← 返回文章列表

Amazon Quick 中智能体原语的分类体系

2026年11月6日,Amazon Quick 团队发布了一套智能体原语分类体系。在过去一年中,Amazon Quick 的智能体从回答问题逐步转向执行任务,例如安排会议、开展研究和生成报告。随之出现的问题是:不同场景反复使用相似的概念,却缺少统一命名。“监控我的 Slack 频道,并每天发送摘要”究竟属于新智能体、定时指令、工作流还是技能,往往取决于产品设

文章封面

2026年11月6日,Amazon Quick 团队发布了一套智能体原语分类体系。在过去一年中,Amazon Quick 的智能体从回答问题逐步转向执行任务,例如安排会议、开展研究和生成报告。随之出现的问题是:不同场景反复使用相似的概念,却缺少统一命名。“监控我的 Slack 频道,并每天发送摘要”究竟属于新智能体、定时指令、工作流还是技能,往往取决于产品设计者的个人理解。为此,该体系用四个问题拆分智能体工作:何时执行、执行什么、由谁执行以及如何执行。

触发器决定工作何时开始

触发器既是工作的启动机制,也承载具体任务,因此同时回答“何时”和“什么”。Amazon Quick 将触发器分为四类:

  • 人工发起:用户通过对话提出要求,通常是同步且交互式的。
  • 智能体委派:一个智能体在处理任务时调用另一个智能体处理子问题,可组合,也具备递归调用的可能。
  • 定时触发:按照固定时间执行,并重复应用既定指令。
  • 事件触发:由新邮件、Slack 提及、文件变更或 Webhook 等外部信号启动。

不同触发方式也会影响执行策略。例如,定时后台任务可以采取保守策略,在不确定时不采取行动;人工发起的任务则可以先向用户询问,而不是直接停止。

智能体是持续学习的行动主体

Amazon Quick 将智能体定义为“持续学习的行动主体”,负责回答由谁执行。一个智能体包含三部分:规定角色、背景和操作原则的指令;可动态更新的工具、技能、工作流及子智能体等能力;以及从使用过程中积累的上下文,包括有效查询方式、用户偏好的格式和需要关注的边界情况。底层大语言模型被视为可替换参数,会话历史属于单次会话状态,触发器则归平台管理。按照这一划分,要求智能体每天监控 Slack 并发送摘要,通常是给现有智能体增加定时触发器,而不是另建一个智能体或工作流。

能力对应不同的置信契约

能力回答智能体“如何行动”,其核心不是单纯的自主程度,而是智能体保留多少判断空间、用户预先约束多少:

  • 工具:具有明确参数和结果结构的原子操作,例如发送邮件、查询数据库或读取文件。
  • 技能:将说明、模板、脚本和示例组织在一起,为判断保留空间,并通过渐进式加载减少不必要的上下文占用。
  • 工作流:以代码规定步骤、控制流、分支和错误处理,以确定性的方式进行多服务协调,同时保留各步骤内部的智能判断。

Amazon 团队认为,技能和工作流不会因模型能力提升而失去价值:技能适合承载、版本化和共享组织经验,工作流则提供审计能力、步骤可见性与确定性协调。两者还可以相互转换——理解充分且步骤稳定的技能可以固化为工作流,频繁遇到边界情况的工作流也可以重新放宽为技能。

同一任务可以对应不同实现

以 Slack 每日摘要为例,既可以用一句定时指令让智能体自行处理,也可以配合写明格式和频道优先级的技能,或调用包含固定步骤与错误处理的工作流。选择取决于用户对稳定性和控制程度的要求:信任智能体的用户可能选择前者,担心结果不一致的用户可能选择技能,涉及合规流程的用户则更需要可审计的确定性步骤。

适用边界与待验证之处

这套体系的价值主要在于帮助产品与工程团队统一设计语言,大部分复杂度仍由系统在后台处理。Amazon 团队还提出,随着持续学习积累有效查询、格式偏好和关键对象,任务的后续执行可能优于初始执行。不过,所给资料未提供量化对照、第三方评测或实际部署结果,因此这类收益应视为厂商提出的机制与目标,而非已经充分验证的效果。

资料来源:Taxonomy of agentic primitives in Amazon Quick(2026-11-06)。

相关文章

Azure AI Speech LLM 09-2026 正式发布:语言区域支持范围得到进一步扩大CUDA 二十周年:这个平台如何改变科学计算Duco 如何利用 Amazon Bedrock AgentCore 革新金融数据自动化使用 Amazon Bedrock 托管知识库的 Agentic Retrieve 构建具备记忆能力的 AI 智能体

一起聊聊

留下你的想法,评论审核通过后展示。