Amazon Web Services（AWS）宣布，專注於 Agent 建構、連接與優化的一站式平台 Amazon Bedrock AgentCore 推出多項新功能，幫助企業加速打造具有更廣闊知識和持續學習能力的 Agent。這些新功能將能夠整合 Agent 與企業內部知識、公開網路知識及付費知識資源，助力技術團隊快速定位、修復生產環境中的故障問題，並建置隨 Agent 能力提升同步擴展的管控體系。
驅動當今 Agent 的模型非常強大。它們能夠跨越複雜問題進行推理，規劃多步驟工作流程，並生成精準細膩的回應。但大多數 Agent 的實際表現遠未達到這樣的潛力上限。差距不在於智慧，而在於取得正確的上下文和回饋。
負責解答企業退款政策問題的客服類 Agent，若無法存取 SharePoint 中儲存的政策文件，便無法提供有效支援；撰寫市場簡報的研究類 Agent，若無法取得訓練資料之外的即時資訊，輸出的內容便會存在缺失；財務顧問類 Agent，若無法突破付費牆取得所需的即時市場資料，只能給出次等建議。而在所有場景下，多數團隊都缺乏系統化的方法，無法追蹤 Agent 部署後的效果優劣變化。
能力強大的模型僅僅是起點。讓 Agent 在生產環境中發揮效能的關鍵，在於使其能夠取得執行全部任務所需的一切：正確的知識、執行操作的資源以及持續改進的回饋迴圈。
知識更豐富、觸及更廣泛的Agent
Amazon Bedrock AgentCore 上的 Agent 已獲得對三層知識的原生存取權，每層知識都拓寬 Agent 可以觸及和完成的範圍，包括由 AgentCore 託管的企業知識層、公共知識層以及付費知識層。
企業知識層：Amazon Bedrock Managed Knowledge Base
企業最有價值的資訊散佈在 SharePoint、Google Drive、Confluence、Amazon S3 和內部 wiki 等地方。傳統方式下，要讓 Agent 能夠使用這些資訊，需要建造客製化的資料導入管道、優化檢索效果，並長期維護資料的時效性。往往需要耗費數月的工程開發工作，Agent 才能回答與企業自身業務相關的基礎問題。
目前已在 AgentCore 上線的 Amazon Bedrock Managed Knowledge Base（託管知識庫），可以代替上述工作。企業只需導入自身的非結構化資料來源，其餘工作都由 AgentCore 處理。平台管理向量儲存、檢索期間使用的嵌入和重排序模型，以及速率限制等擴展性問題，因此團隊可以專注於建構 Agent，而不是營運資料管道。
該功能的核心是遠超傳統檢索增強生成（RAG）的 Agentic 檢索器。它不是將查詢與最接近的文本片段做配對，而是跨企業的知識庫規劃查詢，連接各個文件中的相關概念，評估中間結果，並在回答之前進行重新排序。對於同時涉及多個主題的複雜多意圖查詢，Agentic 檢索的資訊覆蓋廣度與完整度，明顯優於基礎檢索方式。
公共知識層：Amazon Bedrock AgentCore上的Web Search（網頁搜尋功能）
內部知識存在局限性。法規不斷更新，市場持續變化，競爭對手也在不斷推出新產品。要讓 Agent 發揮最佳作用，就需要掌握企業外部的即時動態，以支援研究、事實核查、客戶服務、市場情報分析等工作。現在，AWS 為建構 AI Agent 的開發人員推出 Web Search 這個新工具。它提供來自網路的資訊，同時將資料保留在客戶安全的 AWS 環境中。
Web Search 基於 AWS 統一的搜尋基礎設施建構，該架構同時支援 AIexa+、Amazon Quick Suite 與 Kiro 等產品；它針對 Agentic 檢索進行優化，回傳的高價值內容能提高每單位 Token 的智慧密度。它還採用多源事實定錨方案，將公共網路資訊與 AWS 專有的知識圖譜相結合。該圖譜融合結構化的實體資料、經過驗證的事實以及股票價格和體育比分等即時資訊。
Web Search 將用戶的查詢保留在 AWS 安全和合規邊界內，無須引入額外的供應商，也沒有隨之而來的編排、身份驗證或計費工作流程。無論企業是在建構交叉引用公共來源的研究 Agent，監控法規和政策更新的合規 Agent，還是利用最新資訊定錨模型回應，Agent 現在都可以像查詢內部知識一樣對即時網路資訊進行推理。
付費知識層：AgentCore支付與AWS WAF AI流量變現
最好的資訊並不總是免費的，例如：金融市場動態、授權研究、專屬資料集、付費 API。如果 Agent 無法讀取付費資源，它將提供次優的答案，而用戶永遠不知道錯過了什麼。
讀取付費內容需要兩個部分：Agent 端需要支付能力，而供應商端則需要收費機制。上個月推出的 Amazon Bedrock AgentCore 支付功能因應 Agent 端的需求，讓 Agent 能夠在執行週期中發現付費服務和內容、進行支付並讀取它們。現在，正式可用的 AWS WAF AI 流量變現功能則因應供應商端的需求，使內容擁有者能控制 Agent 存取權限：可選擇阻擋、放行或收費。
由於這兩種功能都在同一個平台上執行，使用 AWS WAF 的供應商會自動辨識在 Amazon Bedrock AgentCore 上驗證的 Agent。最終形成一個可信任的管道：經過驗證的 Agent 享有更低的導入阻力，內容提供方則取得相應報酬。這兩項能力共同建構 Agent 經濟雙邊基礎設施，讓 Agent 能夠接觸所有資訊——而不僅僅是那些恰好免費的內容。
從每次交互中學習的Agent
提升 Agent 的知識取得能力只是問題的一方面。企業還需要了解 Agent 是否真正達成目標，並在表現不佳時及時發現問題。
這聽起來容易做起來難。最危險的 Agent 故障不是那些拋出錯誤的故障，而是那些在儀表板上看起來正常的故障：一個對未執行過的訂單修改發出確認的 Agent，一個在 API 超時時宣稱產品可用的 Agent，或者另一個跳過審核步驟，但在儀表板上顯示 99% 成功率的 Agent。這些故障不會產生錯誤訊號。它們在幾週後透過客戶投訴暴露出來，此時通常已影響了數千個對話。即便團隊察覺到問題，修復工作也大多依賴猜測：調整提示詞、修改工具描述、微調編排邏輯，最後只能寄望改動奏效，沒有系統化的方法可以驗證改動是否確實優化，還是悄悄引發其他問題。
現在，AWS 宣布 Amazon Bedrock AgentCore 推出全新的優化功能，將生產追蹤轉化為持續改進。這些功能共同形成一個迴圈：理解 Agent 的實際行為，生成資料驅動的修復方案，於部署前進行驗證，並確認實際成效。
理解Agent的行為：Insight 洞察功能現已提供預覽版，AgentCore 可在數百個對話中提供豐富的故障、意圖和軌跡洞察，揭露任何儀表板或逐筆追蹤審查都無法發現的模式。故障洞察可以發現重複發生故障的模式，例如不觸發錯誤訊號的隱性行為失效，詳細解釋每個故障的根本原因，並根據影響範圍排序，進而使人能一眼看出哪些問題對使用者的影響最大並優先修復。意圖洞察可以根據使用者的實際意圖對請求分群，進而能看到 Agent 的真實使用情形。軌跡洞察將 Agent 完成任務的執行路徑進行分組，以便能夠發現常見模式和異常值。可以透過每日或每週報告啟用持續監控，或者在部署後或投訴遽增時進行針對性分析，在幾分鐘內即可獲得結果。
充滿信心地修復：一旦知道要更改什麼，正式可用的建議功能和 A/B 測試功能將幫助團隊採取行動。建議功能透過分析追蹤和評估輸出，依據 Agent 實際行為對系統提示詞和工具描述提出具體改進建議。
隨著Agent能力增強，管控也需同步升級：全新策略增強功能
能力越強的 Agent 意味著越大的攻擊面。而且 Agent 帶來傳統軟體從未有過的安全挑戰：它們是機率性的。Agent 會做出判斷，而判斷可以被上下文影響。新的風險暴露點不再是網路，而是 Agent 的上下文，提示詞注入和記憶投毒不需要入侵系統，只需要說服 Agent 做出一個錯誤判斷。
安全保障機率性事物的方法是使用確定性的事物：不是作為大腦，而是作為周圍的護欄。Amazon Bedrock AgentCore 中的 Policy 策略功能已於閘道處提供即時的確定性控制，定義 Agent 對企業工具與資料的使用權限。
現在，AWS 透過 Amazon Bedrock Guardrails 整合擴展這些功能，並已正式可用，它會評估每個 Agent 操作以防止提示詞注入嘗試、有害內容和敏感資料洩露。這些檢查在閘道層執行，在 Agent 程式碼之外，Agent 無法在其上下文中看到它們，無法在推理時繞過它們，也無法說服自己它們不適用。
幾分鐘內從想法到執行中的Agent：Amazon Bedrock AgentCore harness執行環境正式可用
Agent 不只是一個模型。如果模型是大腦，那麼 Harness 執行環境就是支持大腦完成工作所需的身體。它執行編排循環、調用工具、管理上下文視窗、跨輪次保持狀態、從故障中恢復並隔離每個對話。Harness 對 Agent 效能表現的影響與模型同樣重要。建構一個穩健的 Harness 是目前大多數團隊花費最多時間的地方。
現已正式可用的 Amazon Bedrock AgentCore harness 為企業提供執行環境層的託管功能。無須為整個執行流程編寫程式碼，而是透過配置來定義 Agent：其使用的模型、調用的工具、可以讀取的技能以及遵循的指令。AgentCore 會動態組裝並驅動這個執行流程。透過該單一配置，企業可以在幾分鐘內獲得一個在自身隔離環境中執行的、可工作的 Agent。它配備檔案系統和 Shell、跨對話的記憶、Skills（包含 AWS 官方精選的 Skills 目錄），以及網頁瀏覽功能。這並不是一個會隨著業務規模擴大而淘汰的初學者工具：開始時使用的配置就是大規模營運時使用的配置，當需要自訂編排時，可以將 Harness 匯出為程式碼並保持在相同的平台上，而無須重新建立任何內容。
除了速度，它真正釋放的是市場上前所未有的選擇自由。目前可用的 Harness 方案都會讓企業被綁定在某個環節：開源方案需要自行託管和維運 Harness；託管服務會將企業鎖定在它們的環境中；模型廠商提供的 Harness 則只針對自家模型優化。而 AWS 將 Harness 與模型解除綁定，讓企業可以選擇任意模型，甚至在對話中途切換，而無須改動 Agent 邏輯。
選擇只是一部分。由於 Harness 是單一平台的一個組成部分，而不是包裹在框架周圍的託管層，因此它在調用工具時，都會透過同一個閘道進行分派——該閘道不僅強力執行安全性原則，同時也將 Agent 連接至企業知識、網路資訊和付費知識。身份、記憶和可觀測性都來自這同一個平台，因此 Agent 採取的每項操作都從第一次調用開始受到治理和追蹤，無須額外的線路連接。企業在第一天宣告的 Agent 就是第一千天執行的 Agent，自始至終建立在相同的基礎之上。
開始使用
Harness 執行環境託管功能、Managed Knowledge Base 功能、Web Search 功能、Guardrails 整合功能、建議和 A/B 測試功能，均已在 Amazon Bedrock AgentCore 上正式可用，同時 Insights 洞察功能和支付功能也已推出預覽版。使用者可以透過控制台或 AgentCore CLI 開始使用上述新功能，更多詳情請參考官方文件。
