亚马逊云服务(AWS)今日推出一系列人工智能智能体,旨在为其专业服务团队的工作提供支持和优化。
该团队被称为AWS专业服务(AWS Professional Services),简称ProServe。该团队主要帮助客户将传统工作负载迁移到AWS云平台,同时还负责使用AWS服务构建全新的应用程序。
根据亚马逊公司的介绍,这些新的智能体将帮助将通常需要数月完成的任务压缩到几天内完成,同时还能降低项目成本。AWS已经在多个客户项目中使用了这些智能体。
这套智能体系统的核心是AWS专业服务交付智能体。客户可以通过上传描述应用架构的图表来启动项目,该智能体还能从会议记录、文档和其他文件中提取项目需求。
在项目开始之前,该服务会为客户创建项目提案和工作说明书。工作说明书包含项目预期耗时等详细信息。在某些软件现代化项目中,手动起草这些文档可能需要数周时间,而AWS表示专业服务交付智能体只需几小时就能完成这项任务。
项目启动后,该工具会使用一系列专门的智能体来执行技术工作。这些智能体负责生成代码、测试代码是否按预期工作并进行部署。整个过程由ProServe顾问监督,确保输出的代码符合客户需求。
如果专业服务交付智能体收到将传统工作负载迁移到云端的请求,它会将任务分配给基于AWS Transform的智能体。AWS Transform服务于今年5月推出,使用人工智能自动化软件迁移,能够将基于COBOL的大型机程序、VMware工作负载和.NET应用程序迁移到AWS。
将软件迁移到新环境面临的最大挑战之一是适配其依赖项。依赖项是程序运行所依赖的软件模块。如果依赖项无法与其支持的应用程序一起迁移,就需要用不同的软件模块替换,这通常涉及大量的手动编码工作。
据AWS介绍,基于Transform构建的智能体自动化了大部分工作流程。它会绘制应用程序使用的依赖项映射,制定将软件迁移到亚马逊云平台的计划,然后生成必要的代码。
AWS专业服务和智能体人工智能副总裁弗兰西斯卡·巴斯克斯在博客文章中写道:"这个智能体整合了AWS ProServe完成的数千次迁移的知识库,以及我们专业服务云迁移工厂的自动化能力,以加速项目交付。"
亚马逊在云计算领域的主要竞争对手也在使用人工智能智能体来加速软件迁移项目。
谷歌目前正在将其工作负载迁移到自定义的Axion系列中央处理器上。上个月,这家搜索巨头透露已经构建了一个名为CogniPort的人工智能智能体来自动化这项任务。该工具不仅重写代码以在Axion芯片上运行,还生成自动化测试来检查代码错误。
与此同时,微软作为GitHub Copilot编程助手的一部分提供应用程序现代化功能。这些功能专注于帮助公司将.NET应用程序迁移到Azure。GitHub Copilot还可以将使用旧版.NET的程序迁移到微软开发的应用程序框架的最新版本。
Q&A
Q1:AWS专业服务交付智能体的主要功能是什么?
A:AWS专业服务交付智能体可以让客户通过上传应用架构图表来启动项目,还能从会议记录、文档等文件中提取项目需求。它能在几小时内创建项目提案和工作说明书,而手动完成这些工作通常需要数周时间。项目启动后,它会使用专门的智能体来生成代码、测试和部署。
Q2:AWS Transform智能体如何解决软件迁移中的依赖项问题?
A:AWS Transform智能体能够自动化大部分迁移工作流程。它会绘制应用程序使用的依赖项映射,制定将软件迁移到AWS云平台的详细计划,然后自动生成必要的代码。这大大减少了传统迁移过程中需要手动处理依赖项替换的编码工作量。
Q3:其他云服务商是否也有类似的智能体技术?
A:是的,谷歌开发了名为CogniPort的智能体来自动化工作负载迁移到Axion处理器的任务,它能重写代码并生成自动化测试。微软则在GitHub Copilot中提供应用程序现代化功能,专门帮助公司将.NET应用程序迁移到Azure平台。
好文章,需要你的鼓励
随着AI技术不断发展,交通运输行业正迎来重大变革。MIT研究显示,AI将很快自动化价值650亿美元的交通工作,大幅提升运输效率。从陆地到海空,AI正在推动全方位的交通创新。斯坦福专家强调,AI将通过基础模型、合成数据和数字孪生等技术,实现从单一车辆自动化到整个交通网络优化的跨越式发展,同时解决可持续性、安全性和公平性等关键挑战。
香港科技大学团队发表重要研究,开发GIR-Bench测试基准评估统一多模态AI模型的推理与生成能力。研究发现即使最先进的AI模型在理解与生成之间也存在显著差距,无法有效将推理过程转化为准确的视觉生成,为AI行业发展提供重要警示。
波兰研究团队开发ORCA数学基准测试,对五个主流大语言模型进行评估。结果显示ChatGPT-5、Gemini 2.5 Flash、Claude Sonnet 4.5、Grok 4和DeepSeek V3.2的准确率均低于63%。测试涵盖生物化学、工程建筑、金融经济等七个领域的500道数学题目。研究发现模型主要在四舍五入和计算错误方面存在问题,表明自然语言推理进步并未直接转化为可靠的计算能力。
Meta超级智能实验室联合麻省理工学院开发了SPG三明治策略梯度方法,专门解决扩散语言模型强化学习训练中的技术难题。该方法通过上下界策略为AI模型提供精确的奖惩反馈机制,在数学和逻辑推理任务上实现了显著性能提升,为AI写作助手的智能化发展提供了新的技术路径。