IT时报记者 郝俊慧

6月23日，亚马逊云科技中国峰会的展区中央，伫立着一座蓝色光块垒成的塔，从“数据基石”“模型服务”一直堆到顶上的“Agent应用”，这里是“Agent构建的理想之地”；展区内处处皆智能体，一块硕大的“业务智能体”招牌下，运营、销售、财务、法务等各色智能体一字排开，各类“开箱即用的Agent”、可“手搓”AI任务的Kiro……都在印证着亚马逊全球副总裁、亚马逊云科技亚太区联席总裁储瑞松主题演讲中的那句判断——“Agentic AI爆发的拐点已然来临”。

然而，就在峰会前后，全球几家最大的科技公司，几乎同时掉头：腾讯、Meta、微软这些过去半年拼命催员工“多用AI”的大厂，开始给员工的Token用量设上限。

克制，是《IT时报》记者在这次峰会上形成的一个反常识认知。

从“TokenMaxxing”到“TokenMinimizing”（从敞开烧到省着用），大厂们只用了半年，当财务、产品、运营等非技术研发部门也都开始AI Coding，倒逼“Token工厂”必须让自己的工具满足客户对Token用量的“克制”；与此同时，那些面向终端消费者的互联网入口厂商，也必须学会“克制”对AI的使用，不是所有流程Agentic后，都会提升用户的体验。

大厂集体掉头

就在几个月前，大厂们还在比谁Token烧得多。腾讯给部分部门员工承人均约一年22万元的Token资源，Meta甚至将员工挂上Token消耗排行榜……

这几天，风向陡然掉头，有腾讯程序员四五天便用完全月额度，Uber、微软、亚马逊纷纷设限，主流编程工具也集体转向按量计费。

原因无他，“智能体太吃Token了。”哈啰首席架构师邓小白告诉《IT时报》记者，2025年下半年，哈啰集团开始自上而下将AI Coding融入实际工作，算力账单激增。

随着生成式AI技术的持续迭代，Agent的应用探索正迎来全新阶段，尤其是把模型能力转化为可以稳定交付业务结果的Agentic工程体系，几乎以三个月为单位快速演进。

最早的提示词工程(Prompt Engineering)已不再最重要，上下文工程(Context Engineering)和驾驭工程(Harness Engineering)的探索还在进行中，Loop Engineering（循环工程）又成为热门词。

“智能体未来发展核心趋势是后端技术层演进越复杂与精密，而前端应用层呈现给用户的体验会越发简单与友好。”AI Coding给哈啰带来的变化是颠覆性的，据邓小白介绍，这家累计用户达8 亿量级的出行公司已有2000多名员工在使用AI编程工具，其中研发人员只有1000多名，剩下接近一半员工来自产品、运营、财务等非技术岗位。

Agent自主能力越强，Token“燃烧”的速度就越快。以Loop Engineering为例，它设计了一套自动化循环系统，可以让AI自己驱动、评估、修正，直到完成任务，但反复循环的同时，Token总消耗也呈倍数增长。

在哈啰，一个创意从想法到落地的时间，从以天计压到了小时级，但由此而来的算力账单，倒逼企业要对Token成本精打细算。

“面对层出不穷、令人目不暇接的AI创新，企业需要一张清晰AI全景地图来明确自身需求。”储瑞松表示。

一张“用好Token”的地图

正如那座蓝色塔的展示，此次峰会上，亚马逊云科技推出了一套完整的Agentic AI技术栈，全面覆盖了从AI基础设施、模型、数据与知识、Agentic平台和Agent应用五大层面。如果换个角度来看，这正是一张“帮企业如何用好Token”的地图。

以AI基础设施层为例，亚马逊云科技提供行业最新的GPU实例及自研的Trainium AI加速芯片，并依托Amazon Sage Maker AI帮助企业快速构建、训练和部署自有AI模型。

《IT时报》记者在亚马逊云科技在2025年12月的一篇官方文章中看到，包括Anthropic、Karakuri、Metagenomi、Ricoh（理光）和Splash Music在内的客户，正通过Trainium降低训练和推理成本降低，最高降幅可达50%，而Trainium早期的测试公司Decart则以GPU一半的成本，实现了实时生成视频4倍的推理速度。

在中间模型层，Amazon Bedrock提供了包括亚马逊在内的一长串大模型厂商和模型清单，比如Anthropic、DeepSeek、Moonshot AI、OpenAI、MiniMax等厂商的100多个基础模型。

储瑞松特意提醒，企业“Agentic AI应用应根据实际需求，选择在智力水平、速度和成本上最合适的模型，切忌自我设限，不要锁死在单一供应商的模型上”。言外之意是，根据需求复杂程度的不同，企业应该选择性价比最高的模型。

与此同时，亚马逊云科技提供了多种有效工具，比如智能提示路由（Intelligent Prompt Routing）能在保持回答质量的同时把成本最高压低30%，另一个工具则是模型蒸馏(Model Distillation)，通过将大模型蒸馏为一个小模型，运行速度最高可提速500%，成本最高降低75%，而准确率几乎不受影响。

数据和知识层是企业AI项目成败的关键。储瑞松坦言，很多企业AI项目失败的主要原因，是“数据还未就绪”就上Agent，但如果厘不清单项任务的实际花费，实际将“任务部署”变成了“实验”。很多时候，Token是在“空烧”。因此，多年积累的自有数据与知识，是企业真正不可复制差异化竞争壁垒，当AI进行判定的时候，数据的准确性非常重要。

亚马逊云科技在数据和知识层的核心价值，正是为用户提供Zero-ETL、Amazon S3 Vectors等一系列完整专门面向AI的数据服务，可以将过去静态存储的数据变成AI可以理解和使用的数据和知识资产，为智能体提供相关、准确、新鲜且经过治理的高质量数据支撑。

第四层是Agentic平台层，亚马逊云科技在这一层的产品是Amazon Bedrock AgentCore，它的核心价值在于提供统一智能体运行环境和开发工具，同时也提供规则、评估和治理能力。简而言之，便是支持大规模智能体的开发、部署、管理与迭代，甚至包括监控、评估、改进全过程，企业可以统一、高效地管住智能体的生命周期，而不必为每个环节各搭一套工具。

具体落到Token账单上来看，是当一个企业里成百上千个智能体同时在跑时，用户可以在这个“智能体管理空间”里清楚地看到，哪个Agent在空烧Token，哪个绕了远路，哪个任务的花费已经超过它所创造的价值……这也是企业智能体应用从概念验证走向生产的分界线。

最上面一层是智能体与应用层，在这一层，亚马逊云科技提供Kiro、Amazon Quick、Amazon Connect等一系列开箱即用的解决方案，既有软件开发、IT运维、知识工作者、客户服务等跨行业的通用场景，也有能带来最大业务价值的行业定制应用。

对企业而言，这些解决方案最直接的结果是省了“从零造轮子”的成本。众所周知，如果企业自建一个智能体，光开发和反复调试就要烧掉大量的人力和Token，而运用Kiro等工具，无需从零构建，便可以快速将Agent能力应用到实际业务中。

储瑞松进一步指出，五层技术栈的存在，最终都是为了最顶端的业务产出服务，安全、效果、性能和成本四个维度要贯穿始终，企业必须量化Agents带来的业务价值，无论是任务完成吞吐量、产出质量、每任务成本、交付周期，还是人力等效、客户满意度与营收增长等偏宏观的指标。

当Agentic AI爆发的拐点已至，一家云厂商不一味强调AI能力，鼓励客户消耗Token，而是帮助企业“以终为始”，强调可衡量的业务产出，这恰是这场峰会最克制的地方。

哈啰的账本

这种克制，在哈啰身上得到了印证。

邓小白告诉记者，选择Kiro的原因之一是“省”，目前集团并没有对员工Token使用量设限，但在使用Kiro之前，Token的消耗曲线变成了一根拉满的弓弦。

但当哈啰集团整体使用Kiro之后，不仅比以往直接使用基础模型便宜很多，整体效率也得到了大幅提升。邓小白介绍，在工程质量要求高的复杂业务场景下，开发提效约50%；而在从0到1的创新场景下，开发提效高达67%以上。

“我们曾做过测试，某些方案的Token消耗量只有其他大模型的两成左右。”一位亚马逊云科技的展台工作人员告诉记者。

作为亚马逊云科技在Agent应用层亲自下场的AI编程工具，Kiro的招牌打法“规格驱动开发”（spec-driven development）本身也是一种克制。Kiro在编码前会先加一层结构化的规划，将需求、设计、任务等梳理清楚，从而让生成代码一次成功的比例更高，也让开发者的能力边界得以进一步扩展。

在展区，《IT时报》记者看到一个只有三个按键的小方盒，这是一名开发者仅靠Kiro便“手搓”出的Agentic Coding专属键盘，不需要键盘鼠标，通过语音输入便可以让Kiro自动编程、到淘宝上购买芯片、并写入代码，最后人需要做的，只是将空盒子和芯片组装起来。

或许，Kiro对于亚马逊的意义将在Agentic AI时代逐渐显现。自2026年5月7日Kiro国际上线后，亚马逊便宣布预计将在明年停止支持原有的开发者平台Amazon Q Developer。换句话说，这家以卖底座为主的云厂商，对于Kiro成为AI时代的开发者入口，寄予厚望。

不是万物皆可Agent

如果说，克制之于成本，是将Token物尽其用，那么，当视角转向用户应用层时，问题的核心便从“如何节省”转向“是否值得”。很显然，并非所有场景都适合Agentic，在用户体验和AI浓度之间，本身便需要审慎权衡的克制。

展台上，记者看到一个“开箱即用的电商Agent”，演示的场景是：当用户提出希望知道两个产品的不同时，Agent开始思考……就像常见的ChatBot那样，罗列出整个思考过程，对比一条条异同，最后给出完善的建议。

然而，真实场景中，消费者有如此耐心吗？

“Agentic AI不仅是技术创新，更是业务变革。”储瑞松认为，开启智能体项目的企业，一定要选择合适的Agentic场景，起始场景无需过于复杂，但要对企业有切实的价值。

“必须要有非常明确的目标，不能为了用AI而去用AI。”邓小白坦承，哈啰在首页这类核心场景引入AI推荐上一直“非常克制”，只有明确痛点后，才会制定计划、设计解决方案，并最终引入AI。

大多数时候，用户的诉求是泛需求，意图并不明确，直接采用对话式推荐，“可能并非最优选择”。据记者了解，目前哈啰的做法是把搜索、推荐、筛选、对话几种形态揉在一起，由大模型动态挑出最合适的交互方式，只有识别到极其明确的意图时，比如发现用户最近频繁骑共享单车，才会触发AI推荐，比如定向推荐次卡或月卡等对应产品。

这也是为什么哈啰单车选择了亚马逊云科技的原因之一。邓小白表示，实际业务中，不可能在所有场景，或者同一个场景的所有用户请求中，都无差别地使用同款大模型。因此，在Amazon Bedrock上，哈啰建立了一套模型切换机制，对于准确率要求极高的场景，哈啰会调用性能更强、成本较高的模型；而对于标准化程度高、确定性强的场景，会切换到更具性价比的模型。

无论是成本克制，还是应用克制，当拐点来临，站在浪潮之巅的企业都在思考：AI不是用得越多越好，而是用得越对越好，而这或许才是“AI构建的理想之地”。