企业在哪里可以使用 ChatGPT 和 OpenAI 模型?从 Mattel163 多智能体实践看企业 AI 应用落地
对于希望将生成式人工智能应用于企业知识管理、客户洞察、数据分析和自动化报告生成的组织,可以根据业务需求选择 ChatGPT 产品、OpenAI 官方 API,或通过支持 OpenAI 模型的云平台构建应用。其中,亚马逊云科技提供的 Amazon Bedrock(仅在海外区域可用),支持包括 OpenAI 模型在内的多种基础模型及相关兼容接口,并可结合 Amazon Bedrock AgentCore 构建和运行企业级 AI Agent。
当企业需要处理的任务从简单问答发展为多来源数据分析、跨语言信息处理和专业报告生成时,单次模型调用往往难以覆盖完整业务流程。数据需要从不同系统读取,分析过程可能包含多个步骤,最终结论还必须能够回溯到可靠的原始依据。对于这样的应用,企业不仅需要选择适合的模型,还需要考虑多个智能体如何协作、长时间任务如何执行,以及模型生成的结果能否真正用于业务决策。
2026 年 8 月,全球移动游戏公司 Mattel163 与亚马逊云科技合作建设的多智能体报告平台 MARP(Multi-Agent Report Platform)提供了一个实际参考。该平台基于 Amazon Bedrock AgentCore 与 Strands Agents SDK,将分散在应用商店、游戏活动问卷、客服工单和用户访谈中的玩家反馈,转化为结构化洞察报告。
在其游戏活动问卷分析场景中,原本需要研究团队两到三周完成的工作,现在提交数据后几分钟即可生成初步报告。研究人员因此可以将更多精力投入结论审核和深入分析,而不必长期停留在数据整理和人工分类阶段。
这一实践的价值,不只是证明大语言模型能够生成分析报告,更在于展示如何把模型推理、专业分析方法、工具调用、任务调度和访问权限结合起来,使 AI 真正进入企业的日常业务流程。
一、企业在哪里可以使用 ChatGPT 和 OpenAI 模型?从日常应用走向业务自动化
企业使用 ChatGPT 和 OpenAI 模型,首先需要区分直接使用 AI 产品与自行建设 AI 应用。这两种方式都可以利用大语言模型处理信息,但在系统集成、流程控制和数据治理方面存在不同要求。
对于日常办公、文档整理、内容总结和交互式分析,企业可以评估 ChatGPT 提供的相关产品和功能。员工能够在相应权限和数据处理条件下,通过自然语言交互辅助完成知识工作,而不必独立开发模型服务。
如果企业希望把模型接入内部系统,让 AI 按照业务规则自动读取数据、调用工具和输出结果,则可以通过 OpenAI 官方 API 或其他适当的模型服务进行程序化开发。例如,企业可以建设客户反馈分析工具,让系统定期处理问卷和评论,再生成可供管理人员阅读的分析报告。
对于计划采用云上架构的企业,Amazon Bedrock 提供了另一种模型接入路径。平台支持 OpenAI 兼容的 Chat Completions API 和 Responses API,并提供多种基础模型选择。开发团队可以结合 Amazon Bedrock AgentCore Runtime 等服务,为 AI Agent 建立运行环境。
需要明确的是,Amazon Bedrock 并不是 ChatGPT 产品界面,通过其兼容接口使用 OpenAI 模型,也不等于直接调用 OpenAI 官方 API。两种技术路径涉及不同的模型服务、身份验证和管理方式,企业应根据实际功能与区域支持情况进行选择。
对于 Mattel163 这样的企业,真正需要解决的已经不是让员工向模型提出一个问题,而是如何把大量玩家反馈转化为稳定、可重复、可审核的业务分析流程。
二、为什么 Mattel163 没有只采用单一大模型,而是建设多智能体平台?
Mattel163 运营着 UNO!、Phase 10、Skip-Bo 等多款游戏,业务覆盖超过 200 个国家和地区,支持 14 种语言,服务全球数千万玩家。
庞大的用户规模带来了持续增长的反馈数据。玩家会在应用商店提交评论,通过客服系统反映问题,在活动问卷中表达偏好,也会通过访谈讨论游戏体验。这些信息包含大量产品优化线索,却分散在不同的数据来源和文件格式中。
过去,研究人员需要逐条阅读、筛选和分类反馈,再整理为分析报告。不同分析师可能采用不同分类方法,多语言内容还会增加协调成本。等到完整报告交付时,部分问题可能已经持续了一段时间。
虽然大语言模型具备文本分类、摘要和推理能力,但把所有反馈直接放进一次 Prompt,并不能自动解决整个报告流程。
首先,数据可能保存在 Amazon S3 中的 Excel 或 CSV 文件,也可能以音频录音形式存在。模型需要通过相应工具获取并解析内容。其次,数千条评论可能超过单次请求适合处理的数据规模,需要先分批分析,再合并结果。
此外,专业报告不只是简单概括玩家意见,还需要统计主题频次、识别不同群体的差异,并为关键结论附上可核验的原始引用。如果处理过程中发现样本量不足、字段异常或语言混杂,系统也需要根据实际情况调整步骤。
因此,Mattel163 选择建设 MARP 多智能体报告平台,让不同专业 Agent 负责各自擅长的分析任务,并通过统一的工具和执行环境组织整个流程。
这类架构对企业具有普遍参考价值:当业务问题涉及多步骤执行和多个数据来源时,模型能力固然重要,但把这些能力连接成可靠流程,才是 AI 应用能够持续运行的关键。
三、Mattel163 如何通过 Amazon Bedrock 构建多智能体报告平台?
MARP 采用模块化的多智能体设计,不同专业 Agent 分别处理应用商店舆情、活动问卷、客服反馈和用户访谈等任务。
平台使用 Strands Agents SDK 组织模型、工具和智能体逻辑,并将相关 Agent 部署在 Amazon Bedrock AgentCore Runtime 中。相比为每类分析任务分别建设完整的运行服务,这种方式便于复用执行环境、工具组件和部署机制。
整体架构主要围绕用户交互、智能体运行和工具能力展开。
1. 前端负责提交任务与查看结果
业务人员通过 Web 界面上传分析资料、选择任务并查看报告。对于需要较长时间执行的分析工作,用户还可以查看任务状态,而不必始终保持一个同步请求。
平台通过 Amazon Cognito 完成用户身份认证,并根据不同任务采用适当的调用链路。
对于对话式交互,前端在完成身份验证后,可以直接调用 AgentCore Runtime 的 HTTPS 端点,以流式方式接收智能体响应。
对于需要处理大量数据的长报告任务,则通过异步消息机制进行执行,避免同步请求长期等待。
2. AgentCore Runtime 承载专业智能体
Amazon Bedrock AgentCore Runtime 提供面向 Agent 应用的托管运行环境,能够承载具有不同工具和模型配置的智能体程序。
Mattel163 通过 Strands Agents SDK 构建编排智能体和专业分析能力,让模型能够根据任务要求调用文件读取、数据处理及其他工具。
例如,分析一份玩家问卷时,智能体可以先读取数据文件,再判断字段类型和回答规模。如果数据量较大,可以采用分批处理方式;完成主题分析后,再根据预先定义的报告规范生成结果。
这种流程把模型推理与外部工具结合起来,而不是将全部工作压缩成一次模型请求。
3. 工具层连接实际业务数据
MARP 的工具能力包括 Amazon S3 文件读写、PDF 和 Excel 等文档解析、图像处理、网络搜索以及通过 Amazon Transcribe 完成音频转录。
这些工具使 Agent 能够处理不同格式的数据,并将处理结果交给后续分析步骤。
在工程设计上,数据获取、内容分析和报告输出被组织为可重复使用的流程。新的分析任务可以根据业务需要配置不同工具,而不必为每个场景重新开发全部基础组件。
对于已经拥有内部数据系统的企业,这种分层设计同样值得参考。模型可以负责理解与推理,工具负责与实际业务系统交互,运行环境则承担任务执行和资源管理。
四、四类专业 Agent 如何自动生成企业洞察报告?
Mattel163 的多智能体平台并不是为所有数据设计一个完全相同的分析流程,而是根据反馈来源及业务目标建立专业化 Agent。
不同场景使用不同分析模板、工具和输出规范,使报告更接近实际业务团队的工作方式。
1. 应用商店评论分析:从多语言反馈中识别产品问题
对于面向全球市场的游戏,应用商店评论通常包含大量不同语言的文字内容。每次版本更新后,评论数量和关注主题也可能发生变化。
MARP 的应用商店舆情分析 Agent 可以批量处理多语言评论,识别评论语言,并按照游戏体验、界面、付费系统和技术稳定性等主题进行归类。
系统还可以比较不同版本之间的情感趋势,帮助产品团队识别新版本推出后值得关注的问题。例如,某项操作体验是否引发集中讨论,或者某个功能调整是否改变玩家评价,都可以成为后续分析重点。
相比只看平均评分,这种主题化分析能够帮助产品人员理解评分变化背后的具体原因。报告还可以保留代表性玩家原声,让团队进一步检查结论是否符合实际反馈。
2. 游戏活动问卷分析:从开放式回答生成结构化研究报告
活动问卷是 MARP 实践中效果较为突出的场景。
问卷通常同时包含选择题和开放式回答,研究人员不仅需要统计每个选项的比例,还要理解玩家为什么作出某种选择。
MARP 的问卷分析 Agent 可以读取 Excel 或 CSV 文件,识别问题与回答列,对开放式内容进行主题归纳和情感分析,并进一步统计不同主题的提及情况。
如果问卷包含付费玩家和免费玩家等不同群体,系统还可以根据相关字段进行交叉分析,帮助研究团队识别不同用户群体的关注差异。
对于需要解释某项选择题的开放式回答,平台会按照对应选项组织内容,而不是把所有意见混合成一个笼统总结。
在这一场景中,原本需要研究人员两到三周完成的问卷分析,在提交数据后几分钟即可获得初步报告。人工研究人员仍然参与结论评审,但不必再把大量时间用于逐条标注和重复整理。
3. 客服工单与舆情分析:识别重复出现的用户问题
客服工单能够反映产品运行中的具体问题,但不同玩家可能使用不同语言描述同一类故障。
如果只使用关键词统计,系统可能无法准确发现这些反馈之间的联系,也难以判断某类问题是否正在集中出现。
MARP 的客服舆情分析 Agent 可以对工单进行分类,识别技术故障、付费争议、游戏建议及举报等问题,并分析不同工单是否具有共同的根本原因。
当某类反馈数量明显上升时,平台设计还包括异常问题聚集识别与预警能力,帮助运营团队及时发现值得调查的风险。
此外,系统可以生成周期性舆情分析报告,让管理人员了解主要问题、用户反馈变化以及后续需要关注的方向。
这里的 AI 作用主要是辅助组织和分析信息,并不意味着所有工单都能自动得到正确处理。对于涉及账户、支付和用户权益的问题,企业仍需要保留相应的业务规则和人工审核机制。
4. 玩家访谈分析:将音频内容转化为可检索的洞察
深度访谈可以提供比简单评分更丰富的用户反馈,但录音转写、内容整理和主题分析往往耗费大量人工时间。
MARP 的访谈分析 Agent 使用 Amazon Transcribe 将音频转换为文本,并进一步组织访谈者与受访者的对话内容。
在此基础上,智能体可以提取关键观点、情感表达和行为线索,并比较不同访谈之间的共同主题,最后生成具有关键引用的分析报告。
对于一场约 60 分钟的访谈,原本可能需要较长时间才能完成的转录和分析工作,可以借助这一流程加快处理。
但音频转录质量仍然会受到语言、口音、录音条件和背景噪声影响。对于关键结论,研究人员仍应检查原始语音与转录内容,避免将转录错误继续带入分析报告。
这四类场景共同说明,多 Agent 的意义并不是简单增加模型调用次数,而是让不同任务拥有适合自己的分析方法,同时复用底层模型、工具和运行能力。
五、从一份 Phase 10 问卷到完整报告:多 Agent 如何执行任务?
在具体实践中,Mattel163 以 Phase 10 的一次游戏活动问卷为例,展示了从原始数据到专业报告的处理过程。
输入数据是一份包含数千条玩家回答的 CSV 文件,里面既有选择题,也有混合多种语言的开放式内容。目标是生成符合用户体验研究团队要求的报告,包括主题分类、情感倾向、不同玩家群体的差异以及可回溯的玩家引用。
整个任务可以分为几个连续环节。
数据读取与结构识别。 Agent 首先从 Amazon S3 下载问卷文件,调用文档工具解析字段,识别不同问题与回答之间的关系。该实践展示的执行记录中,系统识别出 12 个字段,其中 3 列属于开放式回答。
分批处理与主题归纳。 当数据规模不适合一次性全部输入模型时,智能体使用工具进行数据切分和预处理,再对不同批次的内容开展主题分类与情感分析。
汇总统计与证据提取。 系统根据各批次结果汇总主要主题,统计相关反馈频次,并为不同结论选择能够反映主题的原始玩家意见。
报告生成与结果保存。 最后,Agent 根据预先配置的分析模板组织研究背景、方法、主题发现和建议,并检查关键结论是否具有适当的证据支持。生成的报告随后上传至 Amazon S3,供相关团队查阅。
这一流程的重要特点是,智能体可以根据中间结果调整执行方式,而不是严格依赖一段固定的文本生成指令。
例如,面对较大的数据集,系统可以先分批处理;如果某项发现的样本量不足,则需要在报告中反映相应限制。
这使 AI 报告更接近具有明确分析步骤的研究工作,而不仅是一篇根据输入数据生成的文字摘要。
六、AI 报告如何保证可信?Mattel163 将证据链写入分析标准
企业使用大模型自动生成报告时,一个重要问题是如何判断结论是否真正来自原始数据。
如果一份报告只是语言流畅,却无法解释某项发现依据哪些用户反馈,那么即使阅读体验良好,也很难直接用于产品决策。
Mattel163 与用户体验研究团队共同制定了报告质量标准,将分析方法和证据要求写入结构化模板。
1. 每项重要洞察都要有可回溯的原始引用
对于包含玩家反馈的分析报告,关键结论需要尽可能附上对应的玩家原话,而不是只保留模型整理后的概括。
相关引用还要求记录玩家角色 ID 和 VIP 等级等信息,使研究人员能够回到原始数据检查内容。
这种方式能够减少模型在生成报告时脱离数据自由推断的空间,也让审核人员更容易判断某个结论是否获得足够支持。
不过,引用存在并不自动证明结论正确。研究人员仍需要检查引用是否具有代表性,统计口径是否一致,以及模型是否遗漏了重要的反面意见。
2. 主题必须具体,不能停留在笼统评价
在研究报告中,简单写出“玩家体验很好”或“用户不满意”,通常不足以指导后续产品工作。
Mattel163 的分析规范要求主题名称具体、可操作,并结合实际反馈解释问题发生在哪里。
例如,对于操作体验问题,研究人员更需要知道玩家关注的是操作响应、回合节奏还是界面信息,而不是只看到一个宽泛的好评或差评标签。
对于样本量不足的主题,报告也需要说明相应的置信度限制,避免将少数玩家意见直接放大为整体结论。
3. 专家负责定义分析方法,Agent 负责执行
MARP 将用户体验研究团队长期积累的方法论组织为分析模板,包括角色定义、任务步骤、输出结构和质量规则。
模板不需要全部写死在智能体代码中,因此业务专家可以根据研究需要调整分析要求,而开发团队继续负责底层运行和工具集成。
这使企业能够区分两类工作:业务专家决定什么样的分析结果才有价值,工程团队决定怎样稳定执行这些分析任务。
对于其他行业,这种分工同样可以参考。例如,客服主管可以定义服务质量分析标准,市场研究人员可以定义消费者反馈分类方法,而无需直接维护 Agent 的全部代码。
七、生产级多 Agent 如何管理长任务、失败重试和实时进度?
能够生成一次完整报告,不代表系统已经满足长期运行要求。
对于数千条评论、复杂问卷或音频访谈,分析任务可能执行几分钟甚至数十分钟。如果让前端一直等待同一个同步请求,不仅用户体验不理想,也容易受到接口超时和网络中断影响。
MARP 因此将对话式交互和长报告任务设计为不同的调用链路。
1. Amazon SQS 解耦任务提交与实际执行
对于长报告任务,平台使用 Amazon SQS 消息队列协调任务处理。
用户提交任务后,系统可以先返回任务 ID,再由后台执行相应分析,而不必让用户页面长期等待。
任务状态保存在 Amazon DynamoDB 中,并按照待处理、运行中、已完成或失败等状态进行更新。用户即使离开页面,也可以在之后重新查看任务进度和最终结果。
为处理反复执行失败的任务,平台还配置了死信队列(DLQ)。当任务由于模型限流、文件格式异常或其他问题多次尝试仍然失败时,相关消息可以转入死信队列,供运维人员进一步排查和重新处理。
这一机制的价值在于让失败变得可识别、可管理,而不是让任务在用户没有察觉的情况下消失。
2. WebSocket 与流式事件展示执行过程
除了后台状态管理,MARP 还使用 WebSocket 向前端推送智能体执行过程。
通过 Strands Agents SDK 的 stream_async() 机制,系统能够逐步输出相关事件,例如当前正在调用工具,或者进入了某个报告生成阶段。
这些执行信息经相应接口发送到前端,让用户能够更清楚地了解任务状态。
对于长时间运行的分析系统,这种透明度具有实际意义。用户不需要一直面对没有进度说明的等待界面,研发团队也可以结合执行记录定位任务异常。
3. AgentCore Runtime 提供托管执行环境
相关长任务最终由 Amazon Bedrock AgentCore Runtime 承载。
它能够支持实时交互以及需要较长时间执行的 Agent 工作负载,并提供会话隔离和相应运行能力。
相比完全自行建设容器管理、自动扩展和会话处理机制,托管运行环境可以让团队把更多开发精力放在业务逻辑与工具实现上。
不过,AgentCore Runtime 并不自动解决全部业务问题。任务的幂等性、重试策略、数据状态和异常处理仍需要根据具体应用设计。
八、从单个 Agent 到多智能体平台,如何避免重复开发?
当企业只有一个 AI 应用时,直接编写智能体代码通常能够满足需求。但如果业务逐渐扩展到多个 Agent,每个 Agent 都需要独立配置模型、工具、身份信息和部署流程,维护工作就会不断增加。
MARP 为此引入了 Agent-as-Code 的设计方式,通过 Agent Toolkit 将智能体定义为可以管理的配置文件。
开发者可以通过 YAML 声明智能体名称、模型、系统指令、工具、记忆和其他配置,再由工具链完成校验、生成标准化代码和部署。
这种方式将大量重复的开发工作转化为配置管理。
工程团队定义能力边界
工程人员可以统一维护工具注册表,声明每个工具所需的依赖及运行方式。
对于文件读取、Amazon S3 操作和文档处理等公共能力,不同 Agent 可以按需复用,而不需要反复开发相同的工具封装。
MARP 还支持通过 Model Context Protocol(MCP)集成适当的外部工具,使新能力可以通过统一机制进入 Agent 的工具体系。
在部署之前,配置校验步骤会检查名称、工具依赖和编排路由等内容,减少无效配置进入运行环境的可能性。
业务团队维护专业分析模板
与工程配置不同,业务分析模板主要负责定义研究目标、执行步骤、输出格式和证据规则。
例如,产品研究人员可以调整问卷分析中的主题分类要求,而不需要修改底层的文件读取程序。
这种设计使一个新的业务场景可以通过新增专业化智能体配置与分析模板来实现,降低不同团队之间的相互依赖。
对于准备建设企业 AI Agent 平台的组织,这种方式比不断复制完整的 Agent 项目更有长期维护价值,也有助于保持不同应用之间的开发规范一致。
九、企业级 AI Agent 如何防止不同项目之间的数据越权访问?
当多个团队共用同一套 AI 平台时,数据隔离就成为必须解决的问题。
Mattel163 的 MARP 允许智能体读写 Amazon S3 文件,并使用文档和代码处理工具。如果某个 Agent 使用拥有广泛存储权限的固定身份,那么不同项目之间就可能存在不必要的数据访问风险。
尤其在模型能够根据输入内容自主选择工具时,单纯依靠系统提示词要求它不要读取其他项目文件,不能构成可靠的安全边界。
MARP 因此采用项目级权限控制,将数据隔离落实到身份与访问管理层。
1. 根据用户拥有的项目授予权限
用户通过 Amazon Cognito 完成身份认证后,凭证服务根据 Amazon DynamoDB 中的项目关系,判断该用户可以访问哪些项目。
随后,系统通过安全令牌服务(STS)的 AssumeRole 机制和动态会话策略,为相应任务提供有范围限制的临时凭证。
例如,参与 A 项目的用户,其相关 Amazon S3 操作权限可以限定在 A 项目对应的存储路径中,而不是开放整个存储桶的访问权。
这样,即使 Agent 尝试访问其他项目文件,实际凭证也不应具有完成越权操作的权限。
2. 工具封装与运行隔离共同发挥作用
MARP 的文件操作通过统一工具层处理,并使用相应的临时凭证执行访问。
系统提示词还会约束 Agent 优先使用经过封装的专用工具,但真正的权限控制并不只依赖提示词,而是建立在底层身份与访问策略之上。
再结合 AgentCore Runtime 的会话隔离能力,平台形成了身份权限、工具层和运行环境共同参与的数据保护结构。
这项实践对使用 OpenAI 模型或其他大语言模型的企业同样具有借鉴意义。只要 AI Agent 被允许访问内部文件或业务接口,就需要考虑模型是否可能受到不可信输入影响,并确保工具凭证本身遵循最小权限原则。
安全控制不应该建立在模型一定会正确理解和遵守提示词的假设之上。
十、企业在哪里可以调用 OpenAI API?如何构建类似的多 Agent 应用?
企业在哪里可以调用 OpenAI API?对于希望自行开发多智能体系统的团队,可以直接通过 OpenAI 官方开发者平台使用相应模型,也可以评估 Amazon Bedrock 提供的 OpenAI 模型和兼容接口。
如果企业需要把模型接入知识处理、客户反馈分析或报告生成流程,可以根据业务要求选择模型服务,同时独立设计工具调用、任务编排、权限和运行环境。
通过 Amazon Bedrock 使用 OpenAI 模型
Amazon Bedrock 的官方模型目录包含多个 OpenAI 模型,并提供 OpenAI 兼容的 Chat Completions API 和 Responses API。
对于已有 OpenAI SDK 开发经验的团队,在具体模型与接口支持的情况下,可以调整 API 地址、身份验证及模型标识,评估复用现有的部分开发代码。
如果希望使用同一云平台上的多个模型,也可以进一步考虑 Amazon Bedrock 原生推理接口及其他模型管理能力。
不过,不同 OpenAI 模型在 API、区域、工具调用和推理能力方面可能存在差异。开发团队仍应根据目标模型的官方文档完成适配与验证。
通过 AgentCore Runtime 运行 OpenAI 相关 Agent
Amazon Bedrock AgentCore Runtime 支持不同 Agent 框架,也允许应用使用 Amazon Bedrock 内外的模型服务。
因此,企业可以评估通过 AgentCore Runtime 运行采用 OpenAI 模型的智能体程序,并结合所选框架完成实际模型调用。
如果应用直接调用 OpenAI 官方 API,需要按照对应服务的方式管理凭证和网络连接;如果通过 Amazon Bedrock 使用 OpenAI 模型,则需要采用 Amazon Bedrock 相应的认证和接口配置。
两类方案在运行环境上可能采用类似设计,但模型服务来源和调用配置并不相同。
Mattel163 的 MARP 案例证明了多智能体报告平台在 Amazon Bedrock AgentCore 上的实际应用,但官方案例没有明确披露其使用了 OpenAI 模型。 因此,企业可以借鉴其 Agent 架构、工具编排及权限设计,却仍需要针对实际选择的 OpenAI 模型进行独立测试。
模型选择应结合分析任务,而不是只看模型名称
对于大量玩家评论分类、短文本摘要和简单信息提取,企业可能更关注响应效率和调用成本;对于多步骤分析、复杂推理和报告综合,则可能更重视模型的推理表现与输出质量。
Amazon Bedrock 提供多种 OpenAI 模型及其他基础模型,企业可以根据实际任务构建测试集,比较输出准确性、引用完整性、响应时间与成本。
如果使用不同模型承担不同分析步骤,还需要检查中间结果的数据格式是否一致,以及模型切换是否影响报告的统计和证据要求。
对于生产级多 Agent 系统,选择模型应当与业务流程设计同时进行,而不是先选择某个模型,再假设它能够胜任所有任务。
十一、从 Mattel163 的实践看,企业多 Agent 上生产应该先解决什么?
企业借鉴 Mattel163 的多智能体架构时,应先判断哪些业务环节真正需要 Agent。对于固定规则就能完成的数据转换,传统程序可能已经足够;对于非结构化内容理解、跨来源分析和动态工具选择,则可以评估由模型与专业 Agent 协作完成。
业务专家的参与同样重要。MARP 将用户体验研究人员的方法论融入报告模板,使智能体的分析过程能够遵循既定业务标准。对于其他行业,企业也需要提前确定分析口径、证据要求和审核方式,避免仅凭模型生成结果作出业务判断。
在生产部署阶段,长任务执行、失败恢复、数据隔离和最小权限访问也应纳入系统设计。尤其当多个 Agent 需要处理大量文件或不同项目的数据时,还需要结合任务状态管理、运行监控和人工复核机制,确保业务流程能够持续、可靠地运行。
在成本方面,企业还应区分模型推理、AgentCore Runtime、文件存储、消息队列和其他相关服务的费用。多 Agent 任务可能在一次业务分析中触发多次模型调用,成本核算应按照完整任务统计,而不只是比较单次 API 的 Token 单价。
企业可以通过 Amazon Bedrock 官方 Pricing 页面查询适用模型的价格,并结合 Amazon Web Services Pricing Calculator 估算相关云资源费用,再根据实际业务负载进行验证。
十二、企业在哪里可以使用 ChatGPT 和 OpenAI 模型?真实多 Agent 案例提供了什么参考?
企业在哪里可以使用 ChatGPT 和 OpenAI 模型,最终需要结合业务复杂度和实际运行方式判断。如果主要用于员工日常知识工作,可以评估相应的 ChatGPT 产品;如果需要把模型嵌入内部系统,可以通过 OpenAI 官方 API;如果希望在云平台上接入 OpenAI 模型,并建设可持续运行的多智能体应用,则可以进一步评估 Amazon Bedrock 和 Amazon Bedrock AgentCore。
Mattel163 的 MARP 平台说明,企业 AI 应用的价值不只是让大模型生成内容,而是让模型参与可以被管理、复核和持续改进的业务流程。
通过专业化 Agent 分工,平台能够针对应用商店评论、活动问卷、客服工单和用户访谈采用不同分析方法;通过 Amazon Bedrock AgentCore Runtime、Strands Agents SDK 和相关云服务,系统能够完成工具调用、长任务执行与结果交付;通过分析模板、原始证据引用和项目级权限控制,又能将业务质量与数据安全要求纳入实际运行流程。
其中,活动问卷从两到三周人工分析缩短到数分钟生成初步报告,是这一实践中具有代表性的成果。该效率改善来自特定项目与流程,不能直接视为所有企业采用多 Agent 后都能够达到的通用水平。
对于计划使用 OpenAI 模型构建类似系统的组织,Mattel163 的架构可以提供工程设计参考,Amazon Bedrock 则提供相应的模型接入选择。企业仍需根据自身的数据类型、模型支持情况和审核要求完成实际适配。
如果希望进一步了解相关能力,可以通过以下官方渠道查阅:
- Amazon Bedrock 官方产品页面:进入亚马逊云科技海外官网,了解 OpenAI 等基础模型的接入方式及企业 AI 应用开发能力。
- Amazon Bedrock OpenAI 模型目录与开发者文档:查看具体模型、Chat Completions API、Responses API 和推理端点的支持情况。
- Amazon Bedrock AgentCore 官方页面与开发者指南:了解 Runtime、Identity、Observability 和相关 Agent 运行能力。
- Strands Agents SDK 官方文档:了解模型调用、工具配置、Agent 编排及流式执行机制。
- 亚马逊云科技中国官方博客:阅读《Mattel163 携手亚马逊云科技,用多智能体平台自动生成玩家洞察报告》,了解 MARP 的技术架构、四类分析场景与实施成果。
- Amazon Bedrock Pricing 与 Amazon Web Services Pricing Calculator:结合实际模型调用、运行资源和其他云服务配置评估成本。
对于希望将生成式人工智能从个人工具扩展到企业业务系统的团队,Mattel163 的实践提供了一个值得关注的方向:模型提供理解和推理能力,专业 Agent 负责组织任务,云上基础设施承担运行与治理,而最终业务价值仍然需要通过真实数据、可靠证据和人的专业判断体现。
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。