如果你现在还没有开始利用或者频繁利用Agent替自己干活，那其实是个很危险的信号。
最近我观看全球最大规模的AI大会-2025 亚马逊云科技re:Invent ，最大的感受是，Agent的到来速度比我想象的要快很多。
甚至可以说是遍地开花了，各行各业都陆续落地。
如果你没看直播可能没体感，我举几个我看到的案例：
美国的火箭制造公司Blue Origin，里面95%的软件工程师都是用Agent来协助写代码，产品的设计迭代、快速改进全部都是Agent在协助，硬生生把火箭开发进度拉升了75%。
这个Bristol Myers Squibb 是一家医药公司，只是通过搭建药物发现的Agent，就能在不到1小时内评估超过1万种化合物，而传统方法需要研究人员4-6周。
亚马逊云科技内部团队精确计算过，他们一个需要30名开发人员耗时18个月才能完成的项目，通过Agent，最后只用了6个人，76天就全部完成了，Agent带来的效率完全是革命性的。
你会发现这些能动手干活的数字员工，正在快速被嵌入到我们每一个工作流中。
它不仅仅在做自动化、提升效率，也在创造新的工作方法、新的商业模式。
像亚马逊云科技这类一直在多年深耕AI的公司很早就预言了，AI Agent这波浪潮完全是不可逆的。
亚马逊云科技首席执行官 Matt Garman说：未来每家公司都会有数十亿个Agent在帮忙干活，他们也在抢占第一波先机。
如果错过，那真的就是错过一个时代。
不过很多人也有担心，AI信息爆炸的今天，AI是否炒作过度、噱头居多、没法真正给业务提效。
看完直播这里我给大家盘点下或者一个定心丸，还是一些能真正解决工作业务问题的、有价值的工具值得我们去利用的。
最快的方法，现在就可以直接用Kiro这类工具去搭建自己的Agent。
我自己就做了一个输入需求自动帮我找到AI工具的Agent，大大提升我做AI测评视频的效率。
没有复杂的流程，大家别被吓退了，这里面的门槛极低，用自然语言描述需求就行，它会帮你补全需求细节的。
而且是见效极快，可以节省我原本这块工作60%的时间。
另外像生成深度调研报告、数据分析、报销处理这些很日常的工作，也可以让Amazon Quick Suite去完成。
大家可以根据自己的业务实操一遍，几天就能感受Agent带来的效率提升，几乎没有试错成本。
如果你在为自己的AI选择模型，可以尝试Amazon Bedrock，上面就有最全的模型可以选。
真实的业务场景是复杂且碎片化的，所以没有哪个模型能统治一切。
记住这句话，单模型没有未来。
每个场景都需要全方位考虑成本、性能 、场景等多个维度。
所以，我觉得Amazon Bedrock构建的这种“模型超市”生态，最大的价值是给了我们足够的模型“选择权”和“灵活性”。
这次大会上亚马逊云科技还推出了自己的全新Amazon Nova 2系列模型：从便宜好用到专攻复杂任务到专攻语音领域的模型都有，还支持了多模态输入输出。
大模型竞争就应该这么激烈，越卷越好用，完全利好我们普通人。
当然有人会选择来训练自己的模型。
但很可能会遇到这个棘手的问题：用现有模型微调，模型难以深入理解一个你的业务细节。
自己从零开始训练吧，成本又扛不住。
亚马逊云科技这次出的Amazon Nova Forge倒是一个不错解决方案：它提供了 “开放训练模型” 的权限。
就是企业可以将自己的数据混合进亚马逊云科技的原始训练数据集中。
模型在形成核心智能的阶段就吸收了企业知识，这样出来的模型效果就会更好用。
这就相当于给企业，特别是那些拥有深厚行业积淀但技术能力有限的公司。
提供了一条打造真正差异化、具备核心知识产权的AI能力的可行方法。
以后可能不再比谁的大模型更大，而是比谁的“垂直模型”更懂行、更精准。Amazon Nova Forge很精准地切入了一个巨大的市场空白，这很可能成为这个新赛道的基础设施。
这次亚马逊云科技也推出了三个能力超群的Agent。
Kiro Autonomous Agent可以帮写代码、修 bug，它会自己去代码库里改。有超强记忆力，还能跨多个代码库一起改。
Amazon Security Agent会在开发过程中自动检查安全漏洞，还能模拟黑客攻击。而且是根据你们公司的安全标准自动检查。
Amazon DevOps Agent会在系统宕机时，帮忙快速定位原因、并且给出具体的解决方案，不用一个一个去排查。
我发现亚马逊云科技不再只是提供工具，而是开始交付“专业化的数字同事”了。
这三个Agent一起其实构成了一个覆盖研发全链路的智能团队，AI慢慢从“辅助执行”走向“主动出击”。
信不信，未来评估一个技术团队的核心竞争力，很可能变成这个团队有多善于规划和运用这些AI同事。
面对这场不可逆的变革，观望是最大的风险，我们每个人都可以拥有无数个Agent队友，这些Agent也永远不会疲倦。趁早抓住这一波AI Agent先机，领跑下一个十年。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
