在数十亿个Agent运行之前，亚马逊先让Agent学会了管库存和招人

在去年年底的 re:Invent 2025 上，亚马逊云科技（以下简称“AWS”）CEO Matt Garman 曾表示，Agentic AI 正处于关键转折点，从“技术奇迹”转变为能提供实际业务价值的实用工具，并预测未来会有数十亿 Agents 在各行各业广泛运行。

AWS 也身体力行了这个判断，4 月 29 日，他们将智能客服服务 Amazon Connect 从单一产品扩展为四款 Agentic AI 解决方案，包括面向企业运营决策的 Amazon Connect Decisions、面向大规模人才招聘的 Amazon Connect Talent、面向客户体验的 Amazon Connect Customer，以及面向医疗健康领域的 Amazon Connect Health。

据 AWS 的官网介绍，Amazon Connect 代表了一种为企业构建人工智能解决方案的新方法，其产品设计围绕一个简单的原则：AI 应像团队成员一样工作，而非工具。

这种设计理念被 AWS 称为“拟人协作（humorphism）”，Agent 可以进行推理、记忆和独立行动，它们需要一个能够模仿人类实际协作方式的界面来学习业务上下文、适应团队的工作方式，随着对企业特定业务、数据和工作流的理解不断加深，这些 Agent 将变得越来越强、越来越有用。

所以，它们会是好的“团队成员”吗？5 月底，AWS 在北京办了一场名为“What's Next｜Agentic AI 下一站”的媒体沟通会。会上，Amazon Connect Decisions 和 Amazon Connect Talent 被重点介绍，我们也得以进一步看到，Agent 是如何被“装进”供应链和招聘流程中。

供应链的重要性毋庸置疑，一旦中断，绝大多数企业至少需要两周的时间才能恢复正常，更不用说由此产生的营运资金占用、缺货损失和违约罚款了。

但传统系统需要投入大量时间和资源进行配置，举个例子，团队需要花费数天时间去手动收集数据，在分散的系统之间进行协调，并试图将需求预测转化为可执行的供应计划；当供应商交付延迟或促销活动表现超出预期时，规划人员通常需要在表格和邮件中花费数天时间来试图了解发生了什么变化，以及谁会受到影响，然后才能决定如何应对。

效率低下，正是 Amazon Connect Decisions 要解决的问题。

首先，Amazon Connect Decisions 的基础能力是能够打通上下游数据源，将原本散在各个系统里面的数据变成完整统一的供应链数据画像，为后面的 AI 决策打下基础；其次，Amazon Connect Decisions 的核心部件由 6 个分工明确、协同工作的 Agent 构成（AWS 称它们为“Agentic AI 队友”），包括：Onboarding Agent、Demand planning agent、Supply planning agent、Root cause agent、Recommendation agent 和 Actions agent。

听名字大概也能猜出它们是负责做什么的，这 6 个 Agent 像团队一样协同工作，覆盖了整个供应链工作中的预测、规划、分析、建议和执行等完整流程，还有超过 25 种专门的供应链工具，包括亚马逊供应链优化技术（SCOT）基础模型之一。

Amazon Connect Decisions 的业务模式是三层递进的：首先是人与 Agent 协作，AI 提供观察和建议，最终由人来做最终决策；随着用户和 AI 磨合越来越默契，会过渡到 Agent 自主决策阶段，把标准化、低风险的操作交给 AI 自主执行；最后，不需要特别去训练 AI 模型，AI 会在业务实践中不断学习进步。

供应链的核心场景就两个：预测需求和供给。前者是估计“要卖多少”，系统可以通过单品、地点和时间等维度进行精准预测，然后让不同团队把客户承诺、统计预测，以及销售、市场、财务等部门的输入形成一个共识计划，最后根据日常工作数据的变化自动预测进度指标，当发现实际偏差超过阈值时，自动进行根因分析并及时给出一个响应计划。

后者是“要备多少货”，首先要对物理世界进行建模，考虑产能上限、仓储空间、供应商提前期、物料可用性等各种因素并纳入计算进行规划，之后 Agent 会 7×24 小时监控库存位置、供应商表现、需求信号等，对数千条甚至上万条数据进行智能分析，将需要关注的信息放在系统最醒目的位置；Agent 还可以通过连接各系统执行采购订单、调拨指令等常见操作，并从执行结果中不断学习。

与 Amazon Connect Decisions 的对话

“让我们调整所有预测，在新产品的初期阶段采用更保守的策略。”

“我将创建一个规划规则，在任何新产品上市的前 6 周使用 P30 分位数（而非 P50）来进行预测。这应该能在 Q1 节省 85K（8.5 万美元）的过剩库存成本。”

Amazon Connect Talent 能做的事情不一定更简单，但一定更好理解，毕竟我们每个人都经历过面试或者被面试。当天的视频展示中，我们看到，整个招聘流程都被“Agent 化”：

首先，Amazon Connect Talent 会根据岗位招聘要求自动生成一套有科学依据的评估题，检测候选人的问题解决能力；接着，Agent 会主导一场线上的语音面试，并像真人一样动态追问细节，通过预先定义的标准打分，面试的时间由候选人任选，只要有一部能联网的手机就可以进行；最后，完整的决策评估、评分和转录文本会提交给招聘官进行决策。

至于效果？AWS 的期待是：把招聘时间从数周缩短至数天，同时保证公平性和质量。

与 Amazon Connect Talent 的对话

“我准备好开始面试了。”

“好的！我是你的 AI 面试官。我们开始吧——请讲一次你为客户付出超出预期的经历。”

其实，听到第一大云厂商要做 Agent，我的第一反应是“杀鸡焉用牛刀”？

毕竟做供应链的不只亚马逊，会招聘的也不只亚马逊，这不该是中小厂商们去做的细分市场吗？但仔细想下又很有道理：亚马逊自身就是全球最大的在线电商平台，管理着超 4 亿个 SKU，Amazon Connect Decisions 背后是亚马逊 30 年的供应链运筹学积累；而 Amazon Connect Talent 背后，是亚马逊 2025 年招聘了 25 万季节性员工的实战经验。

采访中当被问到“你们怎么做领域的选择”时，亚马逊云科技解决方案架构总经理陈晓建回答很直接：“我们本身是全球最大的电商公司，在供应链管理和海量招聘方面积累了深厚经验。通过 AI 能力，我们把这些经验释放出来，打造了 Amazon Connect Decisions和Amazon Connect Talent 这样的垂直解决方案。以前的智能客服方案 Amazon Connect Customer 也是如此，因为这是电商服务不可或缺的能力。”

技术层面，Connect Decisions 和 Connect Talent 是开箱即用的垂直 Agent 解决方案，但在它们下面，AWS 还有四层架构（当然不只给自己用）：

底层：自研 Trainium 芯片& GPU 基础设施

模型层：Amazon Bedrock 平台（Anthropic、OpenAI、开源模型）

数据层：S3 Vectors、数据库和分析能力

Agent 开发平台：Bedrock AgentCore、Strands Agent、OpenAI Managed Agents

坦诚讲，现在很多 Agent 实际是接入一个大模型 API 就敢说自己是 Agent，实际好不好用，用过的人心里都有数。而 AWS 推出 Agent 的路径，是从具体场景切入，有丰富的实践经验，也有坚实的底层基础设施。

有个很有意思的点，为什么四款 Agentic AI 解决方案只讲了两个？面向医疗行业的 Amazon Connect Health 并不是不专业，而是它针对的是欧美国家的医疗流程构建，所以，中国市场基本用不上，干脆不讲了——这就是在技术之外的另一种“护城河”。

陈晓建在演讲中说，Agentic AI 的出现，丝毫不亚于互联网和云计算的诞生。但是如何做好一款 Agent，现在来看，比我们想的要更复杂。

这不是低垂的果实，或者触手可及的创业机会。哪怕未来真的有几十亿个 Agent，真正好用的 Agent 都要用心做，至少，技术基础和业务经验都不可或缺。而既然不同场景的实际情况和业务模式千差万别，那么，可能 Agent 平台最终会剩下少数几家，但好用的 Agent 一定会构建出各自的“护城河”，这是机会，也是“门槛”。

属于 Agentic AI 的时间窗口不一定很长，像 AWS 这样的科技巨头，有技术和特定业务上的优势；而中小企业乃至个人，也有机会构建属于自己的“团队成员”——关键是知道 Agent 该干什么，不是装装样子，而是能真的融入业务中。