有这么一组数据，直击企业应用 Agent 最核心的“爽点”：
- 公司 AI 代码覆盖率超过 70%；
- 内部已沉淀 700 多个覆盖不同部门与业务类型的 Skills；
- 打通 400 多个 API 端点，每日 AI 协同 PR 超 100 个，累计跑完 14 万多个工作流；
- 6 个核心阶段成功率均超 99.7%，交付代码零 P0/P1 缺陷；
- 缺陷自动修复时长从两天压缩至 10 分钟。
看完这组数字，脑海里很自然会浮现出一群 Agent 塞满公司、却井井有条协同的画面。率先尝到 Agent “甜蜜点”的公司是 小鹏汽车。
为什么它能做到？答案是它搭载了“云计算一哥”—— 亚马逊云科技。
更准确地说，小鹏基于亚马逊云科技的 Kiro、Amazon Bedrock、Amazon EKS 等服务，搭建了一套名为 灵犀 的企业内部 AI 编程与 Agentic 工作平台。
小鹏集团 AI/Data Platform 负责人 何瑞邦 在 亚马逊云科技中国峰会 现场讲到一个非常具体的问题：2024 年，小鹏内部已普遍使用各类 AI 开发工具，部分员工个人效率确实上来了，但部门整体效率却没有明显变化。
原因很现实：稍微复杂一点的项目，AI 工具只能一环一环地写代码。写完代码后，仍需人工集成、联调测试、推送 CI/CD。
一言以蔽之：代码写得更快了，但链路没有真正跑通。
也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 正在从辅助性工具，变成真正参与生产和价值创造的数字劳动力。
于是小鹏后来总结出一句话：效率，不等于效能。
这其实也是很多企业引入 AI Coding、使用 Agent 时的共同处境：单点提效很快，整体系统很慢；个人体验很爽，组织收益不明显。
小鹏的特殊之处在于，它要面对的不只是普通软件工程，而是更复杂的物理 AI。智能汽车、Robotaxi、人形机器人、飞行汽车…… 在这些场景里，软硬件深度绑定。代码写完之后，还需编译、台架验证、回归、上线，链路更长，容错率也更低。
更关键的矛盾在于：当 AI 生成代码的速度越来越快，人类 review 和治理的速度反倒跟不上了。此时，小鹏选择把 AI Coding 从“写代码的工具”再往前推进一步——
让 Agent 变成一支研发军团。
一支永不下班的研发军团
灵犀的架构大致可拆为五层。最上层是开发者入口，包括网页端、IDE 插件和硬件开发插件，开发者在此提出需求、管理任务、查看结果。
往下一层是 Agent 协作层。小鹏用 Kiro 做内核，将汽车行业的开发规范沉淀成 Skills，让一群 Agent 按规范协同作战。再往下是数据和知识层，研发数据、项目上下文与 Agent 执行中学到的知识都在此沉淀。模型层则由 Amazon Bedrock 提供大模型能力。最底层是基础设施，小鹏用 Amazon EKS 承载智能体运行，需要多少算力就弹性供给多少算力。
这套架构跑起来后，就交出了开头那组数字。其中最具代表性的变化发生在 SRE 环节。过去，缺陷自动修复可能耗时两天；后来小鹏基于 Amazon Bedrock 建立了四大 SRE Agent 和五维归因，修复时长被压缩到 10 分钟，同类型 bug 下次还能秒级命中，全程无需真人介入。
这也是 Agent 进入生产环境后的典型变化：它带来的不只是“写得快”，而是把需求、设计、编码、测试、部署、运维、治理连成了一个闭环。
这和 Kiro 本身的定位密不可分。Kiro 强调 Spec 驱动开发，即在真正生成代码之前，先将需求、设计、任务、测试结构化，再让 Agent 基于经过验证的规范写代码。目标很明确：从源头提升正确性，而不是让 AI 先一通狂写，再把一堆技术债丢给人类收拾。
因此，小鹏这个案例最有价值的地方在于，它把企业研发体系里的“上下文、规范、工具、模型、算力、治理”一起串了起来。这才是 Agent 真正起作用的样子。
当然，站上亚马逊云科技峰会舞台的不止小鹏。
Kimi 出海，也搭上了亚马逊云科技
如果说小鹏展示的是 Agent 如何进入企业研发链路，那么 Kimi 展示的则是另一件事——中国大模型公司如何借助亚马逊云科技的全球基础设施与 AI 技术，将模型能力带给全球企业客户。
月之暗面 Kimi B 端业务负责人 黄震昕 在现场提到，Kimi 的长期目标是 寻求将能源转化成智能的最优解。
这个说法落到模型能力上，对应三个非常具体的方向：模型要更聪明，能在有限数据与算力下学到更多；上下文要更长，能处理更持久的任务并记住初始目标；单个 Agent 有天花板，多 Agent 协作要能完成更复杂的任务。
围绕这些方向，Kimi 在 token 效率、长上下文、注意力残差和推理优化上持续投入。最近 Kimi 发布了 K2.7 Code，并推出 High Speed 版本，输出速度达到 180 token/s。
但对模型公司而言，能力做强只是第一步。要服务全球企业客户，还需解决推理稳定性、部署便捷性、客户接入门槛、训练部署平台支持以及全球分发渠道等工程化问题。这正是 Kimi 与 云原生/IaaS 基础设施深度合作的重点。
基础设施层面，Kimi 在亚马逊云科技遍布全球的数据中心获得算力支持，使推理服务更快更稳。平台服务层面，Kimi 与 Amazon SageMaker 集成，支持客户在 SageMaker 上完成模型训练与部署，降低了开发者门槛。模型服务层面，Kimi 接下来也将接入 Amazon Bedrock，成为原生 AI 能力的一部分。应用层面，Kimi 已上架 Marketplace，全球客户可一键使用、按量付费，并通过 APN 合作伙伴网络拓展企业客户，联合打造面向金融、医疗、制造等场景的行业解决方案。
这条路径很典型：模型公司负责把智能做强，云厂商负责补齐算力、平台、分发、生态、合规与全球交付能力。两者叠加，模型才有机会从一个 API，变成企业能放心采购和使用的生产力。
猎豹、影石、贝恩：Agent 开始进业务现场了
除了小鹏和 Kimi，还有几类客户的站台，将 Agent 落地场景拉得更宽。比如 猎豹移动。
傅盛 在现场分享了猎豹移动的 AI native 转型。一个直观的例子是金山毒霸的变化：过去用户得一个按钮一个按钮点，现在直接说“我的打印机有问题”、“显卡驱动能不能再快一点”，系统就能以 Agent 方式像电脑专家一样解决问题。
猎豹移动还将内部 AI 实践做成了产品能力。其 EasyClaw 出海企业版运行在 Amazon Bedrock AgentCore 之上，并依托丰富的模型选择，按任务复杂度灵活调度模型：简单任务用轻量模型，复杂任务用高性能模型，在效果和成本之间寻找平衡。
借助 Bedrock AgentCore 的无服务器模式，猎豹移动可按使用量付费，避免了为闲置资源持续买单。现场信息显示，Agent 上线时间从一个月缩短到两周，运营成本降低 25%，部署和运维也得到简化。这类能力最终落地到出海营销场景，EasyClaw 面向跨境电商行业，从广告素材生产、投放优化到数据复盘，形成全链路 智能 & 数据 & 云 赋能。
再比如 影石 Insta360。影石基于自研 AI 能力和十年影像技术积累，依托亚马逊云科技 Agentic AI 五层架构，推出了基于云的一站式智能成片能力——时刻 Pro。用户无需人工编辑，不到一分钟就能从拍摄素材直接生成高质量成片。这与小鹏、猎豹的场景完全不同，但底层逻辑相通：Agent 不再只是坐在聊天框里回答问题，而是进入具体业务流程，把原本需多人多步骤完成的事情压缩成自动化闭环。
贝恩 公司大中华区 CEO 丁杰 的观点，更像是给这些案例加了一个管理学注脚。他认为，真正值得 CEO 关注的不是技术本身，而是利用技术改变企业创造价值的方式，重塑企业竞争力。企业要围绕人机协同重新设计业务，让人负责判断、创意与责任，让数字员工负责速度、规模与执行，最终交付业务结果。
这句话在今天的 Agent 热潮中很关键。因为过去一年，很多企业试过各种大模型和 Agent demo，但从 demo 到生产，中间隔着巨大的工程鸿沟。小鹏、Kimi、猎豹、影石这些案例的共同点，就是都没有把 Agent 当成孤立工具，而是将其嵌入了研发、模型服务、出海营销、影像创作这些真实业务流里。
真正想讲的，是一整套 Agent 技术栈
把这些案例拆开看，每家公司用到的产品并不一样，但它们拼起来正好对应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，AI 基础设施。 包括 GPU 实例、自研 Trainium AI 加速芯片及配套网络、存储、弹性计算等。企业自己买芯片、建数据中心、做全球部署成本高昂，云厂商的价值是让算力、性能、稳定性和成本变得可用、可管、可扩展。
第二层，模型层。 Amazon Bedrock 提供统一入口，让企业按需调用多种领先大模型。不同任务对智力、速度、上下文、成本的要求各异，把选择权交给客户，用一套统一 API 和治理能力来管理，正是 Bedrock 的价值。
第三层，数据和知识层。 Agent 能不能干活，不只取决于模型多聪明，还取决于它能不能拿到企业自己的数据和上下文。这一层提供的 Zero-ETL、S3 Vectors、向量数据库、Bedrock Knowledge Bases 等服务，目的是让静态数据变成 AI 可理解、检索、调用的知识资产。
第四层，Agentic 平台层。 这是 Amazon Bedrock AgentCore 的所在。当企业 Agent 数量从几个膨胀到几十上百个时，身份、权限、工具调用、审计、成本核算等现实问题就会集中爆发。AgentCore 要解决的，就是 Agent 从开发、运行到迭代的全生命周期管理。
第五层，Agent 应用层。 这层最接近业务结果，包括面向软件开发的 Kiro、面向知识工作者的 Amazon Quick 以及面向客服场景的 Amazon Connect。
此外，在安全方向推出的 Amazon Continuum 等能力，面向 Agent 时代的软件安全风险，覆盖发现、优先级排序、验证和修复，目标是在企业定义的护栏内以机器速度处理安全问题。
整套产品全貌看下来，亚马逊云科技讲的核心故事并不是“我也有一个 Agent 产品”，而是从底层算力、模型选择、企业数据、Agent 平台到最终应用和安全治理，给企业补齐 Agent 进入生产环境所需的完整工程能力。
企业用 Agent，难点从来不只是模型。为什么很多企业最后没达到理想效果？因为一开始问的是：选哪个模型？用什么框架？要不要接聊天助手？但真正跑进业务后，问题会迅速变成：数据散在多少系统里？权限边界怎么设？哪些环节必须人工审核？一个任务到底花了多少钱？多 Agent 之间如何协作？旧系统要不要重构？
这也是小鹏案例值得细看的地方。它一开始也遇到了单点效率提升、整体效能没变的问题，直到 Kiro、Bedrock、EKS、内部规范、Skills、数据知识层和 SRE Agent 被串成一条链路，AI 才真正进入生产流程。月之暗面和猎豹移动的故事也说明，将 Agent 做成产品或服务全球客户，还需要全球基础设施、推理加速、无服务器模式、多模型调度和 Marketplace 分发等工程化支撑。
这也解释了为何储瑞松反复强调，Agentic AI 不只是技术创新，更指向业务变革。
企业真正要做的，是从选择技术和工具，转向定义要达成什么业务结果；数据要从静态资产，变成持续驱动 Agent 创造价值的战略资产；当成百上千个 Agent 与人类员工协同，企业就必须有统一平台、清晰授权、可追溯决策和自动化审计能力。
正如亚马逊云科技全球数据库服务副总裁 Ganapathy “G2” Krishnamoorthy 在现场交流中所说：
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。
这句话恰好戳中了 Agent 落地的关键。Agentic AI 不是 IT 部门多接入一个工具，也不是研发团队多用一个编程助手。它会改变企业分工：人类员工更偏判断、创意与责任，数字员工承担速度、规模与执行；管理者要编排人与 Agent 的协作，一线员工也要学会管理多个 Agent。
这也是亚马逊云科技的独特站位。在大模型最热闹的那一层，竞争者很多，模型能力也在快速追赶。但企业真正把 Agent 用起来，往往更需要模型之外的工程底座：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，恰好是云计算公司过去二十年一直在做的事。
从小鹏的灵犀，到 Kimi 的全球模型服务，再到猎豹移动的出海 Agent 与影石的智能成片，这些案例共同指向了一个事实：Agentic AI 的拐点，已经不只发生在模型参数和榜单上。它更具体地发生在企业内部的研发流、营销流、服务流与内容生产流里。当 Agent 开始真正交付业务结果，云计算 的价值，也从提供资源，变成了承载数字员工。
这大概就是小鹏用完之后，确实感到爽在身上的原因。
发表于 3 小时前
|
查看: 6|
回复: 0
