企业做AI智能体，卡在"要控制"和"怕麻烦"之间。管模型、调成本、保合规，样样都要自己搭——直到有人把这条路跑通了。

亚马逊云科技最近放出一套完整方案：用Strands Agents SDK（开源智能体开发工具包）对接SageMaker AI（亚马逊云科技的机器学习托管服务），再串上MLflow（机器学习生命周期管理平台）做追踪。核心卖点就一个——代码量压到最低，控制权留在手里。

打开网易新闻 查看精彩图片

Strands是什么来头

这是个开源SDK，走"模型驱动"路线。开发者只需要凑齐三样东西：一个模型、一段系统提示词、一组工具。Strands自己处理了智能体的运行逻辑。

代码能短到什么程度？官方示例里，创建一个能查国际空间站位置的智能体，核心代码不到10行。模型用的Claude 4.5 Sonnet，工具用的HTTP请求，Strands内置的strands-agent-tools已经打包好了常用工具集。

Strands的模型供应商列表里，Amazon SageMaker AI是正式选项之一。这意味着企业可以把自托管的模型接进来，而不是只能调用Bedrock（亚马逊云科技的托管基础模型服务）上的现成API。

SageMaker AI端点 vs Bedrock：控制权换复杂度

Bedrock的问题是"太托管"——方便，但企业插不进去手。SageMaker AI端点反着来：计算资源、扩缩容行为、基础设施放哪，全由企业自己定。

具体能控制什么？原文列了五项：性能调优的精确度、大规模成本优化、合规与数据驻留、模型选择、网络配置与现有安全架构的集成。代价是，企业得自己管运维层——但SageMaker AI保留了AWS的托管运营层，相当于把"必须自己造的轮子"减到最少。

部署路径也明确了：SageMaker JumpStart（机器学习模型中心）里选基础模型，一键部署到端点，再拿Strands Agents SDK接进来。JumpStart的价值是预置了质量和责任指标，不用自己从头测模型。

生产级能力：追踪、A/B测试、持续迭代

玩具demo和 production 的差距，主要在"看不见"的地方。这套方案补了三块：

第一，SageMaker Serverless MLflow做智能体追踪。MLflow在这里是托管能力，实验记录、模型版本、部署管理串成一条线。

第二，多模型变体的A/B测试。同一套智能体架构，可以挂不同模型或不同参数版本，跑对照实验。

第三，用MLflow指标评估智能体表现。不是"能跑就行"，而是能量化对比哪个版本更靠谱。

完整的Jupyter notebook代码已经开源在GitHub仓库，从部署到集成到观测，每一步都有对应代码段。

为什么这事值得关注

智能体开发正在分层：底层模型越来越 commoditized（商品化），中间层的编排框架和工具链才是锁客关键。Strands的定位很清晰——不做模型，不做基础设施，专啃"让智能体代码变少"这层。

亚马逊云科技的态度更有意思：Bedrock和SageMaker AI两条线并行，一个卖方便，一个卖控制。企业选哪边，取决于手里有没有运维团队、数据要不要出境、模型要不要微调。Strands Agents SDK成了跨两边的桥梁，同一套代码能接托管API也能接自托管端点。

开源代码+托管基础设施+可选的控制权，这个组合在2024年的智能体工具链里不算独一份，但亚马逊云科技把文档、代码、观测工具打包成完整叙事，降低的是"从demo到生产"的心理门槛。

GitHub仓库的star数和实际企业采用率，会是下一个值得盯的数据点。