这场战略布局的起点是平台能力的构建：
2025 年 7 月的纽约峰会上，亚马逊云科技发布了 Amazon Bedrock AgentCore，为企业根据自身架构定制 Agent 提供了最大灵活性。 2026 年上半年，亚马逊云科技再度对 Bedrock AgentCore 进行功能升级，聚焦于 Agent 的知识边界、优化生产闭环及强化安全管控，并与 OpenAI 扩大合作，将其最新模型、Codex 等登陆 Bedrock ，提升客户构建 Agent 最后一公里的速度和能力。
同时，亚马逊云科技构建了首批前沿 Agent，包括 Kiro 自主 Agent，Security Agent 以及 DevOps Agent，分别在软件构建、安全、运维领域承担虚拟专家角色。
如今，亚马逊云科技形成了为企业实现 Agent 业务转型所需的 AI 的五层技术栈地图：从底层的 AI infra，到模型层、数据层，再到 Agent 平台层以及工具和应用层。
亚马逊云科技的策略清晰且务实：以客户需求为起点，从业内所关注的开发、运维、安全等场景切入，用工程化能力将 Agent 从回答问题的助手改造为解决问题的队友。亚马逊全球副总裁、亚马逊云科技亚太区联席总裁储瑞松判断，Agentic AI 爆发的拐点已然来临。这背后，伴随模型能力的不断提升和 Agent 工程体系的日益成熟，始终要关注 AI 能为企业解决什么实际问题。
目前，市场对亚马逊云科技也存在部分担心：作为云计算基础设施领域的绝对王者，在 Agent 时代能否补齐模型和平台的短板。亚马逊云科技选择用 " 模型多样 "" 自研芯片成本优势 "" 平台中立 " 等作为差异化策略，而市场也需要时间去印证这一策略的有效性。
在模型层面，Amazon Bedrock 在推出的两年多时间里，提供了从最初的个位数模型，到如今来自数十家模型提供商的上百个模型，其中包括来自中国的开源模型 DeepSeek、MiniMax、Kimi、Qwen、GLM 等，为中国出海企业提供了丰富选择；在芯片层面，其自研芯片业务已达到年化营收超过 200 亿美元的规模，并跻身全球数据中心芯片市场前三名。这种经验也极大地增强了其在 Agent 部署时对性能和成本的考量。同时，亚马逊云科技倡导平台中立原则，也是希望成为诸多 AI 初创公司的选择，其实这一原则也影响到了它对 AgentCore 等产品功能的塑造：与具体模型或具体框架无关，而是赋予企业自主选择权和自由组合的能力。
峰会期间，亚马逊云科技全球数据库服务副总裁 Ganapathy（G2）Krishnamoorthy 与笔者交谈中谈到，对于企业而言，拥有丰富的模型选择至关重要，如此才能对具体的能力、成本和性能进行最优化权衡。因此，提供一个良好的生产环境是亚马逊云科技的核心命题。目前亚马逊云科技与所有模型厂商都保持着极其紧密的合作，确保模型在其环境中得到充分优化，尤其是适配 Amazon Trainium 芯片，以实现最佳性能和最低成本。
G2：AgentCore 的核心差异化在于：首先，它是真正做到了与具体模型或具体框架无关，赋予了构建者自由选择模型的权利。其次，它是完全可组合的，客户不需要通盘使用 AgentCore 中的所有功能，只需选用与自身场景和用例相关的子集即可。再者，如果你不想用 Amazon Bedrock，而是想集成 OpenAI API，也完全可以做到，这种混合搭配（mix and match）的能力极其重要。
我们专注如何提供全栈能力，来加速客户从概念验证（POC）到生产环境的推行进程。在 Agent 应用中，模型只是大脑，而大脑之外的其他核心能力——如何便捷安全地连接工具、如何提供正确的合规治理、如何构建技能（Skills），以及如何为自主运行的关键负载提供全方位的可观测性，这些都是 AgentCore 能够出色解决的硬核难题。
谈与模型厂商的合作：保持极其密切的合作
G2：正如大家所见，这个领域的发展瞬息万变，技术能力在突飞猛进。我个人认为，作为一名构建者，拥有丰富的模型选择至关重要，这样我才能针对具体的能力、成本和性能进行最优化权衡。
亚马逊云科技的定位在于，要确保我们成为模型和 Agentic 解决方案走向生产环境，并为客户创造价值的最佳场所。为此，我们要为构建者提供一个优良的生态环境，让他们的解决方案能以合适的安全级别、生产力标准和成本进行大规模部署。这也是为什么我们与所有模型厂商都保持着极其紧密的合作，确保他们的模型在我们的环境中得到充分优化，尤其是适配 Amazon Trainium 芯片，以实现最佳性能和最低成本。目前这些先进模型在我们的全栈架构上运行良好。
亚马逊云科技产品部技术总监王晓野补充：对于中国的本土模型厂商，我们一直都在极其积极地开展合作，已将几款领先的开源模型引入了 Amazon Bedrock，让更多人拥有选择。在芯片层面，我们团队一直都在与中国领先模型厂商合作，推进他们在大模型上与我们自研芯片的训练适配。公开信息显示，亚马逊云科技已实现与小米 MiMo-V2.5-Pro Day-0 适配。
谈 Agent 对数据库的新要求
G2：数据才是客户利用这些先进技术、为业务创造新价值的最终差异化来源。我们的思考路径是：如何为 Agentic AI 创新解锁企业现有的全部数据资产。
首先，我们让所有的数据库——无论是 PostgreSQL、MySQL、Amazon DynamoDB，还是传统商业授权的 SQL Server 和 Oracle，都支持 MCP（模型上下文协议）服务器，使得这些数据能够被 Agentic 框架顺畅访问。其次，非常关键的一点是 Agent 拥有上下文（Context）和记忆（Memory）。我们要确保所有数据都能作为上下文供 Agent 使用，或者赋予数据库存储和管理 Agent 记忆的能力，这就要求数据库具备向量功能和混合搜索能力。
因此，我们确保底层数据库具备这些必要能力：如果你用 PostgreSQL，可以使用 pgvector 向量插件；如果你用 Valkey 或 Amazon ElastiCache，我们为其增加了向量支持；如果你用图数据库 Amazon Neptune，我们也为其引入了向量检索能力。
AI 原生数据库应具备的能力，以及对客户的建议
G2：随着越来越多 AI 应用的诞生，AI 原生数据库需要具备以下几个核心能力：
首先是极其便捷的数据访问能力，数据中的所有数据能通过 MCP（模型上下文协议）被顺畅调用。其次是支持向量嵌入和混合搜索能力，赋予应用程序存储和检索 Agentic 记忆的功能。再者是模型调用能力，数据库环境本身是否支持直接调用 AI 模型进行推理。
此外，如今借助 AI 工具，任何普通人都可以构建应用程序，但他们并不懂传统的数据库管理。因此，你需要一个真正毫不费力的数据库，不需要人工去评估调整实例规格，也不需要人工做日常运维。它必须易于创建、按需自动伸缩并能随着时间推移自我优化。
最后一点是极致的伸缩规模。当你打造出一款爆款应用时，底层基础设施必须能随着用户增长向上实现千万级并发扩容；而当该应用仅供个人或小团队低频使用时，基础设施必须能够向下缩容到零（Scale to zero），仅在真正被使用并产生价值时才计费，这是属于无服务器（Serverless）的能力。
我们始终建议客户：要选择在当下最能为你的业务和客户创造价值的路径。
如果你目前使用的是 SQL Server 或 Oracle 等传统数据库，我们建议你推进现代化改造，将其迁移到 MySQL 或 PostgreSQL，这能免除高昂的许可费用并优化长期架构姿态。如果你拥有的是一套现有的 ERP 或供应链管理等封装应用，完全没问题，你可以等准备就绪后再进行现代化改造，当下首要的是协助你直接从现有数据中创造价值。
但如果你要启动一个全新的项目，我们强烈建议客户直接基于现代化的开放式数据底座进行构建：如果选关系型数据库，请使用 MySQL 或 PostgreSQL；如果建数据湖，请采用 Apache Iceberg 格式。因为开源底座能赋予企业面向未来的极高灵活性，并在成本上具备压倒性优势。
总之是，新项目，果断采用现代开源底座；既有应用，把释放数据价值作为首要任务，而不是把推翻重构底层数据基础设施作为第一逻辑。
谈客户 AI 转型挑战
G2：猎豹移动的 CEO 傅盛谈到了公司利用 AI 转型的历程。技术本身已经非常强大且在迅速演进，但企业真正需要的大变革其实是领导力和愿景的落地。因此，这不仅是一场技术进步，更是一场自上而下的组织变革。
从全球视角来看，各地企业都在真正认清 AI 的潜在价值，大家普遍的做法是先构建概念验证（POC）来证明价值，然后再将行之有效的方案规模化推开。
谈客户需求：考虑他们的运营环境
G2：我认为侧重点与其谈公司规模大小，不如谈是他们所处的运营环境。一家处于高度监管复杂环境下的企业，其需求显然与 YC 孵化器里的初创公司完全不同。但他们也有共同的诉求，那就是构建者的生产力和缩短达成业务成果的时间变得前所未有地重要。
当公司规模变大，最核心的一点是如何在其现有的庞大投资基础之上开展运营，而不是推倒重来。大型企业已经经历过多次技术迭代，我们的解决方案必须契合其现有的技术投资；而初创企业现在才开始做选择，因而拥有极高的灵活性。我们在平衡解决方案时，会综合考量客户的所属行业以及他们当下的运营环境，践行我们常说的理念——在客户所处的位置回应他们（meeting the customer where they are），充分理解他们的既有投资和可选路径，为其创造最大的 AI 价值。
谈 Amazon Context 的出发点
G2：我们发现，拥有关于所有数据的上下文，以及基于持续的操作行为来改进数据的关系和使用方式，会对 Agent 结果的准确性和解决方案的效能产生决定性的影响。我们与部分客户开展了合作试点，事实证明，如果能基于企业的全部数据构建上下文层，响应的准确性会大幅提高。但我们意识到，如果让每个客户都手工去搭建自己的上下文层，将耗费极其庞大的精力。因此，我们决定将驱动 Amazon Quick 的这项技术提炼出来，作为一项基础功能组件广泛提供给客户。于是，Context 就变成了继推理和知识库之后的又一项基础组件。
谈 Kiro 的使用与选择
G2：我们广泛地使用 Kiro 来构建新功能。对我们而言，安全始终是重中之重，因此我们在内部利用了许多这类工具来提升自身的安全与开发能力。
我们的一大优势在于为构建者打造工具，而亚马逊云科技内部就拥有大量的云原生构建者，这给我们提供了极其丰富的反馈。我们秉持提供选择的理念，亚马逊云科技内部的构建者同样可以选择提供给客户的各种工具。
目前 Kiro 已经被广泛采用，而最近我们也将 OpenAI Codex 和 Claude Code 提供给了内部构建者使用。我们内部的持续集成与持续部署（CI/CD）基础设施能够支持所有这些不同的工具。我们会从不同工具的实际运行中汲取经验，从而为客户提供最佳的开发体验。
（作者 | 杨丽，编辑 | 杨林）
