6月23日消息，在亚马逊云科技中国峰会上，亚马逊全球副总裁、亚马逊云科技亚太区联席总裁储瑞松表示，Agentic AI爆发的拐点已然来临。这背后，是模型能力的不断提升和Agentic工程体系的日益成熟，两者形成了一个相互促进的飞轮。一方面，模型能力在你追我赶、交替领先中持续突破，从推理能力、代码生成到多模态理解，模型的智力水平不断跨越新的门槛。另一方面，基于模型能力的Agentic工程体系正在快速成熟。
储瑞松指出，Agentic工程体系是把模型能力转化为可以稳定交付业务结果的智能体的体系化的工程能力。这一工程体系在过去两年多里经历了快速的演进，并逐步形成了三层逐层递进和包含的工程体系。首先是早期备受关注的提示词工程（Prompt Engineering），即研究如何通过最有效的提示词，让模型“理解你希望它做什么”。 其次是一年多前行业开始关注的上下文工程（Context Engineering），旨在研究如何在合适的时机，向模型输入正确的信息、工具与记忆，从而让模型“掌握它需要知道什么”。最后是最近半年成为焦点的驾驭工程（Harness Engineering），侧重于围绕模型搭建稳定的执行框架，包括智能体循环、工具调用、评估、重试及护栏等，让模型能“可靠地把事情做完”。
储瑞松强调，Agentic工程实践的成熟，又反过来为模型能力的提升提供了真实世界的反馈，清晰地指引模型厂商在哪些应用场景需要部署更强的能力，以及哪些边界亟待突破。随着这一飞轮的正式启动与加速旋转，从而推动了 Agentic AI 爆发拐点的到来。
AI Agents 将重塑协作关系，五层技术栈助力企业实现Agentic AI业务转型
储瑞松表示，AI Agents 将重塑协作关系，带来企业组织和价值创造的范式转移。储瑞松指出，AI从一个辅助性的工具变成了真正的生产力，其价值的计量单位也随之改变，AI 不再只是回答问题或帮助提效，而是开始直接为企业交付可衡量的业务结果。
然而，面对层出不穷、令人目不暇接的 AI 创新，企业需要一张清晰的全景地图来明确自身需求。为此，储瑞松提出了企业实现 Agentic 业务转型所需的AI的五层技术栈地图。
第一层是 AI 基础设施层，涵盖 GPU、AI 加速芯片以及配套的网络和存储，这是一切技术实现的基础。这一层的业务价值在于为模型提供充足的算力。对大多数企业而言，无需自行购买芯片或建设数据中心，这些底层基础设施是模型服务提供商和云厂商需要去操心的事情。
第二层是模型层。当前大模型的创新仍处于交替领先的快速迭代阶段，前沿模型既包括各类头部商业模型，也涵盖诸多能力强劲、大部分来自中国的开源模型。这一层的价值在于为智能体提供脑力服务。储瑞松将模型比作人才，指出不同岗位和工作应选用不同背景能力的人。对于企业应用来说，模型选择很重要。企业Agentic AI应用应根据实际需求选择在智力水平、速度和成本上最合适的模型，并且切忌自我设限，不要锁死在单一供应商的模型上。
第三层是数据和知识层。这一层的核心价值是为智能体提供相关、准确、新鲜且经过治理的高质量数据支撑。储瑞松坦言，绝大多数企业 AI 项目的失败，都是因为数据没有准备就绪。Agentic AI 应用若要为企业带来真正不可复制的差异化竞争壁垒，就必须深度融合并用好企业历经多年积累的自有数据与知识。高质量的数据是企业差异化竞争的壁垒：因为企业数据是自身多年积累的、别人无法短期复制。
第四层是 Agentic 平台层。当企业从几个试点智能体发展到成百上千个智能体协同工作时，就需要一个平台来赋能和管理这些智能体，这就像创业公司规模扩大后必须建立管理系统和 HR 机制一样。这一层的业务价值在于为智能体提供统一的运行环境、开发工具，并提供规则、评估与治理等管理能力。其关键在于能否很好地支持大规模智能体的开发、部署、管理与迭代，这也是企业 智能体应用从概念验证走向生产的分界线。
第五层是智能体与应用层，这是Agentic AI 真正为企业创造价值、交付业务结果之处。这些应用既包括软件开发、IT 运维、知识工作者、客户服务等跨行业的通用场景，也包括能为企业带来最大业务价值的特定行业或定制化应用。智能体如同企业的数字员工，为企业工作并交付真实的业务结果。
储瑞松进一步指出，在这五层技术栈之外，安全、效果、性能和成本这四个维度贯穿始终，从上到下每一层技术栈都需要考虑。首先是安全，涵盖模型安全、数据安全以及智能体的权限边界，这是是智能体落地的底线。其次是效果，即智能体产出结果的质量，从模型选择、数据质量、平台层护栏，到智能体的设计与实现，每一层都会影响最终效果。第三是性能，包括响应速度、吞吐量和延迟等指标，是智能体在生产环境中服务海量用户时的必选项。最后是成本，企业必须能够将成本从智能体一路拉通到平台、数据和模型 Token，如果无法厘清智能体完成单项任务的实际花费，企业做的就不是部署，而是实验。
储瑞松强调，所有五层技术栈的存在，最终都是为了最顶端的业务产出服务。真正决定 Agentic 项目成败的唯一标尺，是可衡量的业务产出。企业必须量化Agents带来的业务价值，无论是任务完成吞吐量、产出质量、每任务成本、交付周期，还是人力等效、客户满意度与营收增长等偏宏观的指标。
Agentic AI不仅是技术创新，更是业务变革
储瑞松强调，Agentic AI不仅是技术创新，更是业务变革。
储瑞松认为，企业要实现Agentic业务转型需要关注五个关键维度。首先Agentic AI的项目必须是业务结果导向而非工具导向，企业的决策重点需要从“选择技术和工具”转向“定义要达成的业务结果”，并以此反向驱动技术实现。其次，数据是企业的核心护城河，数据将从静态资产转化为持续驱动Agentic AI为企业创造价值的核心战略资产。第三，Agentic平台成为概念验证与生产的分界线，成百上千个智能体与人类员工、以及智能体之间的协同，必须依赖统一的平台进行赋能与管理。第四，信任和治理是发展的加速器而非刹车，在 Agentic AI 时代，清晰的授权体系、可追溯的决策机制以及自动化的审计能力，能保障智能体更安全、更放心地规模化运行。治理正在变成规模化部署智能体的前提而非限制。最后，组织内团队之间角色分工与协作得更为重要，由于智能体本质上是一支数字劳动力，企业需要建立全新的角色、机制和责任体系来协调和规范人机协作，如同管理人力资源一般去管理这支智能的数字劳动力。
对于想要开启智能体项目的企业，储瑞松给出了两点的建议。第一是选择合适的 Agentic场景。起始场景无需过于复杂，但需要对企业有切实的价值。该场景应具备明确的起点、终点和业务目标，需要智能体在多个系统和工具之间进行选择和判断，拥有可衡量的成功标准，并具备安全的失败模式，确保万一执行出错不会造成不可逆的后果。第二是明确智能体的边界，理清智能体的自主程度、管辖范围以及人机协作的审核分工。一个实用的方法是如同为新员工撰写工作岗位描述一样去定义智能体，明确其职责、交付标准与出错预案，并将其与业务 KPI 直接关联，从而在第一天起就能衡量其价值。在此基础上，企业便可以开启并成功上线第一个业务工作流进而积累经验并开启更多的Agentic AI工作流。
