Amazon Bedrock AgentCore全新功能 推动Agentic AI迈向技术新浪潮

北京——2025年12月4日 亚马逊云科技在2025 re:Invent全球大会上，宣布Amazon Bedrock AgentCore推出多项新功能。该平台旨在支持企业在大规模环境中以安全的方式构建和部署Agent。Policy in Amazon Bedrock AgentCore功能帮助团队为Agent的工具使用设定明确边界;AgentCore Evaluations功能使团队能够了解Agent在实际场景中的表现。此外，亚马逊云科技还推出了增强版记忆功能，使Agent能够基于过往经验进行改进，从而在后续交互中提供更贴合需求的洞察。

打造既具备自主能力又遵循行为边界的企业级Agent

尽管Agent具备自主推理和行动的能力，使其极具价值，但企业必须建立健全的控制机制，以防止未授权的数据访问、不当交互以及可能影响业务运营的系统级错误。即便经过谨慎设计的提示词，Agent在实际应用中仍可能出现导致严重后果的失误。

今天，亚马逊云科技正式推出Policy in Amazon Bedrock AgentCore功能，用于帮助企业为Agent的操作设定清晰的边界。团队可以使用自然语言，通过定义Agent可访问的工具和数据、可执行的操作以及适用条件，为其划定具体范围。这些工具可能包括API、Lambda函数、MCP服务器，或Salesforce、Slack等主流第三方服务。为保持Agent的响应速度，Policy in Amazon Bedrock AgentCore已集成至AgentCore Gateway中，可在毫秒级对Agent的操作进行校验，以确认其是否符合既定策略要求，从而确保Agent在自主运行的同时始终处于设定范围内。自然语言策略编写方式进一步降低了策略创建的门槛，使客户无需编写正式策略代码即可构建精细化规则。例如：“当退款金额高于1000美元时，阻止所有客户退款操作”这样的规则，可以直接用自然语言表述并得到一致执行，体现了亚马逊一贯的“信任，但要验证”原则，从而让Agent在保持自主性的同时，始终处在合理的监管之下。

Druva是一家领先的数据安全解决方案提供商。Druva产品AI副总裁David Gildea表示：“在以往，当数据备份失败时，客户往往需要花费数小时，在数十个系统中手动排查日志。通过我们的AI Agent，客户可以获得即时分析和分步数据恢复补救方案。我们对在AgentCore中使用Policy功能感到非常期待，它可以帮助客户为Agent访问内部工具和数据(如备份系统、安全日志和监控看板)设定清晰边界。有了适当的策略，开发人员便能在确保Agent始终符合合规边界的前提下大胆创新，这使我们能够在扩展Agent平台的同时，保持企业客户所期望的严格安全标准。”

全面掌握AI Agent的行为与结果

与传统软件指标不同，评估AI Agent的质量往往需要复杂的数据科学流程、主观判断以及持续的实时监控，而且每一次Agent更新或模型变更都会进一步加大这一挑战。

AgentCore Evaluations功能简化了原本复杂的评估流程，并免去了对评估基础设施的管理需求，提供13个预置评估器，覆盖正确性、实用性、工具选择准确性、安全性、目标达成率和上下文相关性等常见质量维度。此外，开发者还可基于偏好的LLM和提示词编写自定义评估器。此前，仅构建一套评估系统就可能需要数月的数据科学投入。这项新功能会持续采样Agent的实时交互数据，并根据正确性、实用性、安全性等预置标准分析Agent行为。开发团队可设置预警机制实现主动质量监控，评估功能可用于测试与生产阶段。例如，当客服Agent的满意度评分在8小时内下降10%时，系统会立即触发预警，以便在用户体验受到影响前及时采取措施。

Natera是一家领先的基因检测与诊断企业。Natera软件工程负责人Mirko Buholzer表示：“在Natera，我们正在借助AI Agent重塑肿瘤患者的诊疗体验。目前，我们的团队正投入大量精力，以确保在严格的医疗合规标准下，所有AI Agent都能保持稳定一致的质量与性能。AgentCore Evaluations将在这一过程中发挥关键作用，它通过准确率、实用性和患者满意度等关键指标持续监控Agent表现。我们期待这些实时质量情报能够帮助我们提前发现并解决问题。借助AgentCore Evaluations，我们有信心在大规模部署时，仍能保持对Agent可靠性的高标准要求，从而为患者提供更具变革性的医疗服务。”

打造越交互越智能的Agent

当下，大多数AI Agent在“记忆”能力上依然存在明显短板。所谓记忆，往往只是在有限上下文窗口内保存短期信息，并会在每一次新交互时被重置，这使得Agent难以真正从生产环境中的过往成败中学习。

AgentCore Memory填补了这一关键能力空白，使Agent能够随着时间推移形成对用户的连贯认知。今日，AgentCore Memory的episodic记忆功能正式可用，使Agent能够从过往经验中学习，并将这些信息应用于后续交互。episodic记忆功能会以结构化方式记录上下文、推理过程、操作及结果，随后由另一Agent自动分析其中的模式，以优化决策。当Agent遇到类似任务时，可快速调取相关历史信息，缩短处理时间，并减少对复杂自定义指令的依赖。例如，当用户独自出行时，Agent可能会在航班起飞前45分钟安排前往机场的交通;三个月后，当用户携带家人前往相同目的地时，Agent会根据以往家庭出行情况，将接送时间自动调整为提前两小时。通过这种基于经验的学习方式，Agent能够根据实际表现数据做出更一致的决策，而不仅依赖预设规则。

S&P Global Market Intelligence为机构投资者、银行和企业提供洞察以及领先的数据与技术解决方案。S&P Global Market Intelligence MI 企业技术和可持续发展技术负责人Helene Astier,表示：“我们近期构建了内部通用的Agentic工作流平台Astra，但在整个分布式组织内编排复杂的多Agent工作流时面临巨大挑战。随着数百个专门构建的Agent出现，状态管理和上下文一致性维护变得愈发困难，这凸显了对统一记忆层的需求。Amazon Bedrock AgentCore Memory通过在多Agent协调栈中实现集中式状态检查点，为我们提供了有效的解决方案。有了全新的eposodic记忆功能，我们的Agent可以从以往分析中学习，生成更加智能的洞察。过去，在Astra平台上部署一个Agent往往需要数周时间;现在借助AgentCore，我们可以在几分钟内创建并部署一个Agent或MCP服务器。”

今天发布的这些创新，为客户提供了专门为Agent设计的基础设施，使团队可以将时间和精力集中在业务创新上，而不是反复从零搭建AI基础能力。