件下的WiFi室内定位,针对指纹采集人力成本高、标记指纹稀缺时定位精度大幅下降的痛点,提出注意力图元学习模型AGML(Attentional Graph Meta‑Learning),结合图神经网络、元学习、两种指纹数据增强与分布对齐技术,在标记指纹极少的场景实现高精度室内定位,同时公开了多套真实+仿真定位数据集用于基准测试。场景:二维室内空间,障碍物造成信号遮挡,

weixin_42963026的博客 325

语音识别与语音合成的技术原理及应用

语音识别 #语音合成 #人工智能 #大模型。语音识别与语音合成的技术原理及应用。一、语音识别的核心原理。二、语音合成的核心原理。三、工程落地的主要难点。五、需要关注的现实问题。

weixin_62919816的博客 201

设计师工作室 GEO 实操:如何提升 AI 实体推荐概率

设计工作室 GEO 的本质,是把创意服务转化为 AI 可理解的结构化信息。核心动作可归纳为:区分事实与审美、建立实体图谱、预判用户提问、输出脱敏内容、搭建多信源、持续测试验证。梳理工作室的 6 个实体属性:品类、城市、流程、边界、团队、渠道。在官网或作品集平台发布至少 3 篇结构化项目复盘,只陈述事实。输出 1 篇「设计报价影响因素」科普内容,覆盖甲方高频提问。争取 1 次行业媒体或本地媒体专访,形成第三方信源。每周用「XX 城市 + 品类 + 设计工作室推荐」指令测试,记录出现频率。

goujunwe的博客 327

AI作图软件技术选型:从4个技术维度出发的实测对比

AI作图软件技术选型:从4个技术维度出发的实测对比

Vbaoke的博客 200

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程,跟着博主一起来还原整个过程。

夜郎King的博客 4505

影视场景怎么用AI生成3D镜头预演?从概念图、场景白模到网页审片

概念图有氛围,不代表能直接用于镜头预演。本文围绕剧本拆镜、资料与尺度假设、场景白模、机位走位、动作节拍和网页审片,介绍 AI 生成 3D 场景的预演流程。通过稳定对象与相机编号、统一镜头表、意见关联版本和三轮审核,让讨论落到具体镜头,同时明确白模与网页预演不能替代真实场地勘景及现场安全判断。

Solange__的博客 528
上一篇: 一座智慧场馆的背后:星河AI网络如何让千万空间“懂得”
下一篇: “元融”:金融智能体全速冲刺不“撞墙”
大数据在线
博客等级 码龄8年 823粉丝 553原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值