这家公司又吹哨了，这次是 Agentic AI

作者 | 杨楠

如果说几年前所谓的数字员工，是对 GenAI 公众注意力的透支，那么今天的 Agentic AI，则是对 CEO 们的承诺兑现。

一群能自主规划行动路径的 AI，以极高的效率完成生产任务，这太令人兴奋了，以至于近两年，越来越多企业尝试在内部搭建 Agent 系统，只是很多都进展不顺，时常有“花大钱，办小事”的尴尬，表面上接了模型，搭了 Agent，但真要上阵干活却会“掉链子”。

根因在于，企业的业务场景实在是过于复杂，一个常见情况是：在一个团队内，往往只有少数老员工，才能搞清楚所有“历史背景”，且每个部门，甚至每个小组的工作流程，都是高度定制化的。很多团队都会写 SOP，但实际情况是，团队内很少存在被严格遵循的统一标准。这使得 Agentic AI 落地业务场景，存在相当高的难度。

然而，行业解决这些问题的速度，似乎比我们想象的更快。我们瞭望了国内最早拥抱 AI 的一批企业，发现从 2025 年开始，许多由 AI Agents 构成的工作组，已经正式上班了，而且效果相当不错。

另外一个发现是，头部技术服务提供商，也围绕 Agentic AI 归纳了针对性很强的解决方案，甚至发布了 Agentic AI 落地企业的相关白皮书、报告、攻略。我们对这些技术成果非常好奇，而在 6 月的亚马逊云科技中国峰会上，几乎已经找到了完整的答案。

1

 突破“生产级”门槛的底层逻辑

目前来看，在企业开发场景中，能够正式上班的 Agent 工作组已经各有分工，并且根据不同的业务难度，和开发者有不同的交互方式，大致可分为三类——

一类直接赋能开发者的开发效率，解决一些相对清晰、具体的业务需求。 例如亚马逊云科技的 Amazon Q Developer，就是一个能够嵌入开发者工作流中的“外脑”。

对于新应用的开发，Q 能够帮助开发者理解代码、生成测试、修复错误，甚至辅助完成整个功能。同时，Q 还可以和很多第三方的工具集成。

咖啡抽奖应用开发，90%代码靠Amazon Q完成

而对于内部已有应用的升级，Amazon Q 所包含的 Transform 服务还能加速企业级工作负载的转换。例如，将.NET 从 Windows 移植到 Linux，或进行 Java 应用升级，亚马逊云科技内部一个五人团队在短短两天内就将超过 1000 个生产应用从 Java 8 升级到 Java 17，平均每个应用仅耗时 10 分钟，而这在过去通常需要两到三天。

一类赋能对于更复杂的技术任务，目前也有成熟的全流程托管方案，帮企业一站式解决复杂任务的任务规划、分配与执行的问题。

以代码合规检查为例，假设用户需求是“按照一个合规指南重构一个软件项目”，就需要将这个模糊的需求拆解为具体的小需求，例如代码分析、合规检查、代码转化和升级，单元测试、验收测试以及整个生命周期的管理等，然后交给多个 Agent 完成整个流程。

在这个过程中，每个细分任务所需的模型能力不同，因此多 Agent 系统底层，往往也需要多种模型混用。这就要求技术提供商确保有足够多优秀的模型供企业灵活调用，同时还要解决不同模型间能否高效稳定协同，企业数据在多模型间流转的准确性和安全性，以及如何对混合模型进行有效的统一管理和优化等一系列问题。

亚马逊云科技在今天的峰会上便展示了其 Amazon Bedrock Multi-Agent 协作功能。

Amazon Bedrock Agents重构高效数据分析流程

在主管 Agent 的协调下，每个 Agent 将专注于特定任务，将复杂的流程分解为可管理的步骤，以确保精确性和可靠性。这套系统提供了极低代码，甚至可以无代码进行 Agent 开发的范式，可以很好地将系统提示词、工具以及基础模型联合用户需求打包在一起，进行统一编排，实现整体应用的构建。

最后一类方案则是在技术之内，提升业务开发效率，这类需求往往需要根据新的业务需求从 0 到 1 开发 Agent 系统。

但企业想要开发一个新业务，从最初的概念假设，到业务流程设计，再到 Demo 演示，再到最终的生产级部署，是一个极其漫长的过程，涉及大量工程性调试。而且一旦效果不达标，很可能导致整个业务的逻辑设计推倒重来，给企业造成繁重的试错成本。

因此目前已经有相应的方案，能够支持开发者快速从 0 到 1 搭建 Agent 应用，提高业务开发效率的同时，也降低了试错成本。例如，亚马逊云近期推出的开源 Agent 构建框架 Strands Agents。

Strands Agents 包含三个核心组件，分别是：模型、工具、提示词。其中，模型是 Agent 大脑，负责思考和推理；工具是 Agent 的手，负责执行具体操作；提示词则规定了 Agent 角色以及行为边界。Strands Agents 将这三者高效融合在一起，以开源 SDK 的形式提供给开发者使用。开发者只用几行代码即可构建和运行 AI Agents，并且能覆盖本地开发到生产环境部署整个流程。

用开源的Strands Agents SDK，30行代码构建“AI采购助手”

事实上，上述场景和方案之所以能率先迈入生产级应用门槛，本质还是解决了技术和需求的匹配问题。

过去近三年的 AI 实践表明，无论是“拿着钉子找锤子”，还是“拿着锤子找钉子”，都容易出现技术与需求错位的问题，无法真正解决需求痛点。到了 Agentic AI 时代，真正有效的思路是，“拿着钉子，造锤子”。

这意味着，应用方企业需要清晰梳理自身的业务痛点与需求，明确哪些环节最适合引入 Agentic AI 系统，然后有针对性地寻求或构建解决方案。而技术厂商也需要沉下心来，洞察用户的真实需求，不仅要提供精准的解决方案，更要赋予用户充分的选择权，使其能够根据业务发展灵活调整技术或产品组合。

而亚马逊云科技正是看到了真正的客户需求，才在 Agentic AI 时代取得了先发优势。

在此次峰会的主题演讲上，亚马逊云科技大中华区解决方案架构总经理代闻就总结了公司过去一年观察到的三个趋势变化——

首先，是用户关注点已经从模型打榜转向落地应用；其次，Multi-Agent 会让多模型的混合使用成为常态；最后则是 Text to Action 的交互模式将重新定义交互内容和能力边界。

但值得注意的是，这些方案真正有效需要建立在一个大前提上，就是企业要有足够的高质量数据，以及能够最大程度释放数据价值的数据方案，否则再强大的 Agent 也是“巧妇难为无米之炊”。

2

 专有数据将决定 Agentic AI 的“天花板”

对于“如何充分释放企业数据价值”这件事儿，相信很多企业都力不从心。

早在信息化、数字化阶段，围绕“数据”就有一系列疑难杂症。例如企业缺乏有效的数据治理析工具和数字化思维，企业内部的数据常常是孤立的、不规范的，跨部门的数据流通不畅，导致决策者无法从中提取出有价值的洞察等等。

这些问题并没有因为 AI 的到来而消解。相反，Agenic AI 不再满足于静态、孤立的数据集，而是更加强调数据的实时性、动态性和交互性，例如，一个 Agent 在接收用户请求时，可能需要在瞬息之间触发数十乃至上百次数据库查询，这些查询涉及的数据量可能从 GB 级到 TB 级不等，进一步增加了企业处理数据问题的难度。

对于新的技术挑战，行业也陆续衍生出了一些新的数据方案，例如增强现有数据仓和数据湖的实时处理、非结构化数据处理等能力；向量数据库兴起；数据编织 / 数据网格（Data Fabric/Mesh）；流式数据处理平台等。可这些方案虽然各有长处，但在实际应用中，企业依然面临如何整合这些异构系统、确保数据一致性、统一数据治理、控制成本等一系列难题。

这也意味着，企业需要有构建更为灵活、敏捷的数据架构，以实现数据的快速流转与智能分析，才能驱动 Agent 持续迭代，释放更大的价值。

在昨天的亚马逊云科技 2025 中国峰会上，亚马逊云科技大中华区总裁储瑞松就提到：“决定企业 AI 应用水平天花板的重要因素是企业数据是否 AI 就绪。”

目前已经有头部厂商开始加大在数据方面的布局力度。就在 5 月底，Salesforce 正式宣布收购数据管理平台 Informatica，收购金额约 80 亿美元。这场低调的收购足以佐证，数据治理能力已经成为 Agentic AI 军备竞赛的一大重心。

可以说，数据不再是一个单纯的技术问题，更是一个战略问题。

而从亚马逊云科技近几年的动作来看，他们在更早的时候，就意识到了数据的重要性。

以数据集成为例，数据集成能力关乎 Agentic AI 能否获取到充分的数据养料。没有数据来源，一切都是空谈。而早在 2013 年，亚马逊云科技就推出 Amazon Redshift，这是一种完全托管的云数据仓库服务，支持大规模数据存储和分析。截至 2025 年 6 月，亚马逊云科技的零 ETL 功能已经支持将五种数据库的数据集成到 Amazon Redshift 中，包括 Aurora MySQL、Aurora PostgreSQL、RDS for MySQL、RDS for PostgreSQL 和 DynamoDB。

有了丰富的数据来源后，企业的数据治理能力，是能否最大程度释放数据价值的关键。

而 Amazon SageMaker就是亚马逊云科技数据治理的核心载体。早在 2017 年，亚马逊云科技就推出 SageMaker，它是一个完全托管的机器学习服务。ChatGPT 发布后，2023 年起每年的 re:Invent 大会上，Amazon SageMaker 都会有重磅更新。

今年，亚马逊云科技更是发布 Amazon SageMaker Unified Studio，它已经不只是一个机器学习服务，而像一个整合数据与 AI 开发的“独立工作室”，提供端到端、一体化的数据与 AI 开发体验，不仅解决了数据的存储、处理和治理问题，更将其与模型开发、训练、部署以及 Agentic AI 应用构建紧密结合起来，形成了一个数据驱动引擎，这是许多单一功能数据工具或平台难以比拟的。

在数据集成和数据治理能力之外，亚马逊云科技还提供结构化与非结构化数据处理能力，并支持向量化结构的数据库优化，这对于当前火爆的 RAG 应用而言也是必要支撑。

只是，再好的数据方案也无法一步到位，企业业务和 AI 在不断迭代，相应的数据方案也要随之迭代。

不过，想要长期保持领先性，真正感受 Agentic AI 带来的丝滑体验，不仅关乎数据使用，更涉及企业如何做出正确决策，使企业更敏捷、灵活、高效且具有韧性。这需要战略层面的远见，更需要战术层面的精耕细作。

3

 战略上目标远大，战术上小心求证

目前，一些企业已经在 Agentic AI 的生产级应用方面颇有前瞻性，他们来自各行各业。

例如，消费电子领域的安克创新（Anker Innovations）全方位拥抱 AI 转型，不局限于某一产品线或业务环节，而是构建整体数智化驾驶舱。在技术方案上，安克创新采用亚马逊云科技的计算、存储、智能湖仓及 AI/ML 等技术，安克创新为不同区域、不同场景定制化部署，精准加速产品升级与全球业务创新。

合合信息（INTSIG）则将敢于将 Agentic AI 技术应用于核心业务运维，而不仅仅是边缘场景试验，构建了基于 Amazon Bedrock 的运维助理 Chaterm，通过设计细致的 Agentic 工作流，将复杂运维工作拆解为可执行步骤，确保每一环节都能稳定、可靠地执行。

家电巨头美的集团也全面推进"AI+"战略，不仅仅停留在概念层面，而是切实将 AI 融入研发、生产、营销、服务等全价值链。其海外客户服务中采用 Amazon Connect，将 AI 赋能具体到每一个客户交互点，通过数据驱动的精准优化，最终实现服务效率和体验的显著提升 。

有趣的是，这些企业身上有一个明显的共同点，他们都在战略上极其大胆，且都具备成熟的全球化布局；同时在战术上精细打磨，能够找到内部对 AI 需求最迫切的场景，并选择与合适的技术厂商合作来解决问题。

事实上，近两年崛起的 AI 新秀中，能同时获得技术和商业成功的，也有相似的特质。

例如，亚马逊云科技重点投入的 Anthropic 成立之初就走了一条和 OpenAI 不同的路，更强调 AI 安全与对齐，注重模型的可靠性、诚实性和可解释性，而非单纯追求能力边界的扩展。

当然，这并不意味着 Anthropic 不注重模型性能，他们只是用了另一种视角来解读模型性能。在发布 Claude 4.0 时，Anthropic 直接展示了大量企业的真实使用反馈，这无疑是比 Demo 更有利的证明。如今，Claude 在全球范围内都是企业级 AI 解决方案的重要选择，也支撑了很多代表性的 AI 应用，Cursor 就是最有代表性的一个。

但对于大公司而言，战术上谨慎推敲或许已经成为常态，但战略上的大胆往往尤为难得。但在 Agentic AI 这件事上，亚马逊云科技做到了。

几个月前，亚马逊云科技内部组建了 Agentic AI 团队，直接向集团 CEO 汇报。其 CEO Matt Garman 更是直言，Agentic AI 有潜力成为“亚马逊云科技的下一个数十亿美元业务”。

为此，亚马逊云科技已经围绕 Agentic AI 构建了全面的能力体系和完整的技术栈，并持续迭代Amazon Bedrock、Amazon Q、Amazon Sagemaker 等产品的能力，同时根据新的开发者需求开源 Strand Agents，给企业充分选择权，灵活选择产品组合的同时，确保让企业真正“端到端”构建 Agent 系统。

而这套技术栈有效运行的基础，是亚马逊云科技过往数十年全球化发展积累的基础设施网络，让全球各地的企业都能获得一致、可靠、低延迟的云服务和 Agentic AI 能力支持。这对于需要全球部署和协同的 Agentic AI 应用至关重要。

全球化视野使其能够更快接触并采纳前沿技术、新颖理念和成熟经验，在新技术浪潮里抢占先机，而新技术的落地大幅提升企业的业务效率，进一步促进全球化进程，以此形成正向循环。

Agentic AI 作为生成式 AI 的下一个阶段，本身就带有极大的不确定性，是需要全球企业共同推动，才能从中寻找更多确定性。

当企业能够真正将外部的智慧与内部的实践相结合，战略上大胆，战术上精细，一个由 Agentic AI 驱动的、更智能、更高效的商业时代，或许已不再遥远。