AWS 9 月回顧將模型選擇、代理效率與企業資料置於核心

Amazon Web Services 在 2026 年 9 月的產品回顧中指出，企業 AI 開發的重點不只在模型效能。該公司強調 Amazon Bedrock 擴大的模型存取能力、透過 Amazon Bedrock AgentCore 實現的低額外負擔執行、Strands 推出的新開源工具，以及企業知識庫的自動同步。

這項更新之所以重要，是因為 AI 建置者正越來越多地部署代理，而這些代理必須擷取公司資訊、使用商業系統，並執行長時間任務。AWS 對當月發布內容的說明顯示，延遲、權限、資料新鮮度與營運控制等決策，正變得與選擇高效能模型同樣重要。

Amazon Bedrock 擴大模型選單

AWS 表示，OpenAI 的 Astra、Sol 與 Luna 模型系列在 9 月期間透過 Amazon Bedrock 正式提供。該公司將 GPT-6 Astra 描述為適合複雜決策、文件分析與軟體開發的高階選項，輸入內容視窗最高可達 100 萬個 token。GPT-6 Astra Ultrafast 則定位為更快速的層級，適用於優先重視回應速度的工作負載。

Bedrock 產品線也包含 GPT-6.1 Sol 與 GPT-6 Sol，可用於反覆性的程式設計、電腦操作與專業工作；GPT-6.1 Luna 則針對擷取、分類、摘要與路由等高容量活動。AWS 將這種分組方式呈現為一種平衡智慧程度、延遲、吞吐量與成本的方法，而不是所有任務都使用同一個模型。

AWS 也列出了新的 Claude 選項，包括 Claude Fable 5.1、Claude Opus 5.5 與 Claude Sonnet 5.5。該公司表示，Opus 5.5 適用於代理式程式設計、知識工作與長時間任務，而 Sonnet 5.5 則為專注型程式設計與知識工作提供更有效率的選項。關於 Sonnet 5.5 比 Claude Sonnet 5 每項任務成本低 30%、速度快 30% 的說法，來自 AWS 的產品回顧，原始資料並未對其進行獨立驗證。

AWS 表示，Moonshot AI 的 Kimi K3，以及 xAI 的 Grok 4.6 與 Grok 4.7 也加入了目錄。該公司引用 Moonshot 對 Kimi K3 的描述，稱其為擁有 2.8 兆參數的開放模型，並表示 Grok 模型支援 50 萬 token 的內容視窗、可設定的推理力度與自我驗證。

代理基礎設施轉向依使用量執行

對於建置正式環境代理的團隊，AWS 強調了模型層以下的變化。由 OpenAI 驅動的 Amazon Bedrock Managed Agents 進入公開預覽，讓開發人員能使用 OpenAI 模型，同時將資料保留在 AWS 內、重複使用 AWS Identity and Access Management 權限，並透過 AWS CloudTrail 記錄活動。AWS 也將持久工作階段與人工核准工作流程列為支援高風險部署的控制措施。

最新的 AgentCore 執行環境旨在降低無伺服器代理的基礎設施負擔。AWS 表示，該環境改善了記憶體管理與冷啟動延遲，在閒置時將工作階段縮減至零，並使用硬體隔離環境。其定價模式被描述為隨用隨付，客戶是依實際使用量付費，而不是依預先配置的峰值記憶體付費。

AWS 的開源代理工具組 Strands 獲得了新的 Strands harness。AWS 聲稱，該 harness 的準確度可媲美熱門替代方案，同時少使用 28% 的 token。此 harness 支援 Python 與 TypeScript，內含內容管理、提示快取與記憶體功能，並且可在不同部署環境中執行。

AWS 也推出了 Strands Decider 2B，這是一個擁有 20 億參數的開源模型，會從預先定義的選項中進行選擇，而不是生成文字。該公司表示，它可以在本機約 115 毫秒內回應，並且適用於工具選擇、路由與防護機制。AWS 表示，程式碼、資料與權重可透過 GitHub 與 Hugging Face 取得。

企業知識庫獲得更直接的連接器

9 月的發布內容也針對 企業 AI 中一個不太顯眼但持續存在的問題：在不維護大型自訂擷取系統的情況下，讓擷取到的資訊保持最新。

AWS 表示，Amazon Bedrock Managed Knowledge Base 現在支援所有原生資料來源連接器的每日、每週與每月自動重新整理排程。SharePoint、OneDrive 與 Confluence 的使用者管理設定，旨在組織已具備必要存取權限時，降低對管理員管理服務帳戶的依賴。

針對 ServiceNow、Confluence Data Center、Salesforce 與 Zendesk 的新原生連接器，可以處理爬取、後設資料擷取與增量同步。AWS 表示，這些能力可減少內部文件、支援內容與營運知識所需的自訂擷取程式碼。實際價值將取決於連接器涵蓋範圍、權限、同步可靠性，以及變更反映在代理回應中的準確程度——回顧內容並未量化這些面向。

證據對建置者與買方的意義

這項更新中最強的主張都來自供應商。來源集合包含 AWS wire 列表與 AWS Machine Learning Blog 文章，但沒有獨立測試、客戶訪談、價格比較或第三方採用資料。因此，在以團隊自身的工作負載驗證之前，關於 token 節省、推理速度、模型能力與成本效率的說法，都應視為產品定位。

即使存在這項限制，產品方向仍然清楚。建置者可以使用 Bedrock 更廣泛的目錄，依複雜度與成本分派任務；AgentCore 與 Strands 則處理執行、記憶體、核准與部署。對企業買方而言，原生連接器與排程同步可能減少維護工作，但並不會消除評估存取控制、資料沿革、保留政策與故障處理的必要性。

實際測試將在於這些元件是否改善整體系統經濟效益，而不只是個別基準測試結果。如果檢索內容過時，更快的執行環境可能價值有限。如果路由或擷取品質下降，較便宜的模型可能產生審查成本。同樣地，託管連接器可以簡化部署，但在 Salesforce、ServiceNow 與 Zendesk 等敏感系統周邊，仍然需要仔細設計權限。

接下來值得關注的事項

建置者應關注由 OpenAI 驅動的 Managed Agents 預覽版正式上線日期與正式環境定價，以及區域可用性和支援模型功能的相關文件。對 AgentCore 冷啟動、Strands token 使用量與 Strands Decider 2B 準確度進行獨立測量，將有助於確認所報告的改進如何轉化到實際工作負載。

企業團隊也應針對權限變更、已刪除記錄、增量更新與相互衝突的來源文件，測試新的知識庫連接器。下一個有意義的訊號將是證據證明：這些連接器能讓代理內容保持最新，同時不會造成存取或治理漏洞。

Creati.ai 的觀點

AWS 的 9 月回顧與其說是單一模型公告，不如說是一項協調性的推動，目標是讓代理系統更容易組裝與操作。其對模型選擇、託管執行、本機決策與企業資料同步的強調，反映出目前正式環境的摩擦所在：不只在語言模型，也在其周邊系統。

對 AI 團隊而言，機會是擁有更多選擇，但代價是更複雜的評估矩陣。AWS 的主張提供了有用的測試路線圖，卻不能取代測試。最有利的買方將是那些在實際工作流程中衡量端到端成本、可靠性、新鮮度與治理，而不是僅根據宣傳的能力來選擇模型的團隊。