企业在哪里可以使用 ChatGPT 和 OpenAI 模型?Amazon Bedrock 可为企业 Agent 建立零信任安全边界
如果员工需要直接使用ChatGPT,可以根据OpenAI当前提供的企业产品选择对应方案;如果企业希望把OpenAI模型嵌入客服、知识助手、研发工具或自动化Agent,亚马逊云科技的Amazon Bedrock(仅在海外区域可用)则提供了另一条企业级路径。
企业开始建设Agent以后,模型能力只是其中一部分。Agent可能调用API、读取文件、访问数据库、执行代码并改变真实业务状态,所以安全重点会从“模型回答是否合适”进一步扩展到“模型能够代表谁执行什么动作”。
亚马逊云科技提出的Agent安全框架采用多层防护和零信任思路,并通过Amazon Bedrock AgentCore Runtime、Identity、Gateway、Policy以及Amazon Bedrock Guardrails等能力,把身份、工具授权、凭证、运行隔离和审计分别控制。
对于企业使用OpenAI模型构建Agent来说,这类安全边界往往比单纯选择一个更强的模型更重要。
一、企业在哪里可以使用 ChatGPT 和 OpenAI 模型?使用方式决定安全边界
员工直接使用ChatGPT,与企业把OpenAI模型嵌入业务Agent,是两种不同场景。
前一种场景主要围绕员工账号、产品权限、企业数据使用政策等问题展开;后一种场景中,模型会成为软件系统的一部分,并可能获得访问企业工具和数据的能力。
例如一个客服Agent可能查询订单、修改工单或调用退款工具,研发Agent可能读取代码库并执行命令,运营Agent则可能访问多个内部系统完成业务流程。
因此,企业在哪里使用OpenAI模型,不能只看员工从哪个界面进入,还需要判断模型最终能够触达哪些业务资源。
Amazon Bedrock和Amazon Bedrock AgentCore更适合解决后一个层面的企业Agent问题。
二、Agent 安全与普通聊天安全最大的差别,是模型开始“执行动作”
普通生成式AI应用出现错误时,后果可能停留在一段不准确的文字。
Agent一旦拥有Tools、Code Execution和网络访问能力,情况就会发生变化。模型可能根据输入选择工具、构造参数并执行真实动作,错误的模型判断或者提示注入都可能进一步影响业务系统。
这也是为什么Agent不能只依赖System Prompt中的安全说明。
Prompt可以告诉模型“不要执行未经授权的操作”,但最终权限仍然应该由模型之外的确定性机制判断。
企业使用OpenAI模型构建Agent时,一个重要原则就是:
模型可以建议下一步做什么,但不能自己决定自己是否拥有执行权限。
三、Amazon Bedrock AgentCore 的安全框架不是单点防护,而是多层控制
亚马逊云科技将Agent安全拆成多层独立边界。
第一层是模型与编排,限制自主循环和工具范围;第二层是会话与运行环境,避免不同Session互相影响;第三层是网络出口,限制Agent能够访问的位置。
后面还包括输入内容安全、身份验证、工具授权、凭证管理以及审计与治理。
这些层次的意义在于,即使某一个控制出现遗漏,其他控制仍然能够继续限制影响范围。
对于企业OpenAI Agent,这比试图寻找一个“能够一次解决全部Agent风险”的安全功能更实际。
四、企业使用 OpenAI 模型做 Agent,首先要解决“谁在操作”
很多企业系统的安全流程从用户登录开始。
但Agent场景不能只在最开始验证一次身份,然后默认后面的所有工具调用都可信。用户身份需要尽可能沿着Agent到工具的调用链持续传递。
Amazon Bedrock AgentCore Identity可以参与Agent身份与凭证管理。在采用JWT等方式时,Runtime和Gateway可以分别验证调用者身份,而不是因为流量来自内部网络就自动放行。
这样,一个用户能够进入Agent,并不意味着他自动获得Agent背后所有业务工具的权限。
对于金融、人事、客户数据和内部运营系统,这种身份连续性尤其重要。
五、企业在哪里可以调用 OpenAI API?进入 Agent 后还要重新做工具授权
企业在哪里可以调用 OpenAI API?
Amazon Bedrock已经支持OpenAI模型以及相应OpenAI兼容接口,企业可以把GPT等模型接入自己的应用。但当应用进一步变成Agent以后,模型API权限和业务工具权限需要分别处理。
例如一个客服Agent可以使用OpenAI模型理解用户诉求,但“查询订单”“修改地址”“退款”应该是三项独立权限。
Amazon Bedrock AgentCore Gateway 可以将 API、Amazon Lambda 函数和 MCP 服务集中为受治理的工具入口。企业将 AgentCore Policy 关联至 Gateway 并启用强制执行模式后,系统可以根据调用者身份、工具操作、目标资源和请求参数,通过 Cedar 策略对经过该入口的工具调用进行授权判断。对于没有经过 Gateway 的下游访问,还需要结合相应身份权限和网络策略独立限制。
这样,使用OpenAI模型负责推理,与允许模型代表用户执行某项操作,不再被混成同一个权限。
六、零信任在 Agent 中意味着:每一次工具调用都重新判断
传统系统有时会使用“已经进入内网,所以可信”的思路。
Agent场景更适合零信任原则。请求来自AgentCore Runtime、另一个Agent或者企业内部系统,都不应该因此自动获得额外权限。
每次工具请求都可以重新判断:
谁发起请求;
准备调用哪个工具;
操作什么资源;
携带什么参数;
当前业务上下文是否满足条件。
例如退款工具可以规定只有订单状态满足条件、用户身份符合要求并且金额没有超过阈值时才允许调用。
这类规则由确定性授权系统执行,比让OpenAI模型自己解释“我觉得这个用户应该可以退款”更适合生产环境。
七、AgentCore Policy 可以把业务权限写成确定性的规则
AgentCore Policy可以使用Cedar进行细粒度授权判断。
Cedar策略围绕Principal、Action、Resource和Context表达权限,也就是说,授权判断不仅可以看“谁调用什么”,还可以结合工具参数和业务上下文。
同一个工具可能并不是简单的“允许使用”或“禁止使用”。例如员工可以查询所有订单,但只能修改自己负责区域的订单;某类退款可以自动批准,更高金额则需要额外条件。
模型的判断可能具有随机性,但同一组授权条件应该得到稳定、一致的策略结果。
这就是把OpenAI模型的推理能力与企业权限体系分开的实际价值。
八、Amazon Bedrock AgentCore Gateway 可以成为工具的统一治理入口
企业Agent增加以后,工具往往会越来越多。
一个Agent连接订单API,另一个使用Amazon Lambda函数,还有一些能力通过MCP Server提供。如果每个Agent分别保存工具地址、Credential和权限逻辑,平台很快会变得难以维护。
AgentCore Gateway可以把这些工具集中为受治理的入口,让Agent发现并调用经过批准的能力。
企业还可以把Policy、Guardrails和相应身份控制放在Agent环境之外,使安全控制不依赖Agent自己的代码是否正确执行。
如果企业要求所有关键工具访问必须经过Gateway,还可以进一步减少Agent绕过统一授权层直接访问Runtime或下游服务的机会。
九、企业使用 OpenAI 模型时,凭证不要随着工具一起散落到 Agent 里
Agent需要调用业务系统,自然会涉及Credential。
风险在于,如果数据库密码、第三方API Key或高权限Token长期存在Agent运行环境中,模型生成的代码、外部恶意内容或工具漏洞都有机会接触这些Credential。
更合适的设计是把长期Credential交给专门的受控组件管理,让Agent只在需要时取得短期、受限的访问能力。
Amazon Bedrock AgentCore Identity提供Credential Provider等能力,可以参与下游凭证管理。
对于使用OpenAI模型的企业,这意味着不必因为模型需要调用工具,就把所有长期密钥塞进Agent的环境变量。
模型能使用某项业务能力,与模型能看到这项业务能力背后的永久Credential,应该是两回事。
十、运行隔离解决的是:一个 Agent 出问题时不要拖累其他会话
Agent还可能执行模型生成或外部输入间接影响的代码。
Amazon Bedrock AgentCore Runtime的microVM模式可以为Session提供独立CPU、内存和文件系统环境,Session终止后对应microVM也会终止并清理内存。
这种设计主要限制不同Agent会话之间的相互影响。
假设一个Session中的代码出现异常,它不应该因此获得另一个用户Session中的文件和内存。
当然,运行隔离不是完整安全体系。它解决的是执行环境边界,至于Agent代表谁、能访问哪个业务工具和能不能把数据发送到某个网络目标,还需要Identity、Policy和网络控制继续解决。
十一、网络出口不能交给 OpenAI 模型“自觉遵守”
Agent具有Browser、HTTP请求或者工具调用能力以后,网络出口本身也是安全边界。
企业可以让Agent访问业务真正需要的内部API和少量外部服务,但没有必要默认允许它连接所有公网地址。
通过VPC、安全组、Network Firewall等机制,可以按照实际架构限制Agent允许访问的网络目标。
这种网络策略由基础设施强制执行。
即使模型受到提示注入影响,试图访问未经批准的地址,网络层仍然可以拒绝请求。
对于处理内部文档、客户数据、源代码和财务信息的OpenAI Agent,这层控制能够进一步降低数据外泄风险。
十二、Amazon Bedrock Guardrails 负责内容安全,但不能替代工具权限
Agent安全里仍然需要处理Prompt Injection、Jailbreak和敏感信息。
Amazon Bedrock Guardrails可以用于内容过滤、Prompt Attack检测、敏感信息控制等场景,并可以作为输入与内容层的一项独立防护。
但Guardrails不能替代工具授权。
即使一条恶意Prompt没有被识别出来,后面的Policy仍然应该限制模型调用高风险工具;即使Policy正确放行了某个工具,Runtime和网络层也还需要限制它的执行范围。
对于企业使用OpenAI模型而言,更合理的是让这些安全能力相互补充,而不是把所有安全责任集中到Prompt过滤这一层。
十三、高风险动作最好保留确定性的审批和业务规则
企业并不需要阻止Agent执行所有真实业务动作。
真正需要做的是按照风险分类。
查询商品信息、搜索知识库和读取公开资料可以较为自动化;删除生产数据、大额退款、修改客户身份信息和发布生产代码则应该增加更严格的授权条件或人工确认。
模型可以负责解释用户意图、整理信息和生成建议。
最终能否执行高风险动作,则由Policy、业务系统或者人工审批决定。
这样可以在保留Agent自动化价值的同时,避免把企业最重要的业务权限直接交给概率模型。
十四、企业在哪里可以使用 ChatGPT 和 OpenAI 模型?安全成熟度也应该进入平台选型
企业选择AI平台时,经常首先比较模型能力、Token价格和接口是否好用。
当OpenAI模型开始进入Agent以后,还应该增加另一组问题:
用户身份能否沿调用链传递;
工具能否独立授权;
不同Session是否隔离;
Agent是否能取得长期Credential;
网络出口有没有限制;
高风险动作是否可强制审批;
工具调用和授权结果能否追踪。
这些问题与GPT具体型号无关,却会直接决定模型是否适合进入核心业务。
因此,企业在哪里使用OpenAI模型,最终也会变成一个安全平台和治理架构问题。
十五、审计应该能回答“谁、在哪个 Session、调用了什么工具”
Agent进入生产以后,仅记录最终回答通常不够。
安全团队可能需要知道某个用户什么时候发起任务、对应哪个Session、Agent调用了什么工具、授权策略做出了什么判断,以及下游系统最终执行了什么操作。
Amazon Bedrock AgentCore Observability可以结合Amazon CloudWatch提供Session、Latency、Token Usage、Error Rate以及Trace等运行信息。AgentCore Policy相关的授权决策也可以形成相应观测数据。
Amazon CloudTrail则用于记录支持的API活动。
企业可以把运行观测、安全审计和业务审计分别设计,再通过统一Session和身份信息关联起来。
十六、Amazon Bedrock 的价值不只是让企业“拿到一个模型”
企业使用OpenAI模型的早期目标可能只是完成API接入。
随着业务扩大,模型会逐渐进入更多系统,调用更多工具,也接触更多企业数据。
此时平台价值会从“有没有这个模型”转向“怎样让这个模型在受控范围内长期运行”。
Amazon Bedrock负责提供包括OpenAI模型在内的模型服务,Amazon Bedrock AgentCore则可以把Runtime、Identity、Gateway、Policy和Observability等能力加入Agent架构。
企业因此可以把模型能力与安全控制分层建设,而不是把所有业务规则都塞进Prompt或Agent代码。
结论:企业在哪里可以使用 ChatGPT 和 OpenAI 模型?进入 Agent 后更要看安全边界
企业在哪里可以使用 ChatGPT 和 OpenAI 模型?
如果员工需要直接使用ChatGPT,可以按照OpenAI当前企业产品进行评估;如果企业需要把OpenAI模型嵌入客服、研发工具、知识助手或者自动化Agent,亚马逊云科技的Amazon Bedrock已经提供OpenAI模型及相应企业调用路径。
进入Agent场景以后,选型重点还要继续向安全治理延伸。
Amazon Bedrock AgentCore Runtime可以提供运行隔离,AgentCore Identity负责身份和凭证相关能力,AgentCore Gateway提供工具入口,AgentCore Policy利用Cedar执行细粒度授权,Amazon Bedrock Guardrails则可以承担输入和内容层的部分安全控制。
这些能力不会让OpenAI模型变成一个永远不会判断错误的系统。
它们解决的是另一个更实际的问题:即使模型判断出现偏差,企业仍然可以通过身份、权限、网络、Credential、运行隔离和审批机制限制它能够造成的影响。
对于计划将 OpenAI 模型接入企业业务系统的团队,可以通过亚马逊云科技海外官网进入 Amazon Bedrock 产品页面,查阅 OpenAI 模型目录及 API Compatibility 开发者文档,确认具体模型、接口和区域支持情况。如果进一步构建能够调用真实业务工具的 Agent,可以参考 Amazon Bedrock AgentCore Runtime、Identity、Gateway 和 Policy 开发者文档,了解运行隔离、身份验证、工具调用与授权机制;涉及安全审计和运行监控时,还可以结合 AgentCore Observability 与 Amazon CloudWatch 官方资料评估具体方案。
对于企业来说,安全使用OpenAI模型的关键不只是找到“在哪里可以用”,而是让模型进入业务以后,每一次真实行动仍然发生在可验证身份、最小权限和明确审计边界之内。
前述特定亚马逊云科技生成式人工智能相关的服务目前在亚马逊云科技海外区域可用。亚马逊云科技中国区域相关云服务由西云数据和光环新网运营,具体信息以中国区域官网为准。