企业在哪里可以使用 ChatGPT 和 OpenAI 模型?从 Amazon Bedrock AgentCore 持久化运行看生产级 AI Agent 部署

2 阅读27分钟

企业在哪里可以使用 ChatGPT 和 OpenAI 模型?从 Amazon Bedrock AgentCore 持久化运行看生产级 AI Agent 部署

对于希望将生成式人工智能用于内部知识管理、软件开发、业务自动化或 AI Agent 的企业,可以根据实际需求选择 ChatGPT 产品、OpenAI 官方 API,或者通过支持 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 构建企业级智能体运行环境。

当 AI 应用从简单问答升级为需要持续执行任务的 Agent 时,企业面临的问题也会发生变化。一个能够在几秒钟内完成文本生成的模型,未必能够独立管理持续数小时甚至数天的复杂工作流。Agent 可能需要生成和修改代码、调用多个工具、保存中间文件,与其他 Agent 协作,并在任务暂停后继续执行。

因此,企业评估 OpenAI 模型及其他大语言模型时,除了关注模型能力和 API 接口,还需要考虑运行环境是否支持长时间任务、计算资源是否足够,以及执行状态能否可靠保存。

2026 年 8 月 6 日,亚马逊云科技发布 Amazon Bedrock AgentCore Runtime Instances,为复杂 Agent 工作负载提供基于 Amazon EC2 托管实例的持久化计算选项。与原有的 microVM 计算模式相比,Runtime Instances 支持最长 14 天的会话生命周期、多 Agent 共享运行环境,以及适用的 GPU 计算资源。

在官方技术演示中,一个代码编写 Agent 根据自然语言生成 Python 程序,另一个代码审查 Agent 通过共享文件系统读取程序并完成审查。两个 Agent 不需要直接交换文件或相互调用 API,而是通过同一运行会话完成协作。

这项实践说明,企业建设生产级 AI Agent 时,模型负责理解任务和生成结果,运行环境则需要为持续计算、多智能体协作和任务状态管理提供稳定基础。

一、企业在哪里可以使用 ChatGPT 和 OpenAI 模型?模型接入与 Agent 运行需要分开考虑

企业使用 ChatGPT 和 OpenAI 模型,首先需要明确应用属于员工直接使用 AI 工具,还是将模型嵌入正式业务系统。

对于日常文档整理、内容分析、知识查询和交互式工作,企业可以评估 ChatGPT 提供的相应产品及功能。这种方式主要面向人与 AI 的直接交互,不需要开发团队自行建设完整的模型调用系统。

如果企业希望让模型参与内部软件开发、客户服务或业务流程,则可以通过 OpenAI 官方 API 进行程序化接入。例如,一个开发团队可以构建 AI 编程助手,使模型根据需求生成代码,再由其他程序执行测试和审查。

对于希望在云平台上使用 OpenAI 模型的企业,Amazon Bedrock 提供了另一种接入路径。平台支持 OpenAI 兼容的 Chat Completions API 和 Responses API,开发者可以根据实际模型及端点支持情况,将相关模型能力集成到自己的应用中。

不过,模型能够通过 API 返回结果,并不代表复杂业务流程已经具备稳定的运行环境。对于需要持续执行任务的 Agent,还必须解决计算资源、文件保存、工具调用、状态恢复和访问权限等问题。

Amazon Bedrock AgentCore Runtime 正是面向这类需求提供的运行服务。它并不要求应用必须使用某一种模型或 Agent 框架,能够承载基于 Amazon Bedrock 内外模型构建的智能体程序。

需要特别区分的是,Amazon Bedrock 提供的 OpenAI 模型接入能力,与 AgentCore Runtime 提供的计算环境属于不同层次。企业可以按需组合两者,也可以让 AgentCore 中运行的应用调用符合要求的其他模型服务。

二、企业在哪里可以调用 OpenAI API?如何把模型接入持续运行的 Agent?

企业在哪里可以调用 OpenAI API?如果需要直接访问 OpenAI 官方模型服务,企业可以通过 OpenAI 官方开发者平台进行接入。如果希望通过云平台上的 OpenAI 兼容接口调用模型,则可以评估 Amazon Bedrock 提供的相关能力。

Amazon Bedrock 支持多种 OpenAI 模型,并提供 Chat Completions API、Responses API 以及其他原生推理接口。对于已有 OpenAI SDK 开发经验的团队,可以根据目标模型的实际支持情况,调整接口地址、身份验证和模型标识,评估复用现有应用代码。

但对于需要执行复杂任务的 Agent,API 接入通常只是其中一个环节。假设企业开发了一套自动化代码审查系统,模型可能先分析用户需求,再调用工具读取项目文件,生成修改建议,执行测试,并根据结果开展下一轮调整。

这类工作流不仅需要模型持续参与推理,还需要在执行过程中保存文件、调用工具和维护任务状态。如果某个任务需要跨越多个工作时段,仅依靠单次模型请求并不能完成全部管理工作。

企业可以通过 AgentCore Runtime 承载这类应用,并根据任务特点选择 microVM 或 Runtime Instances 计算模式。模型负责推理,Agent 程序负责组织任务,而运行环境提供相应的计算和会话能力。

例如,企业可以评估使用 OpenAI 模型完成代码理解和生成,再通过部署在 AgentCore Runtime Instances 中的工具执行代码编译、测试及其他操作。

不过,这属于可评估的架构方案,并不意味着所有 OpenAI 模型都具备相同的工具调用能力,也不代表 AgentCore 会自动将模型输出转化为可安全执行的程序。实际应用仍需根据模型接口、框架和业务权限进行适配。

三、为什么生产级 AI Agent 需要持久化计算?

对于普通的聊天问答,用户发送请求后,模型返回结果,整个交互可能在较短时间内结束。

但越来越多的企业 Agent 并不只是回答问题,而是需要完成连续的工作任务。例如,自动化开发助手可能需要先生成代码,再进行编译、测试和多轮修复;业务分析 Agent 可能需要处理大型数据文件,反复调用不同工具,并在最终阶段生成报告。

当任务持续时间增加,运行环境就需要解决几个问题。

首先是任务状态的连续性。Agent 在执行过程中可能产生代码文件、分析结果、临时数据和其他中间产物。如果运行环境中断,这些内容需要能够按照业务要求得到保存,才能避免从头开始。

其次是多个 Agent 的协作。在复杂工作流中,不同 Agent 可能负责代码生成、测试、审查和文档编写。如果它们能够访问同一项目工作空间,就不必在每一个步骤都重新传输完整文件。

最后是计算资源的适配。部分任务除了模型推理,还需要本地 CPU、内存、文件系统甚至 GPU。例如,代码编译、安全扫描、仿真或图像处理,可能对运行环境提出不同要求。

如果企业完全自行管理这些能力,就需要考虑 Amazon EC2 实例配置、网络、存储、扩展、权限和生命周期管理。随着 Agent 数量增加,基础设施运维工作可能进一步扩大。

Amazon Bedrock AgentCore Runtime Instances 的设计目标,是让开发团队能够利用托管的 Amazon EC2 计算资源执行复杂 Agent,同时减少自行维护底层实例生命周期的负担。

四、Amazon Bedrock AgentCore Runtime Instances 与 microVM 有什么区别?

Amazon Bedrock AgentCore Runtime 提供 microVM 和 Instances 两种互补的计算模式。它们都用于运行 AI Agent,但适合的工作负载并不完全相同。

microVM 更适合轻量级、面向 API 的智能体任务。它采用托管的隔离运行环境,能够根据请求进行扩展,单次运行会话的最长生命周期为 8 小时。

Runtime Instances 则面向需要更长时间、更大计算资源或共享工作环境的任务。它使用由 AgentCore 管理的 Amazon EC2 实例,支持最长 14 天的会话生命周期,还可以让多个 Agent 在同一实例上运行。

比较维度microVMRuntime Instances
主要适用场景轻量级对话、API 调用和短任务长任务、共享状态与计算密集型工作流
最长会话生命周期8 小时14 天
运行资源托管 microVM托管 Amazon EC2 实例
多 Agent 共享实例不采用同一会话多 Agent 模式支持
GPU 计算不支持支持适用实例类型
操作系统架构Linux ARM64Linux ARM64、x86_64
费用模型AgentCore 按资源消耗计费Amazon EC2 费用及相应管理费用

1. 14 天代表什么?并不是实例必须连续运行 14 天

Runtime Instances 的会话生命周期最长为 14 天,这并不意味着同一个计算实例会始终保持运行,或者所有任务都必须连续执行两周。

在适当配置下,会话可以因空闲或达到生命周期限制而停止。后续使用相同的 runtimeSessionId 调用时,AgentCore 可以重新配置实例,并重新挂载该会话保留的持久化存储卷。

这使跨越多个工作时段的任务可以保留已经写入持久化存储的文件和检查点,但并不代表进程内存、正在执行的代码或未保存的计算状态会自动完整恢复。

企业仍然需要根据工作流要求设计任务检查点和恢复逻辑。

2. 多个 Agent 可以共享同一计算环境

在 Runtime Instances 中,多个 Agent Runtime 可以关联同一个 Capacity Provider(容量提供程序)。

当这些 Agent 使用相同的运行会话 ID 时,可以在同一个 Amazon EC2 实例上执行,并共享文件系统。

对于需要围绕同一组代码、数据或文档协作的任务,这种方式能够减少重复复制工作文件的需要。

但共享计算环境不意味着所有 Agent 必须使用完全相同的访问权限。不同 Agent 仍可以通过各自的运行角色控制能够访问的外部资源。

3. GPU 用于需要专门硬件的计算任务

Runtime Instances 支持适用的 GPU 加速实例类型,可以为某些计算密集型工作负载提供硬件支持。

例如,企业可能需要让 Agent 调用本地仿真工具、处理图形任务或运行需要 GPU 的程序。

需要注意,通过 Amazon Bedrock API 调用托管 OpenAI 模型,并不意味着运行 Agent 的实例必须配备 GPU。模型推理和 Agent 自身执行的计算任务应分别评估。

对于只负责调用模型 API、组织文本和执行轻量工具的应用,使用 GPU 实例未必具有实际必要性。

五、真实演示:代码编写 Agent 和审查 Agent 如何共享工作环境?

在 Amazon Bedrock AgentCore Runtime Instances 的官方技术演示中,开发者构建了两个采用 Strands Agents SDK 的 Python Agent。

一个 Agent 负责根据自然语言要求生成 Python 程序,另一个负责读取程序并进行代码审查。两个 Agent 拥有各自的代码和任务配置,但通过相同的 Capacity Provider 和 Session ID 共享运行环境。

这一演示的重点不是比较模型推理效果,而是验证多个 Agent 如何在不直接传输文件的情况下完成任务交接。

第一步:创建共享计算资源

开发者首先在 AgentCore 控制台中创建 Capacity Provider,指定两个 Agent 使用的基础计算资源。

官方演示采用 Linux ARM64 环境,选择 c7g.2xlarge 实例类型,配置为 8 个 vCPU 和 16 GiB 内存。

随后配置 VPC、子网、安全组、存储卷及相关服务角色,让 AgentCore 能够在用户账户内管理对应的 Amazon EC2 资源。

Capacity Provider 的作用,是集中定义 Agent 可以使用什么样的计算基础设施。多个 Agent Runtime 可以关联同一个容量提供程序,而不需要分别从零配置完整的底层资源。

第二步:部署代码编写与审查 Agent

开发者通过 Strands Agents SDK 实现两个独立的 Python 应用,并使用 @app.entrypoint 装饰器定义应用入口。

代码编写 Agent 接收自然语言任务,调用模型生成 Python 代码,然后将输出写入共享会话目录中的 code.py 文件。

代码审查 Agent 则负责读取同一路径下的文件,分析可能存在的错误、安全问题和代码风格,并返回审查建议。

在实际部署时,两个 Agent 分别被打包为 ZIP 文件,并通过 Amazon S3 作为部署来源创建各自的 Runtime。两个 Runtime 关联此前创建的同一个 Capacity Provider。

这里需要强调,官方演示中的模型是 Anthropic Claude Sonnet 4.5,而不是 OpenAI 模型。这项演示证明的是共享运行环境下的 Agent 协作机制,并非 OpenAI 模型专项性能测试。

第三步:生成 Python 程序

开发者首先调用代码编写 Agent,并发送一个生成 Fibonacci 数列程序的自然语言请求。

Agent 根据指令生成了包含列表函数和生成器实现方式的 Python 模块,然后将代码保存到与当前会话 ID 对应的共享目录中。

此时,代码文件已经存在于运行环境内,后续 Agent 可以通过相同会话访问该文件,而不需要由外部系统重新上传。

第四步:代码审查 Agent 读取已有文件

接下来,开发者切换到代码审查 Agent,并使用与此前完全相同的 Session ID 发起调用。

审查 Agent 根据这一会话标识进入共享计算环境,读取代码编写 Agent 创建的 code.py 文件,再通过模型完成审查。

演示结果显示,审查 Agent 没有发现严重漏洞,但提出了增加类型提示、改进输入验证和简化异常处理等建议。

整个过程中,两个 Agent 没有直接调用彼此的 API,也没有通过外部接口传输代码文件。协作依赖的是 Runtime Instances 提供的共享会话环境与文件系统。

这为企业多 Agent 架构提供了另一种设计思路:对于需要围绕同一组工作文件执行任务的 Agent,可以考虑通过共享运行环境完成协作,而不必为每一次任务交接都建立独立的数据传输机制。

六、从代码生成到复杂工作流,企业可以如何扩展多 Agent 协作?

代码编写与审查只是一个相对简单的演示。如果企业需要执行更完整的软件开发流程,可以根据业务要求引入更多专业 Agent。

例如,一个开发任务可能包括代码生成、自动测试、问题修正、文档编写和安全检查。不同 Agent 负责其中的专门步骤,通过共享项目目录读取已有结果,再继续后续任务。

在这一设计中,代码生成 Agent 创建项目文件,测试 Agent 运行相应测试工具,审查 Agent 检查结果,文档 Agent 根据最终文件整理说明。

这些都属于可以进一步评估的架构扩展,并不意味着官方演示已经实现了完整的自动化软件开发系统。

共享文件系统减少重复传输

对于包含大量中间文件的工作流,共享工作目录能够降低在 Agent 之间重复复制相同数据的需求。

例如,测试 Agent 可以直接读取代码文件和相关依赖,而不必通过模型上下文传递完整代码。代码审查 Agent 也可以读取实际文件,而不是只依赖前一个 Agent 提供的文字摘要。

这使 Agent 有机会围绕真实项目产物协作,并利用普通文件操作和开发工具完成任务。

但当多个 Agent 可能同时修改同一个文件时,仍需要通过任务编排、文件锁或版本管理等机制避免写入冲突。共享文件系统只是提供协作基础,并不会自动解决所有并发一致性问题。

microVM 与 Instances 可以组合使用

在更复杂的生产架构中,企业也可以采用两类计算资源协作的方式。

例如,轻量级编排 Agent 运行在 microVM 中,负责接收用户请求、选择任务和汇总结果;真正需要持久状态或较多计算资源的执行 Agent,则部署到 Runtime Instances。

这样,系统可以根据任务复杂程度分配计算资源,而不必让所有智能体都使用相同规格的实例。

对于大量短请求与少量长任务同时存在的业务,这种架构值得进一步评估,但具体是否具有成本和性能优势,仍需要通过实际负载测试确认。

七、企业使用 OpenAI 模型运行长任务,如何实现状态保留与恢复?

如果企业希望使用 OpenAI 模型构建持续运行的 Agent,仅有较长的会话生命周期还不够。

复杂任务可能跨越多个工作日,也可能在执行期间遇到模型请求失败、工具异常或实例停止。企业需要明确哪些状态必须保存,哪些信息需要跨会话长期保留,以及任务恢复后应当从哪个步骤继续。

Amazon Bedrock AgentCore 的相关能力可以从文件持久化、长期记忆和应用检查点三个层面理解。

1. Amazon EBS 保留工作文件和中间产物

Runtime Instances 可以通过 Capacity Provider 配置 Amazon EBS 存储卷,并将其挂载到 Agent 的文件系统。

当会话停止时,相关 Amazon EC2 实例可以终止,而已经正确写入持久化卷的数据仍然保留。再次使用相同的 runtimeSessionId 调用时,AgentCore 可以配置新的实例并重新挂载已有存储卷。

因此,代码文件、构建产物、缓存和任务检查点等内容,可以在正确配置的情况下跨越实例停止与恢复过程继续使用。

但这一能力有明确边界。没有写入持久化存储的数据、程序运行时内存和未完成的进程状态,不会因为复用 Session ID 就自动恢复。删除会话时,其关联的持久化卷也会被清理。

2. AgentCore Memory 管理需要跨会话保留的信息

文件持久化与 Agent 记忆并不是完全相同的问题。

例如,一个软件开发 Agent 需要保留当前项目文件,适合通过文件系统管理;而如果它需要跨越多个会话记住用户偏好、任务摘要或重要上下文,就可能需要专门的记忆机制。

Amazon Bedrock AgentCore Memory 可以用于保存和检索与 Agent 交互相关的信息,支持短期记忆与长期记忆管理。

企业可以根据实际需求将文件状态与长期记忆分别管理,避免把全部上下文依赖于同一个运行进程。

不过,AgentCore Memory 不是自动恢复所有工作流执行步骤的工具。如何读取记忆、恢复任务和重新执行后续逻辑,仍需要在应用层进行设计。

3. 检查点决定任务能否真正继续

对于长时间工作流,企业可以在关键阶段保存检查点。

例如,代码生成完成后记录文件位置,测试完成后保存测试结果,审查结束后记录需要修改的问题。

如果任务中途停止,应用可以根据检查点判断此前已经完成哪些工作,再决定是否重新执行某个步骤。

这种方式能够减少部分重复计算,但需要特别处理幂等性问题。对于可能修改数据库、写入文件或调用外部系统的操作,应防止恢复后重复执行造成业务数据不一致。

因此,生产级长任务的恢复能力,需要由持久化存储、运行环境和应用检查点共同实现,而不能只依赖一个较长的会话时限。

八、生产级 Agent 如何管理计算资源、权限与运行成本?

Runtime Instances 提供托管的 Amazon EC2 计算资源,但企业仍然需要根据任务需求选择适当配置。

例如,对于以模型 API 调用和轻量文件处理为主的任务,可以优先评估较小的 CPU 实例;对于需要执行大型代码编译、仿真或其他计算密集型操作的任务,则可以考虑更多 CPU、内存或适用的 GPU 实例。

在官方演示中,两个 Agent 使用同一个 c7g.2xlarge 实例,就能够完成代码生成与审查任务。这一配置仅对应演示的工作负载,并不代表所有多 Agent 系统都需要相同规格。

计算资源由 Capacity Provider 管理

Capacity Provider 定义允许使用的实例类型、网络、存储和基础设施角色。

AgentCore 负责根据会话需要配置及管理 Amazon EC2 实例,开发团队不必直接执行常规的实例生命周期操作。

对于希望继续使用现有云资源管理方式的企业,Instances 运行在用户自己的亚马逊云科技账户中,可以结合已有的成本管理机制和相应的 Amazon EC2 购买安排进行评估。

但托管不等于无限制使用。企业仍需要明确实例规格、会话生命周期、存储需求和可用资源限制。

权限控制需要区分不同角色

在 Runtime Instances 架构中,基础设施角色负责允许 AgentCore 管理所需计算资源,而 Agent Runtime 的执行角色则用于控制 Agent 程序能够访问哪些资源。

例如,代码分析 Agent 可能需要读取特定存储路径中的项目文件,但不应因此获得管理全部云资源的权限。

当多个 Agent 共享同一实例时,更需要明确各自的身份和工具权限,避免把共享工作空间理解为可以共享所有访问凭证。

企业还应根据实际情况设置网络边界、日志审计和敏感文件访问规则。对于执行由模型生成的代码的场景,尤其需要评估代码执行隔离与权限限制,不能仅因为程序运行在托管实例中就认定其安全。

成本不能只按照模型 Token 估算

如果企业通过 Amazon Bedrock 使用 OpenAI 模型,同时在 Runtime Instances 中运行 Agent,整体费用将涉及多个部分。

模型推理需要按照相应模型的官方定价计算;Runtime Instances 则涉及 Amazon EC2 计算费用,以及 AgentCore 对托管计算资源的管理费用。此外,持久化存储、网络、日志和其他云服务也可能产生费用。

与 microVM 的按资源消耗计费方式不同,Instances 应根据实际配置的 Amazon EC2 资源和管理计费规则进行评估。

虽然会话可以在空闲期间停止,以减少不必要的计算开销,但保留的存储卷和其他资源仍可能产生相应费用。对于长期不再使用的任务,应结合数据保留要求及时清理相关会话和资源。

企业可以通过 Amazon Bedrock AgentCore Pricing、Amazon Bedrock Pricing 页面,以及 Amazon Web Services Pricing Calculator 估算相关成本,再根据真实任务执行时间和资源消耗进行修正。

九、哪些企业 AI Agent 更适合采用 Runtime Instances?

并不是所有使用 OpenAI 模型的企业应用都需要 Runtime Instances。

如果应用主要完成普通问答、内容摘要或一次性模型请求,通常可以先评估现有后端服务或 AgentCore microVM 等适当的运行方式。只有当任务需要更长的运行周期、共享工作空间或专门计算资源时,Instances 的特点才更有针对性。

从实际业务需求出发,可以重点考虑以下几类场景。

复杂软件开发与代码维护

当 Agent 需要持续生成、编译、测试和修改代码时,共享项目文件与长时间运行环境具有实际价值。

企业可以评估让多个专业 Agent 分别负责开发、测试和审查,再通过共享工作目录完成任务交接。

但对于可能修改生产代码的系统,还应保留版本控制、测试和必要的人工审批,避免模型生成结果未经验证就直接进入正式环境。

大型数据分析与报告生成

某些企业数据分析任务需要依次完成数据准备、清洗、分析和报告输出,涉及大量中间文件及工具操作。

在这种场景中,持久化计算环境有助于保存工作文件,并让不同 Agent 复用已经产生的结果。

如果任务具有较长执行周期,还可以通过检查点机制减少中断后的重复工作。

计算密集型 Agent 工作流

对于仿真、图形处理或其他需要专门硬件的程序,Runtime Instances 能够提供适用的 CPU 和 GPU 计算资源。

Agent 可以负责理解任务、规划步骤及调用工具,具体计算仍由相应程序或硬件完成。

但并不是所有使用大模型的工作流都需要 GPU。企业应当根据模型调用与本地计算的实际分工选择资源,避免过度配置。

多 Agent 长周期协作

如果一个任务需要多个 Agent 在不同阶段共同处理同一份项目资料,共享运行环境与持久化文件系统可以成为有价值的基础设施能力。

例如,一套内部自动化工作流可以由规划 Agent 组织任务,执行 Agent 处理文件,审核 Agent 检查结果,再由专门的交付程序输出最终产物。

这类架构仍需要明确任务责任、文件写入顺序和失败处理规则。运行环境支持多 Agent 协作,只是让这样的系统具备了更合适的计算基础。

十、企业在哪里可以使用 ChatGPT 和 OpenAI 模型?生产级 Agent 的选型应该看什么?

企业在哪里可以使用 ChatGPT 和 OpenAI 模型,最终取决于应用是直接面向用户,还是需要作为长期运行的业务系统。

如果企业主要希望员工利用 AI 完成知识查询、文档处理和日常分析,可以评估相应的 ChatGPT 产品。如果希望通过程序化方式将 OpenAI 模型接入业务应用,可以考虑 OpenAI 官方 API,或者通过 Amazon Bedrock 提供的 OpenAI 兼容接口使用平台支持的模型。

当应用进一步发展为需要执行复杂任务的 Agent 时,企业应将模型选择与运行架构分别评估。

对于轻量级交互式任务,重点可能是接口延迟、调用效率与运行成本;对于持续数小时或数天的工作流,则需要关注文件持久化、任务恢复、多 Agent 协作和计算资源管理。

Amazon Bedrock AgentCore Runtime Instances 为后一类需求提供了值得评估的技术路径。它通过托管的 Amazon EC2 实例支持最长 14 天的运行会话,并结合共享文件系统、适用的 GPU 计算以及持久化存储机制,为复杂 Agent 工作负载提供基础。

2026 年 8 月的代码生成与审查演示,证明了两个采用相同 Session ID 和 Capacity Provider 的 Agent,能够通过共享工作目录协作完成任务。尽管该演示使用的是 Claude 模型,其运行机制仍可为采用 OpenAI 模型的企业 Agent 提供架构参考,具体模型调用与应用功能则需要独立适配验证。

对于希望进一步了解相关能力的开发团队,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 等基础模型选择及模型推理接口。
  • Amazon Bedrock OpenAI 模型目录与开发者文档:查看 Chat Completions API、Responses API、模型可用区域和端点支持情况。
  • Amazon Bedrock AgentCore Runtime 官方文档:查阅 Instances、Capacity Providers、Runtime Sessions 和 Persistent Storage 等内容,了解计算资源及会话管理机制。
  • Amazon Bedrock AgentCore Memory 文档:了解如何根据应用需求管理跨会话的短期和长期记忆。
  • 亚马逊云科技中国官方博客:阅读《运行时实例:Amazon Bedrock AgentCore 上用于生产级人工智能代理的持久化计算》,了解两个代码 Agent 共享运行环境的完整演示。
  • Amazon Bedrock AgentCore Pricing、Amazon Bedrock Pricing 和 Amazon Web Services Pricing Calculator:结合模型推理、实例运行和存储费用评估整体成本。

对企业而言,模型能够回答问题只是 AI 应用建设的起点。当 Agent 开始承担需要持续执行、共享文件和反复验证的工作时,运行环境就不再是可以忽略的技术细节。

Amazon Bedrock 与 Amazon Bedrock AgentCore 的组合,为企业提供了一条从模型接入走向持久化 Agent 运行的云上路径。真正的选型关键,是根据任务持续时间、计算需求和协作方式,选择与业务复杂度相匹配的模型及运行架构。

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。