AWS re:Invent 2025 Swami博士主题演讲　Agent AI四大核心技术突破

12月4日，AWS re:Invent 2025进入第三日，AWS Agent AI副总裁Swami Sivasubramanian发布主题演讲，阐述构建可靠AI Agent核心技术路径。他指出AI Agent正由“技术奇迹”转变为具实际业务价值工具，惟多数企业陷入“概念验证（PoC）困局”，众多出色Agent原型未能进入生产环境。

Swami博士围绕“易于构建（Easy to Build）”、“高效（Efficiency）”、“可信（Trust）”及“可靠（Reliability）”四大支柱，发布多项创新。值得留意Amazon Nova Act服务可靠度达90%，Amazon Bedrock强化微调功能准确度提升66%，Amazon Nova Forge则开创“开放训练模型”新范式。

Swami博士表示传统Agent开发需默认所有场景流程，令程序代码难以维护，容易在意外情况下失败。多数PoC未考虑五大生产障碍：快速部署能力、复杂内存系统、身份与访问权限管理、工具互通性及可观察性。

AWS推出开源Agent开发框架Strands Agents SDK，采取模型驱动方式，允许模型自主应对任何场景，无需默认工作流程及复杂协调程序代码。此功能已在AWS内部验证，省却数千行冗余程序代码，同时提高Agent准确性与程序代码维护性。自5月发布预览版以来，Strands下载量已超过500万次。

今日发布两项核心功能令其更强大：TypeScript支持将Strands Agents SDK扩展至全球最流行编程语言之一；边缘设备支持打开汽车、游戏及机器人等领域新应用场景。

Amazon Bedrock AgentCore为托管系统，填补PoC与生产之间鸿沟。现场演示中，Swami博士展示AgentCore Identity强大功能：只需数行程序代码，即可跨AWS应用程序与Slack、Zoom等第三方服务无缝管理身份与访问权限，从零开始构建同样功能需时长周。

今日发布Episodic Memory进一步提升Agent能力。Swami博士以旅行助手为例：独行游客可能在航班起飞前45分钟到达机场便足够，若带同两个孩子及大量行李，Agent需记住上次混乱家庭旅行经历，自动调整到达时间至两小时。这不单是记住过去，更是理解“用户行为背后时机和原因”。Agent经验越丰富便越聪明。

昨日也发布两项AgentCore新功能：Policy in Amazon Bedrock AgentCore提供Agent行为控制，同时保留其推理及采取最佳行动自由；AgentCore Evaluations允许开发人员在数千个模拟场景评估测试Agent，确保正式推出前达企业级标准。

Swami博士指出现成大型语言模型（LLM）虽然智能，但非总是最高效。效率关乎成本，也涉及延迟（回应速度）、规模（峰值处理能力）及敏捷性（迭代速度）三个关键维度。

他指出大多数Agent将时间花费在编写程序代码、分析搜索结果、创建内容等常规操作，若能为这些任务定制模型，便能大幅提高效率。然而强化学习这类高端定制技术门槛极高，需要博士级专业知识、复杂分布式基础设施，开发周期长达6至12个月。

今日正式发布Reinforcement Fine-Tuning（RFT）in Amazon Bedrock，让普通开发人员也能使用强化学习，操作极为简单：选择基础模型、指向Amazon Bedrock日志，并选择奖励函数（如LLM评判器）即可完成。Amazon Bedrock自动化整个RFT工作流程，相比基础模型准确度平均提升66%，效果显著。

针对需要更多控制应用场景，今日发布SageMaker AI Serverless Model Customization提供两种体验：自助式体验适合自行管理整个流程开发人员；Agent驱动体验让用户只需以自然语言描述用例，由AI Agent建议合适微调技术、产生合成数据集、配置Serverless训练流程，并完成模型效果评估。原本需要机器学习工程师投入数月反复试验工作，现可在数天内完成。

Swami博士也宣布提高模型训练弹性新功能：Checkpointless Training on SageMaker HyperPod。传统检查点恢复会导致资源闲置数小时，此功能通过持续存积分布式集群中模型状态，实现分钟级恢复，硬件故障时无缝替换设备，获取正确节点状态，堪称范式转变。