紫竹商业评论

中国企业报金融资本周刊副主编

Amazon DynamoDB推出实时向量搜索功能，已在亚马逊云科技所有商业区域正式可用。
8月11日，亚马逊云科技宣布Amazon DynamoDB的向量搜索功能现已正式可用。这项新功能可实时索引和搜索向量。随着向量数据集规模增长至数十亿甚至数万亿，传统的大规模向量搜索往往需要在搜索速度、扩展规模和准确性之间做出妥协：如果不降低召回率或吞吐量，系统延迟就会随着向量数量的增加而不断攀升。Amazon DynamoDB提供的原生向量搜索不仅能实现99%以上的超高召回率，并提供毫秒级延迟。该功能专为任意规模的数据而设计，即便是面对数万亿级别的向量也能游刃有余。对于已经在使用Amazon DynamoDB的应用，此前添加向量搜索需将数据复制到专属的向量数据库中，并耗费精力维护两套服务之间的数据同步管道。这不仅增加了运维负担、数据迁移成本和软件授权费用，更给大规模业务下保持稳定的低延迟带来了严峻挑战。现在，随着Amazon DynamoDB原生内置向量搜索功能，客户的向量数据与业务数据现在可以共享同一套无服务器基础设施，并采用一致的按请求次数付费定价模式。借助Amazon DynamoDB向量搜索功能，企业可以将向量嵌入与其他常规数据属性保存在一起，并自由使用所选的模型（包括Amazon Bedrock上提供的模型）来生成这些向量。客户能够创建向量索引并执行近似最近邻搜索（Approximate Nearest Neighbor），通过选择向量索引分区键来实现灵活扩展，并根据具体属性进行过滤以精准圈定结果范围。同时，用户依然能享受到熟悉的无服务器优势：无需管理基础设施、零停机时间、免维护窗口，且仅为实际用量付费。企业此前已经能够使用Amazon DynamoDB为AI Agent存储记忆，现在借助向量搜索功能，还可以对这些记忆数据进行语义检索，为Agent提供坚实的信息支撑；此外，该功能还能广泛应用于产品相似度检索、个性化广告、检索增强生成以及推荐系统等应用场景，并始终保持稳定可预测的高性能表现。 Amazon DynamoDB中的向量搜索引入了一种新的索引类型，用户可以在存储向量嵌入的属性上创建该索引。企业可以使用所选模型（例如Amazon Bedrock Titan Text Embeddings、Cohere Embed或OpenAI文本嵌入模型）生成嵌入向量，并使用标准的PutItem调用将其作为浮点数列表存储在表中。然后，用户可以在该属性上创建向量索引，并指定维度数、距离函数以及希望用作筛选条件以在查询时缩小搜索范围的任何非向量属性。SearchVectors API接受查询向量、要返回的结果数（最多100个）以及可选的筛选条件，并返回按相似度排序的结果。该功能支持高达4096个维度，支持欧氏距离、余弦相似度和点积三种距离度量方式，并支持内联过滤。

紫竹商业评论

中国企业报金融资本周刊副主编

在抖音花9.9领了30个鸡蛋，去家附近门店取时，店主让我加了他们的团购微信群，进群又1元钱领了这么多土豆……
据新闻报道，亚洲最大宜家门店——宜家原上海宝山商场人去楼空，8处资产已全面清空，入华近30年来，这是宜家最大规模资产处置。群里朋友分析，是房地产不景气让上下游都在萎缩，但在@紫竹商业评论看来，本质上，是零售渠道变革了，原来的占大面积场地的展示模式，肯定也变了。

紫竹商业评论

中国企业报金融资本周刊副主编

公司给员工提供AI工具费用，需要考核提效吗？
据The Information报道，特斯拉在推动员工使用AI工具后，为相关支出设定了每人每周200美元的上限，管理对象指向员工在工作中使用AI服务产生的费用。与直接禁止外部AI工具不同，这一做法相当于在允许员工采用AI提升效率的同时，把成本控制在固定额度内，也便于公司统一观察使用频率和预算消耗。群里有人说，特斯拉真抠门儿。其实，目前，并没看到怎么考核员工使用AI后能提高工作效率，如果不考核提高效率因素，那就是——公司又增加了成本。特斯拉本身与Elon Musk旗下xAI关系密切，Grok模型发布和迭代也让企业内部AI工具选择更受关注。对大型科技和制造企业来说，AI从试用走向日常办公后，费用报销、工具准入和内部治理正在变成新的运营议题。

紫竹商业评论

中国企业报金融资本周刊副主编

亚马逊全球副总裁、亚马逊云科技亚太区联席总裁储瑞松：Agentic AI不仅是技术创新，更是业务变革
在亚马逊云科技中国峰会上，亚马逊全球副总裁、亚马逊云科技亚太区联席总裁储瑞松表示，Agentic AI不仅是技术创新，更是业务变革。储瑞松认为，企业要实现Agentic业务转型需要关注五个关键维度。首先Agentic AI的项目必须是业务结果导向而非工具导向，企业的决策重点需要从“选择技术和工具”转向“定义要达成的业务结果”，并以此反向驱动技术实现。其次，数据是企业的核心护城河，数据将从静态资产转化为持续驱动Agentic AI为企业创造价值的核心战略资产。第三，Agentic平台成为概念验证与生产的分界线，成百上千个智能体与人类员工、以及智能体之间的协同，必须依赖统一的平台进行赋能与管理。第四，信任和治理是发展的加速器而非刹车，在 Agentic AI 时代，清晰的授权体系、可追溯的决策机制以及自动化的审计能力，能保障智能体更安全、更放心地规模化运行。治理正在变成规模化部署智能体的前提而非限制。最后，组织内团队之间角色分工与协作得更为重要，由于智能体本质上是一支数字劳动力，企业需要建立全新的角色、机制和责任体系来协调和规范人机协作，如同管理人力资源一般去管理这支智能的数字劳动力。对于想要开启智能体项目的企业，储瑞松给出了两点的建议。第一是选择合适的 Agentic场景。起始场景无需过于复杂，但需要对企业有切实的价值。该场景应具备明确的起点、终点和业务目标，需要智能体在多个系统和工具之间进行选择和判断，拥有可衡量的成功标准，并具备安全的失败模式，确保万一执行出错不会造成不可逆的后果。第二是明确智能体的边界，理清智能体的自主程度、管辖范围以及人机协作的审核分工。一个实用的方法是如同为新员工撰写工作岗位描述一样去定义智能体，明确其职责、交付标准与出错预案，并将其与业务 KPI 直接关联，从而在第一天起就能衡量其价值。在此基础上，企业便可以开启并成功上线第一个业务工作流进而积累经验并开启更多的Agentic AI工作流。

热点情报所

紫竹商业评论

中国企业报金融资本周刊副主编

亚马逊全球副总裁、亚马逊云科技亚太区联席总裁储瑞松：AI Agents 将重塑协作关系，五层技术栈助力企业实现Agentic AI业务转型
在亚马逊云科技中国峰会上，亚马逊全球副总裁、亚马逊云科技亚太区联席总裁储瑞松表示，AI Agents 将重塑协作关系，带来企业组织和价值创造的范式转移。储瑞松指出，AI从一个辅助性的工具变成了真正的生产力，其价值的计量单位也随之改变，AI 不再只是回答问题或帮助提效，而是开始直接为企业交付可衡量的业务结果。然而，面对层出不穷、令人目不暇接的 AI 创新，企业需要一张清晰的全景地图来明确自身需求。为此，储瑞松提出了企业实现 Agentic 业务转型所需的AI的五层技术栈地图。第一层是 AI 基础设施层，涵盖 GPU、AI 加速芯片以及配套的网络和存储，这是一切技术实现的基础。这一层的业务价值在于为模型提供充足的算力。对大多数企业而言，无需自行购买芯片或建设数据中心，这些底层基础设施是模型服务提供商和云厂商需要去操心的事情。第二层是模型层。当前大模型的创新仍处于交替领先的快速迭代阶段，前沿模型既包括各类头部商业模型，也涵盖诸多能力强劲、大部分来自中国的开源模型。这一层的价值在于为智能体提供脑力服务。储瑞松将模型比作人才，指出不同岗位和工作应选用不同背景能力的人。对于企业应用来说，模型选择很重要。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，并且切忌自我设限，不要锁死在单一供应商的模型上。第三层是数据和知识层。这一层的核心价值是为智能体提供相关、准确、新鲜且经过治理的高质量数据支撑。储瑞松坦言，绝大多数企业 AI 项目的失败，都是因为数据没有准备就绪。Agentic AI 应用若要为企业带来真正不可复制的差异化竞争壁垒，就必须深度融合并用好企业历经多年积累的自有数据与知识。高质量的数据是企业差异化竞争的壁垒：因为企业数据是自身多年积累的、别人无法短期复制。第四层是 Agentic 平台层。当企业从几个试点智能体发展到成百上千个智能体协同工作时，就需要一个平台来赋能和管理这些智能体，这就像创业公司规模扩大后必须建立管理系统和 HR 机制一样。这一层的业务价值在于为智能体提供统一的运行环境、开发工具，并提供规则、评估与治理等管理能力。其关键在于能否很好地支持大规模智能体的开发、部署、管理与迭代，这也是企业智能体应用从概念验证走向生产的分界线。第五层是智能体与应用层，这是Agentic AI 真正为企业创造价值、交付业务结果之处。这些应用既包括软件开发、IT 运维、知识工作者、客户服务等跨行业的通用场景，也包括能为企业带来最大业务价值的特定行业或定制化应用。智能体如同企业的数字员工，为企业工作并交付真实的业务结果。储瑞松进一步指出，在这五层技术栈之外，安全、效果、性能和成本这四个维度贯穿始终，从上到下每一层技术栈都需要考虑。首先是安全，涵盖模型安全、数据安全以及智能体的权限边界，这是是智能体落地的底线。其次是效果，即智能体产出结果的质量，从模型选择、数据质量、平台层护栏，到智能体的设计与实现，每一层都会影响最终效果。第三是性能，包括响应速度、吞吐量和延迟等指标，是智能体在生产环境中服务海量用户时的必选项。最后是成本，企业必须能够将成本从智能体一路拉通到平台、数据和模型 Token，如果无法厘清智能体完成单项任务的实际花费，企业做的就不是部署，而是实验。储瑞松强调，所有五层技术栈的存在，最终都是为了最顶端的业务产出服务。真正决定 Agentic 项目成败的唯一标尺，是可衡量的业务产出。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。

热点情报所

紫竹商业评论

中国企业报金融资本周刊副主编

亚马逊全球副总裁、亚马逊云科技亚太区联席总裁储瑞松：Agentic AI爆发的拐点已然来临
在亚马逊云科技中国峰会上，亚马逊全球副总裁、亚马逊云科技亚太区联席总裁储瑞松表示，Agentic AI爆发的拐点已然来临。这背后，是模型能力的不断提升和Agentic工程体系的日益成熟，两者形成了一个相互促进的飞轮。一方面，模型能力在你追我赶、交替领先中持续突破，从推理能力、代码生成到多模态理解，模型的智力水平不断跨越新的门槛。另一方面，基于模型能力的Agentic工程体系正在快速成熟。储瑞松指出，Agentic工程体系是把模型能力转化为可以稳定交付业务结果的智能体的体系化的工程能力。这一工程体系在过去两年多里经历了快速的演进，并逐步形成了三层逐层递进和包含的工程体系。首先是早期备受关注的提示词工程（Prompt Engineering），即研究如何通过最有效的提示词，让模型“理解你希望它做什么”。其次是一年多前行业开始关注的上下文工程（Context Engineering），旨在研究如何在合适的时机，向模型输入正确的信息、工具与记忆，从而让模型“掌握它需要知道什么”。最后是最近半年成为焦点的驾驭工程（Harness Engineering），侧重于围绕模型搭建稳定的执行框架，包括智能体循环、工具调用、评估、重试及护栏等，让模型能“可靠地把事情做完”。储瑞松强调，Agentic工程实践的成熟，又反过来为模型能力的提升提供了真实世界的反馈，清晰地指引模型厂商在哪些应用场景需要部署更强的能力，以及哪些边界亟待突破。随着这一飞轮的正式启动与加速旋转，从而推动了 Agentic AI 爆发拐点的到来。

热点情报所

紫竹商业评论

中国企业报金融资本周刊副主编

如今的营销策划人才，文案真是让人不忍直视😂

紫竹商业评论

中国企业报金融资本周刊副主编

很多企业已经发现，能力越强的Agent（智能体）意味着越大的攻击面，而且Agent带来了传统软件从未有过的安全挑战：它们是概率性的。Agent会做出判断，而判断可以被上下文所影响。新的风险暴露点不再是网络，而是Agent的上下文，提示词注入和记忆投毒不需要入侵系统，只需要说服agent做出一个错误判断。
亚马逊云科技6月18日宣布，专注于Agent构建、连接与优化的一站式平台Amazon Bedrock AgentCore推出多项新功能，助力企业加速构建拥有更广阔知识和持续学习能力的Agent。这些新功能将能够打通Agent与企业内部知识、公开网络知识及付费知识资源的连接通道，助力技术团队快速定位并修复生产环境中的故障问题，并搭建随Agent能力提升同步扩展的管控体系。大多数Agent的实际表现远未达到潜力上限，差距不在于智能，而在于获取正确的上下文和反馈。亚马逊云科技此次的更新，能够跨越复杂问题进行推理，规划多步骤工作流，并生成精准细腻的响应，同时，可以负责解答企业退款政策问题的客服类Agent，若无法访问SharePoint中存储的政策文档，便无法提供有效支持；撰写市场简报的研究类Agent，若无法获取训练数据之外的实时信息，输出的内容便会存在缺失；财务顾问类Agent，若无法突破付费墙获取所需的实时市场数据，只能给出次优建议。而在所有场景下，多数团队都缺乏系统化的方法，无法追踪Agent部署后的效果优劣变化。不过，能力强大的模型仅仅是起点，让Agent在生产环境中发挥效能的关键，在于使其能够获取完成全部工作所需的一切——正确的知识、执行操作的资源以及持续改进的反馈闭环，这才是智能体一直在发展的方向。

紫竹商业评论

中国企业报金融资本周刊副主编

只要有人愿意信故事，什么都能搭上科技快车。
从小吃的溜溜梅港股上市，结果，因为中文拼音简称LLM，被误导解读成英文“大语言模型”的英文中译，结果就这么华丽丽地成了大模型概念股……当股民存在信息差时，最好的避险方式是选择靠谱的基金，由信息充分的、有良心的基金经理去负责选股，这样，可以稍微规避些做韭菜的机会。#溜溜梅上市#

紫竹商业评论

中国企业报金融资本周刊副主编

讲个真实的笑话，我的新冠后遗症——顽固性咳嗽三年多了，日夜无规律干咳伴随有大量黏痰，看了北京各大医院，中西医，做了全身各项相关化验检查，肺功能以及支气管激发实验，结果，不止一次排除了肺部问题、过敏、哮喘、鼻咽喉炎症（自己判断似乎有轻微鼻后滴流综合征），以及治疗8周后也排除了胃酸反流问题，最终没找到任何有效治疗方案，后来就能忍则忍，坚持常年游泳骑行锻炼，单尽量不去人多的地方，不乘公共交通。
有同事建议我问问豆包，那天夜里咳得没办法睡觉，就想找豆包碰碰运气，最后，豆包综合评估，认为我这种是咳嗽神经敏感，开的药包括化痰的盐酸氨溴索，以及治疗哮喘的孟鲁司特钠片，同时加了抑制神经的加巴喷汀胶囊，第二天我去医院问了北京友谊医院的医生，医生说实在愿意试就试吧，但医院没有加巴喷丁，不能开，给我开了其他两种药，我自己在网上药店开了加巴喷丁，药到家开始吃，目前吃了两周，似乎有效果，有时一整天都不再咳嗽，主要是晚上能睡完整觉了。朋友帮我问了deepseek和智谱清言，但说是肠道问题，我没采纳，因为做过胃肠镜，也确实没问题。主要是豆包说的注意事项都很像我的症状。另外一个感悟就是，买药尽量去医院，医院开的氨溴索，和药店买的效果不一样。药店买的，几乎没什么效果，我小人之心地怀疑是有效剂量含量低，安全且可以维持长期购买。

紫竹商业评论

中国企业报金融资本周刊副主编

今天看到好友在朋友圈分享的空调冷知识，忽然想起一直争论的话题：空调到底要不要加氟？这个问题，曾经在几个群里讨论过，但结论一直不明确。
刚问了豆包，豆包告诉我：正常空调，一辈子不需要加氟…… 那我每年给家里空调加氟的钱，是不是缴了智商税啊？

紫竹商业评论

中国企业报金融资本周刊副主编

亚马逊云科技宣布大幅扩展与OpenAI的合作伙伴关系，将前沿智能引入数百万企业信赖的云基础设施中。作为此次扩展的重要举措，亚马逊云科技在Amazon Bedrock上引入了最新的OpenAI模型（有限预览版），还同步推出了基于OpenAI的编程Agent，Codex（有限预览版），以及由OpenAI提供支持的Amazon Bedrock Managed Agents（有限预览版）。
通过此次合作，用户能够在享有其所依赖的亚马逊云科技安全性、高效治理及运营控制的同时，获取前沿智能，将AI驱动的软件开发无缝引入企业现有的亚马逊云科技环境，并使用户能够快速、轻松地在云端构建生产就绪的由OpenAI驱动的Agent。本次发布标志着亚马逊云科技与OpenAI之间更深层次合作的开端。随着OpenAI不断拓展推理和Agent能力的边界，双方将持续把最新技术进展引入Amazon Bedrock，确保当前构建的模型和Agent能够不断从未来的创新突破中获益。

紫竹商业评论

中国企业报金融资本周刊副主编

东方甄选四位人气主播相继离职，再次给老俞敲响警钟——旗下艺人管理模式，不能照搬培训机构教师管理模式。
4月25日，东方甄选旗下明明、天权、中灿、林林四位人气主播相继宣布离职。当天，明明、天权等主播在发文中提到，离职因公司管理层、理念等变化。看了一下老俞直播回应此事，做法和当年董宇辉离职那次差不多。可以看出来，老俞一直在延续培训机构对于教师的管理模式，但他可能一直在做社会实践。现代企业管理，每一行业都形成了一些固有规则，直播主播是艺人，不是培训机构教师。至少，离职艺人不应靠吃原来东家热度，但很遗憾，新东方出去的每一个网红，都在吃老东家的流量。光凭这一点，就是对企业品牌和股东的伤害。哪怕企业管理出了问题，也不应该由离职艺人来消费。

热点情报所

紫竹商业评论

中国企业报金融资本周刊副主编

AI技术提升生产力的又一赛道——即将新增“信任成本”赛道。
AI图像生成技术已达高度逼真之境，特别是GPT Image 2等新型模型，生成的图片有时能“以假乱真”。照片涵盖特定年代、场景与细节，像2000年代中国家庭聚餐、校园生活、考试试卷、街头小吃摊等，一般人很难分辨真伪。网友一方面感慨科技进步，另一方面，这些图像的真实性也引发了公众对“眼见为实”原则的质疑。当然，换个角度看，随着“眼见为虚”时代的来临，人类的信任成本更高了。如何让受众重建信任、让传播更有效，必然会催生出新赛道——信任成本赛道。道高一尺，魔高一丈，让虚假现形、提升传播效果，都将增加企业品牌传播的成本，而这些新增成本，正是技术进步带来的新赛道。

紫竹商业评论

中国企业报金融资本周刊副主编

企业安装OpenClaw，如何面对前所未有的安全挑战？亚马逊云科技安全与合规专家建议——企业必须为这位超级“数字员工”量身定制纵深防御体系。
对于个人用户，OpenClaw面临的威胁主要集中在“恶意Skill投毒”与隐蔽的“提示词注入”，当OpenClaw的部署场景扩展到企业级应用时，企业用户不仅要完全承受前述的恶意插件投毒与提示词注入威胁，还要承受权限、配置与高危漏洞带来的系统性风险。对此，亚马逊云科技安全与合规专家建议：首先，针对恶意Skills投毒，企业需要为OpenClaw设立“安检闸机”。避免随意安装外部扩展，建立由企业管理的私有Skills仓库并强制审批。所有扩展在入库这道“闸机”前，必须通过由AI驱动的安全分析工具进行扫描，以检测是否存在恶意代码模式、可疑网络连接或凭证窃取尝试，可疑Skills则应在沙箱中进行观察。而面对提示词注入攻击，企业需要为数据处理流程戴上“防毒面具”，并设立“前台缓冲区”。“防毒面具”指的是在数据处理层面的多个检查点进行内容过滤，以拦截隐藏在网页或文档中的恶意指令。“前台缓冲区”则是指在架构层面实施多层Agent隔离，将负责核心任务编排的主Agent与处理不可信外部数据的子Agent分离，将“毒性”输入拦截在缓冲区内，防止核心系统被注入劫持。应对被动越权的身份与权限管理挑战时，企业应发放“动态安全令牌”。通过建立统一访问网关，并将其作为Agent与企业服务交互的单一入口点，实现集中审计与上下文感知授权。结合身份传播机制，该“安全令牌”能确保Agent在访问后端系统时，始终携带并验证最终用户的真实身份委托，有效封堵无权限人员通过诱导Agent来窃取机密数据的混淆代理漏洞。为了消除公开暴露与不安全配置带来的隐患，企业需要为OpenClaw实例披上“隐身斗篷”。通过私有网络隔离和前端策略抵御外部探测，使内部Agent实例在公网上彻底“隐形”。在内部管理上，则须落实最小权限与非root运行，并建立持续的运行时监控体系，以便快速发现未授权暴露或配置篡改，实现实时告警与自动响应隔离。最后，针对底层高危漏洞，企业需要打造“隔离舱”式的安全运行时环境，并定期接种“数字疫苗”。“隔离舱”是指使用隔离的虚拟机或容器进行部署，并利用沙箱技术将潜在漏洞影响限制在特定空间，防止基础设施被接管。更为根本的“数字疫苗”方案，则是建立定期的自动化漏洞扫描机制，确保系统及时更新至包含最新安全补丁的OpenClaw版本，实现对新漏洞的快速免疫。当然，除了自行打造上述安全实践和解决方案，开发者和企业还可以采用已有的云服务和丰富的工具从容应对安全挑战。