ARTICLE · 1283678

AWS Q3营收暴涨39.3%!说明了什么?

发布时间：2026-10-31 03:46:13 最近访问：2026-10-31 03:46:13

推荐直接网站在线阅读：https://aicoting.cn

本文建议阅读时长：5分钟

所有相关文档、源码示例、流程图与面试八股，我也将持续更新在AIHub：https://github.com/aicoting/AIHub（复制到浏览器打开），欢迎关注收藏！

2026年10月29日，亚马逊公布了2026年第三季度财报。其中，亚马逊云科技（AWS）的表现格外亮眼。第三季度AWS营收达到460亿美元，同比增长39.3%，创下近五年来最快增速；营业利润达到178亿美元，年化收入运行率达到1840亿美元。

除了亮眼的财务数据，AWS在AI领域的一系列动作也值得关注。从Amazon Bedrock的Token使用量快速增长，到AgentCore的大规模部署，再到Strands、Kiro Crew、TorchNeuron等产品的推出，AWS正在逐步构建覆盖模型推理、Agent开发、运行时管理、安全控制和底层算力的完整技术生态。

这些变化释放出一个重要信号：AI行业的竞争正在从单纯追求更强大的模型，逐渐转向如何让模型以更低的成本、更高的可靠性，在真实业务中持续完成任务。尤其是随着Agent逐渐进入企业应用场景，模型之外的工程基础设施正在成为新的竞争焦点。

一、AWS营收高速增长

从本次财报来看，AWS第三季度营收达到460亿美元，同比增长39.3%；营业利润达到178亿美元，较去年同期的114亿美元增长约56%。按照当季收入计算，其年化收入运行率已经达到1840亿美元。需要注意的是，年化收入运行率是将当季收入乘以四得到的估算指标，并不代表已经实现的全年营收。

相比整体营收，更值得AI开发者关注的是Amazon Bedrock的增长情况。AWS披露，财富500强企业在Bedrock上的支出规模接近去年同期的7倍，平台处理的Token总量则接近去年同期的17倍。这反映出企业对生成式AI模型推理服务的需求正在快速扩大。

Amazon Bedrock是AWS提供的托管式生成式AI服务，企业可以通过统一的平台接入不同模型，并构建基于大语言模型的应用。与自行部署和维护模型相比，这种方式能够减少模型基础设施管理的复杂度，使开发者将更多精力放在业务应用开发上。

从AI应用的发展来看，企业对模型的使用方式也正在发生变化。早期的大模型应用主要集中在文本生成、知识问答和内容总结等场景，一次用户请求通常只需要调用一次模型。而随着Agent技术的发展，模型开始参与更复杂的任务执行。例如，一个企业级Agent可能需要先理解用户需求，再查询数据库、调用外部工具、分析执行结果，最后生成报告或完成某项业务操作。整个过程可能涉及多轮模型推理和工具调用，因此产生的Token消耗也会明显增加。

Bedrock的Token处理量快速增长，正是企业AI应用从简单交互走向复杂任务执行的一个值得关注的信号。当然，Token增长并不直接等同于业务价值增长，但它至少说明企业正在增加对大模型推理基础设施的实际使用。

二、Strands Harness

本次AWS公布的技术动态中，Strands Harness是非常值得关注的一项。根据官方介绍，Strands Harness是一套完整的Agent运行框架，开发者可以基于它构建Agent，并将其部署在本地、Amazon Bedrock AgentCore或其他服务提供商的环境中。AWS还表示，在使用相同前沿模型、达到相同或更高准确率的条件下，Strands Harness能够凭借更高的Token效率，将Agent任务成本降低32%。

要理解这项技术的意义，首先需要明确Agent Harness的作用。一个能够调用工具的大语言模型Agent，并不只是一个模型接口。它通常还需要一套外围执行系统，负责管理模型调用、上下文组织、工具执行、任务状态以及异常处理等工作。这套负责组织和控制Agent执行过程的机制，通常被称为Agent Harness。

以一个代码修复Agent为例，当用户提出代码修改需求后，Agent首先需要分析任务，随后读取项目文件、定位相关代码、制定修改方案并执行代码修改。修改完成后，它还需要运行测试，根据测试结果判断是否需要进一步修复，直到任务完成。整个过程并不是一次模型调用就能结束的，而是由多次模型推理和工具执行共同组成的循环。

在这个过程中，Agent的执行框架会直接影响任务成本。例如，如果每次模型调用都重新传入完整的历史对话、所有文件内容和工具执行结果，就可能产生大量重复Token。对于需要执行数十轮操作的复杂任务而言，这种冗余会进一步放大推理成本。

因此，Agent成本优化并不只是更换一个价格更低的模型，还包括减少不必要的模型调用、优化上下文管理、避免重复传递信息以及提高工具调用效率等多个方面。

AWS公布的32%成本下降，体现了Agent运行框架本身对任务效率的影响。不过，具体优化来自哪些内部机制，还需要以Strands的技术文档和实际测试为依据，不能简单将其归因于某一种上下文压缩或缓存技术。

这也意味着，Agent的评价标准正在发生变化。传统大模型主要关注推理能力、回答准确率和基准测试成绩，而Agent系统还需要关注任务完成率、Token消耗、执行延迟、工具调用效率以及失败恢复能力。未来Agent技术竞争的重点，将不仅是模型能否给出正确答案，还包括能否以更低的成本稳定完成整个任务。

三、AgentCore

如果说Strands Harness主要解决的是Agent如何组织和执行任务，那么Amazon Bedrock AgentCore关注的则是另一个问题：如何让Agent在真实企业环境中安全、稳定地运行？

AWS披露，目前已有数万客户使用AgentCore，第三季度客户部署的Agent数量约为此前三个季度总和的两倍。这一数据表明，越来越多企业正在将Agent从实验性项目推进到实际业务场景。

在本地开发环境中，实现一个简单的Agent并不复杂。开发者只需要调用大语言模型，根据模型返回的工具调用信息执行对应操作，再将执行结果传回模型即可。但这样的程序距离真正的生产系统仍然存在很大差距。

例如，一个Agent需要连续运行数十分钟甚至数小时，如果执行过程中服务器出现故障，如何保存任务状态并恢复执行？如果Agent需要访问企业数据库，如何确保它只能读取经过授权的数据？当大量用户同时使用Agent时，如何管理并发请求、计算资源和任务队列？如果Agent执行了错误操作，又应该如何定位问题并追踪完整执行过程？

这些问题并不能仅仅依靠更强大的大语言模型解决，而需要完善的工程基础设施。

企业级Agent系统通常需要具备运行时管理、身份认证、权限控制、状态管理、可观测性和安全隔离等能力。其中，运行时管理负责控制Agent的启动、执行和终止；权限控制确保Agent只能访问经过授权的工具和资源；状态管理则用于保存长任务的执行进度；可观测性负责记录模型调用、工具调用、执行延迟和错误信息，便于后续调试与优化。

AgentCore的意义就在于尝试将这些能力整合为可供企业使用的托管基础设施。开发者不必完全从零构建Agent运行环境，而是可以将更多精力放在业务逻辑和Agent能力设计上。

从更大的技术趋势来看，Agent正在从一个简单的模型调用程序，逐渐演变为具有任务管理、状态管理、权限控制和工具执行能力的软件系统。随着企业部署规模扩大，这类基础设施的重要性也会进一步提升。

四、Strands Box

随着Agent获得越来越多的工具调用和代码执行能力，其安全风险也在不断增加。传统聊天机器人主要负责生成文本，即使回答出现错误，其影响通常局限于输出内容。但具备执行能力的Agent可能直接操作文件、调用API、修改代码，甚至执行终端命令。此时，模型输出不再只是信息，还可能转化为真实操作。

AWS本次推出了开源沙箱Strands Box预览版，允许开发者定义Agent的行为和访问规则，并希望这些规则能够在不同运行环境中得到执行。其背后反映的是Agent安全设计中的一个重要原则：不能仅通过Prompt限制Agent的行为，还需要在执行层实施真正的权限控制。

例如，开发者可以在System Prompt中写入“禁止删除用户文件”，但Prompt本质上只是对模型行为的指导，并不是操作系统层面的强制权限限制。如果Agent遭遇Prompt Injection攻击，或者模型错误理解了任务，仍然可能生成危险的工具调用。

因此，更可靠的Agent安全体系需要在模型之外建立多层防护机制。System Prompt负责指导模型遵守任务约束，工具权限控制负责限制可调用的功能，Sandbox负责隔离代码执行环境，而运行时策略检查则可以在危险操作真正执行前进行拦截。同时，还需要保留完整的操作日志，以便事后审计和问题追踪。

这种设计思路与传统软件安全有相通之处：不能假设应用程序永远按照开发者的预期运行，而应该通过系统层面的权限边界限制可能造成的影响。

随着Agent逐渐获得访问企业数据、执行代码和操作业务系统的能力，Sandbox、权限管理和执行审计很可能成为企业级Agent不可缺少的基础组件。

五、Kiro Crew

除了AgentCore，AWS还宣布开源Kiro Crew。根据官方介绍，Kiro Crew是一种持久化开发工作空间，能够保留项目上下文、学习开发者的工作方式，并协调多个Agent并行执行任务，同时支持定时任务和无人值守的长时间运行任务。

这体现了Agent发展的另一个方向：从一次性的任务执行，转向持续性的工作协作。

传统Agent通常具有比较明确的生命周期：用户提出任务，Agent执行任务，然后返回结果，整个流程结束。但在软件工程等复杂场景中，一个项目可能需要持续运行数天甚至数周，期间涉及需求分析、代码实现、测试执行、代码审查和文档维护等多个环节。单个Agent很难始终独立、高效地完成所有工作，因此多Agent协作逐渐成为一种值得探索的技术路线。

不过，多Agent系统面临的一个重要问题是上下文管理。长期运行的任务会不断积累历史信息，如果每次都将所有历史消息重新传入模型，不仅会增加Token消耗，还可能导致上下文中充斥大量无关信息。因此，Agent需要将短期工作上下文与长期记忆区分开来，将项目架构、代码规范、重要决策和执行进度等信息保存为可持久化的结构化内容，并在需要时进行检索。

另一个问题是任务协调。当多个Agent并行修改同一个项目时，可能出现任务重复、资源冲突或代码修改覆盖等问题。因此，多Agent系统还需要明确任务分配、执行状态、共享资源和结果合并机制。

Kiro Crew的发布说明，开发工具正在尝试将持久化上下文、多Agent协作和自动化执行整合进统一的工作空间。不过，多Agent并不一定在所有场景下都优于单Agent。对于简单任务，额外的Agent通信和协调机制反而可能增加系统延迟与成本。真正需要关注的是，多Agent协作带来的任务完成收益能否覆盖额外的编排和通信开销。

六、TorchNeuron

除了模型和Agent软件层面的更新，AWS也在持续推进自己的AI计算硬件生态。本次推出的TorchNeuron是一款面向Amazon Trainium的原生PyTorch后端，旨在帮助开发者以较少的代码修改，将现有PyTorch工作负载迁移到Trainium上运行。

这一动作的技术意义在于，AI芯片的竞争不仅取决于硬件算力，还取决于软件生态的兼容性。

目前，大量深度学习项目基于PyTorch开发。训练和推理代码不仅依赖张量计算接口，还涉及自动求导、算子实现、通信原语和编译优化等多个环节。当开发者将工作负载迁移到另一种AI加速器时，可能面临部分算子不支持、模型代码需要修改、分布式通信需要重新适配，以及调试和性能分析工具不够完善等问题。这些都会增加迁移成本。

从底层执行过程来看，深度学习框架需要将开发者编写的计算过程映射到目标硬件能够执行的算子和指令。通常需要经过计算图构建、算子处理、编译优化和硬件执行等环节。TorchNeuron的目标，就是提供面向Trainium的PyTorch执行后端，降低开发者迁移现有模型的工程门槛。

这对于AWS自身的AI芯片生态也具有重要意义。相比仅仅推出一款性能更强的芯片，让开发者能够方便地迁移已有模型和训练代码，同样是推动硬件普及的重要条件。

当然，代码兼容并不意味着所有模型都能获得相同性能。实际迁移效果仍然需要通过算子覆盖率、训练吞吐量、推理延迟、内存使用和训练稳定性等指标进行验证。

从长期来看，AWS正在尝试形成从底层AI加速器到上层模型推理服务与Agent平台的完整技术体系。

七、从AWS财报能看出来什么？

综合本次财报和产品更新，可以看到AI基础设施正在发生几个值得关注的变化。

首先，推理需求正在成为AI商业化的重要驱动力。Bedrock的企业支出和Token使用量快速增长，说明企业正在增加对大模型推理服务的实际使用。随着AI应用从简单问答走向复杂任务执行，推理基础设施的重要性也会进一步提升。

其次，Agent优化不再只是优化模型本身。Strands Harness所体现的成本优化思路说明，Agent系统的执行框架、上下文管理和工具调用效率，都可能直接影响最终成本。未来的优化目标将更加关注端到端任务完成效率，而不只是模型单次生成的能力。

再次，企业级Agent需要完整的运行时基础设施。AgentCore、Strands Box和Kiro Crew分别涉及Agent运行、执行安全和长期协作。这意味着Agent系统正在从简单的模型调用程序，向具备运行时管理、权限控制、状态管理与协作能力的软件系统演进。

此外，AI算力竞争也正在延伸到开发者生态。TorchNeuron降低PyTorch迁移成本的尝试说明，AI芯片的推广不仅需要硬件性能优势，也需要成熟的软件工具链。只有让开发者能够以较低成本使用新硬件，底层算力创新才更容易转化为实际应用。

最后，AI基础设施投入仍然面临成本压力。AWS在持续扩大AI相关投入的同时，也需要平衡算力建设、能源消耗、推理成本与业务回报。AI需求高速增长并不意味着基础设施投资没有风险，未来企业仍需要关注资源利用率和商业化效率。

注：本文依据截至2026年10月30日公开的资料整理。产品能力、成本改善及客户采用数据以AWS官方披露为准；技术原理部分为通用技术分析，不代表AWS已经公开全部底层实现细节。

📚推荐阅读

1	终于有一个完整的Agent实战项目了！
2	我的AI八股网站在2026年第一天上线啦！
3	撒花！机器学习超全内容完结啦！！！
4	Claude Code 常用命令大全！
5	从源码看Claude Code的架构是怎么样的！
6	程序员最强AI画图工具大全!