4 月 20 日，Amazon 宣布在已有 $80 亿投资基础上再向 Anthropic 追加最多 $250 亿，Anthropic 同步承诺未来十年在亚马逊云科技花掉 $1000 亿以上。两笔相加，Amazon 对 Anthropic 的累计承诺已经站到 $330 亿。经过多轮可转换债转股之后，Amazon 在 Anthropic 的持股，按市场估算，很可能已经超过 Google 的 14%，成为 Anthropic 上最大的外部股东。
4 月 28 日上午，距离亚马逊云科技旧金山发布会还剩不到一天，Andy Jassy 在 LinkedIn 上发了一段不到 80 个英文词的预告：
“OpenAI’s models will be available directly to customers on Bedrock in the coming weeks, alongside the upcoming Stateful Runtime Environment.”（OpenAI 的模型未来几周将在 Bedrock 上对所有客户开放，与即将上线的 Stateful Runtime Environment 同步）
4 月 29 日凌晨，旧金山。Matt Garman 把“Agentic AI 的下一站”搬上发布会舞台。当天爆出了一箩筐的新动态：OpenAI 旗舰模型进入 Bedrock 限量预览（GPT-5.4 优先开放，5.5 与后续 frontier 模型陆续跟进），未来数周 GA；由 OpenAI 驱动的 Amazon Bedrock Managed Agents 进入预览；Codex 进亚马逊云科技预览；Amazon Quick 桌面版正式开放预览；Amazon Connect 升级为产品家族。
今天的一切几乎都在围绕 Agent 所展开，就服务能力而言，亚马逊云科技与 OpenAI 一起给 Agent 增加了持久化记忆，提升经济性。在终端产品上，更强的模型、Agent 平台、解决方案一同到来，一场发布会，同时摁下了多个开关。
这指向了一个明确的事实：虽然亚马逊云科技的自研模型不在 LLM Arena 的前十榜单上，但这家公司已经成为事实意义上的 MaaS 一极——OpenAI、Anthropic 这两家覆盖全球绝大多数前沿模型用量的公司，都与亚马逊云科技建立了极为亲密的合作或股权关系，而相对来说，亚马逊云科技几乎又是对中国开源模型最为友好的外资云计算公司之一。
两个因素综合来看，亚马逊云科技正在成为中国企业出海的最佳选择，同时也让“云端最强 AI 服务商”的竞争变得乏味。
亚马逊云科技很可能做了一个判断：当 AI 把企业内部的“服务”重新做一遍时，传统 SaaS 厂商手里围绕固定工作流构建的工具栈，正在变成 AI 时代第一批被冲掉的资产。
而 OpenAI 与亚马逊云科技可谓是一拍即合。OpenAI 早已摆脱了非营利性公益公司的桎梏，增长曲线几乎等同于上市公司，差的只是一张挂牌通知。此外，其 CFO Sarah Friar 在 2026 年 1 月公开宣布 AI 行业的“实验阶段已经结束”，2026 年是"实用落地年"，未来要做按结果定价。
而在美国市场，如何达成以上结果？答案是，借助云计算的模式，同时补全在 SaaS 维度的“短板”。
于是，2025 年 11 月 3 日，OpenAI 与亚马逊云科技签下首笔 $380 亿、七年的算力大单，第二天 Amazon 股价收在历史新高。三个多月后，2026 年 2 月 27 日，两家把这笔合同再加码 $1000 亿、再加八年。再过两个月到 4 月 28 日，Sam Altman 亲自下场告诉所有人：模型要直接进 Amazon Bedrock 了。
客户怎么服务、数据如何确保安全、Agent 基础设施如何搭建、合规怎么过、成本怎么算。这些事，模型公司做不来，云厂商做了二十年。OpenAI 缺的那一格，正好是亚马逊云科技的本行。Sam Altman 说：“OpenAI 与亚马逊拥有共同的理念：AI 应当以切实可行且真正有益的方式走入人们的生活。将 OpenAI 的智能水平与亚马逊的基础设施及全球覆盖能力相结合，有助于我们将强大的 AI 以规模化水平交付到企业与用户手中。”
当然，走得近，并不等于亚马逊云科技收缩了客户的模型选择权，这从来不是亚马逊云科技的逻辑。Bedrock 上的模型货架仍会保持开放。OpenAI×亚马逊云科技 合作公告原文里写明：亚马逊云科技将成为 OpenAI Frontier 的独家第三方云分发渠道。
也是这种态度，把这次发布会的反直觉之处推到了前台。过去两年，AI 圈最流行的判断之一是“AI 会杀死软件服务类公司”，尤其是 SaaS。按这个逻辑，亚马逊云科技自己就应该是被冲击最狠的那一家。
但站在 4 月 29 日这个时点上看，事实正在朝相反方向走。SaaS 没死。死的是只会做表单的那批 SaaS。
Matt Garman 在现场用了一个更克制的说法——所谓“Saaspocalypse（SaaS 末日论）”被高估，那些有深度领域积累和大型客户群的 SaaS 老牌玩家正在 Agentic AI 这一波里继续创新，Salesforce 是其中一个例子。亚马逊云科技是另外一个例子。根据亚马逊云科技发布的 2025 年财报，营收达到了 $1290 亿（同比 +20%），根据 Andy Jassy 2025 年股东信，亚马逊云科技当前 run rate 已经站上 $1420 亿，AI 业务在 2026 年第一季度 run rate 超过 $150 亿。
Andy Jassy 给 2026 年致股东信起的标题是 Straight Line Was a Lie——所谓“直线增长”从来都是事后讲出来的故事，每一条曲线都是被反复重塑出来的。AI 越往企业里钻，企业越发现真正缺的那一步是服务，不是模型。
这样，我们就可以比较简单的理解，本次会议的发布逻辑，分为三层：底座、中间件、应用层。
在底座这层，只有一件事至关重要——学会记忆。
过去两年所有主流大模型、Agent 产品、龙虾产品都是失忆或半失忆状态。
昨天聊过什么忘了，Agent 跑到哪步忘了，文件改到第几版也忘了。关闭一个 Cursor 项目，再重新打开，就会出现明显的失忆症状。至于龙虾类产品，确实有持久化的记忆存储，但能力较为初级：龙虾分不清在那些久远的记忆索引中，哪些是需要详细回忆的，哪些是可以一带而过的，反应到终端用户的使用体验上，就又变成了糊里糊涂。
失忆的员工没人敢用，但失忆的 AI 居然是被默认接受的，这导致许多尝试深度引入 AI 的企业对实际效果失望至极。
亚马逊云科技公开的产品答案是 SRE，Stateful Runtime Environment，正式名称是 Bedrock Managed Agents（由 OpenAI 驱动）——承载在 Amazon Bedrock 上、与 AgentCore 深度集成的“持久状态运行时”，让 AI 拥有真正意义上的跨企业系统、跨复杂任务周期的全局持久化状态。这一层一旦补上，OpenAI 模型在 Bedrock 上的“直接可用”才有真正的工程意义。
它把 OpenAI 的模型、亚马逊云科技 的 Runtime（技能、记忆策略以及 AI Agent 可以访问的工具），Environment（AI Agent 的运行环境）和 Inference API 打包成一个 亚马逊云科技 原生的 Agent。开发者一行 Runtime API 调用即可启动，跑在客户自己的 VPC 里、记忆持久、可访问亚马逊云科技资源。这是亚马逊云科技把 OpenAI 模型从“货架上的一种选择”再向前推了一步——它不只是开放了 OpenAI 模型，它把 OpenAI 模型和亚马逊云科技自家 Agent 基础设施织成了一个新产品。
底座的关键不是更快，是更便宜。SRE 让“AI 一直记得事”这件事第一次跑得起经济账——一个真正记得事情的 AI Agent 背后是数倍于无状态调用的算力消耗，它不需要每次调用都加载庞大而完整的上下文。只有当芯片成本足够低、运行时足够稳定，企业才会愿意把“AI 像员工一样工作”这件事跑成生产环境。底座解决的是“持久服务”。
有了 SRE 提供的算力与状态底座，下一个问题是怎么让 Agent 带着“记忆”下场干活。
这指向了一个被绕开太久的常识——企业级能力是长出来的，不是买来的。
财务系统、CRM、数据中台——买企业账号是一回事，把它插进自己的流程、对接自己的数据、训成自己的肌肉记忆，是另一回事。前者一周搞定，后者通常要两到三年。构建数字化能力，就是这样，没有捷径。
在今天，构建 AI 能力，同样没有捷径，不能通过买“企业账号”完成。
一家公司买了 Manus 团队版，是不是就成了 AI-Native 型组织？显然不是，中间差着一整套“土壤”。Amazon Bedrock AgentCore，就是亚马逊云科技拿出来的这块土壤。
过去一年，大量创业公司围绕 Agent Runtime、Memory、Identity、Observability、Tool Calling 各做一个垂类产品，每家都说自己是“Agent 时代的 xxx”，企业 CIO 看着像是噩梦——一个生产级 Agent 系统，要把五六个不同公司的中间件拼起来才能跑，每一家的 SLA 不一样、计费不一样、出问题的责任边界也不一样。
AgentCore 把这块拼图收掉了。9 项服务、单一计费、单一 SLA、单一责任主体。
Runtime，VM 级隔离的运行时，单租户安全，最长支持 8 小时不掉线的复杂任务；
Memory，长期记忆与短期上下文分层管理；
Gateway，把企业既有 API、SaaS、数据源包装成 Agent 可调用的工具；
Identity，解决 Agent 跨系统鉴权；
Code Interpreter，代码能力；
Browser，让 Agent 像人一样操作网页；
Observability、Evaluations、Policy，监控、质检和行为控制。
关于省钱， AgentCore 的做法尤其值得拿出来单说。它通过改架构来实现降价——用 Memory 把记忆从模型上下文里搬出来、用 Multi-Agent 让小模型干小活大模型只在关键节点出手、用 Session Management 自动清理空闲 Session、用 Tool Calling 优化减少重复模型调用。这套架构调整直接改变了成本结构。
剩下的问题只有一个——前文所述的基础设施，最终服务于哪款终端。显然就是 Amazon Quick。
先说一件我自己的事。
过去一个月我一直在折腾一件事——给团队做一个内训 LLM 应用。需求很具体：把日常用得上的 Skill、工具、内部资料、各种重复的写作和汇报流程，全装进一个能内部部署的应用，让团队成员以与 AI 对话的方式，直接完成新员工培训和工作辅助。
我实在不想手写培训文档，面对面传授机宜，这很不 AI。
但要实现这个构想，只依赖 Kapathy 的 Case 是不够的。我需要完成一整套软件工作：连得上内部知识库、能识别每个员工的身份并控制权限、能跑长流程、不能把数据泄漏到公网、最好还能让知识库持续进化，软件使用体验也不能太差。
在不用 Claude Code 的情况下，这个需求实现难度较大，我断断续续的抽空调试，花了一些钱买 Token，最终成果也不尽如人意，导致这件事现在还躺在待办清单上。
直到这次看完 Amazon Quick 发布、自己连夜上手跑了一遍——我才反应过来一件事：Amazon Quick 已经替我将这个需求做完了。
我顺手在 Quick 桌面端给自己拼了一个“媒体培训助手”。做法笨到没什么可讲的：把团队沉淀下来的 Skills 丢进 Amazon Quick 的“团队知识库”，建一个聊天座席关联知识库。工作就完成了。整个过程没超过二十分钟。
我问它“怎么找选题”，它返回的是从 skill 里抽取的 Know-How——每一条都挂着我自己写过的判断标准。这套答案是我们的语言、我们的标准、我们的方法论。不是 ChatGPT 的，不是 Claude 的，是我们自己的。
Amazon Quick 的产品初印象，很接近国内的桌面级“龙虾类”产品—— xx Claw 们。但这是表象，骨子里，Amazon Quick 和龙虾类产品是两种完全不同的设计哲学。Amazon Quick 更像 Claude Team，但价格近乎后者的四分之一。
龙虾们的定位是个人助理，逻辑是“我有一个数字人和 N 个 Skill，你来拼”，Amazon Quick 更像是 AI 原生的企业级操作台，逻辑是“你给我目标，我给你干，同时跟你的同事保持协同”。
Jigar Thakkar 在现场是这么解释的——大多数 AI 工具是 reactive 的，你 prompt ，它才回应；不用的时候它就空着，不为你的工作贡献任何东西。Amazon Quick 是常驻在桌面后台的，它持续监听你正在打开的应用、邮件、日程、本地文件、Slack 消息、CRM 状态，把需要你注意的事主动顶到前台。下午两点开会之前，它会自动把相关的 Slack 线程、你昨天编辑过的那份文档、几条相关的简报拉到一起摆好——你不用问，它已经准备好了。
这种“主动出击”能成立的前提，是它给每个用户建了一张个人知识图谱。Quick 索引你的本地文档、你的日历、你过去几个月跟队友的对话、你处理过的项目、你写作偏好的语气和风格指南，把这些信息编成一张图，理解人和项目、决策和动作之间的关联。从机制上，按我的理解，就是 Skills，但是内置为默认能力，无需外部插入。
Amazon Quick 是少有的把“常驻桌面 + 企业级合规 + 跨厂商 SaaS”这三件事同时做齐的产品。
底层依赖于亚马逊云科技二十年攒下来的两件东西——安全合规底座和全连接器货架。前者意味着 Quick 默认走亚马逊云科技的企业安全合规路径，企业数据不入训练；后者意味着 Amazon Quick 一上来就接好了 Slack、Google Workspace、Zoom 等几十个原生连接器。
除开比较吸睛的 Amazon Quick ，应用层还有一手牌没被讲完——Amazon Connect ，这个去年已经做到 $10 亿营收、年处理 120 亿 AI 分钟通话的产品，被升级成了一整个家族。
原本的 Amazon Connect 改名 Amazon Connect Customer（继续做客服与客户体验），同时新出三件：
Amazon Connect Decisions——把 Amazon 三十年供应链经验做成“决策类 Agentic Teammate”，需求侧规划员和供应侧规划员两个 Agent 协同，把过去要花几周的新品上市需求规划压到泡一杯咖啡的时间。
Amazon Connect Talent——基于 Amazon 自己旺季招 25 万人的高量级招聘经验，做“招聘类 Agentic Teammate”。AI 把岗位描述翻译成技能图谱和面试脚本，Agent 直接做基于技能的初筛面试，把招聘周期从月压到天。
Amazon Connect Health——基于 Amazon Pharmacy 和 One Medical 的医疗经验，做“医疗类 Agentic Teammate”。它要解决的是医疗专业人员被管理类工作占走太多时间的问题，让医生回到病人身边。
Connect 这套产品本质上是把 Amazon 这家公司自己几十年积累下来的领域经验——做电商、做物流、做招聘、做医疗、做客服——封装成一组领域 Agent，再放到客户的业务流里去。这事过去只有麦肯锡敢做，现在亚马逊云科技把它产品化了。
负责这条线的 Colleen Aubrey 在现场提了一个新词——hemorphism（人形化设计）——指的是 Agentic 产品需要一种新的设计语言，让 Agent 不再像表单和 Dashboard，而像一个值得信任的同事。
Amazon Connect 连同前文所述新品，正将亚马逊云科技的产品地图极大拓宽，从做好“水电煤”，到进入 AI 改造的每一个场景。Jassy 那封股东信里被引用最多的句子恐怕是“Every customer experience will be reinvented by AI” ，而这次发布会其实是亚马逊云科技自己在补充下半句：
每一种被 AI 重塑的客户体验，背后都需要一家公司提供服务。
今日好文推荐
谷歌开源“Agent Skill 超级工具箱”，云、库、引擎、AI全线打通，开发者狂喜
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。