亚马逊AWS官方博客
【Agentic AI for Data系列】开发新范式：AI驱动的数据革命（先导篇）
 |
引言
长期以来，业界专注于Data for AI，即为人工智能提供高质量数据。正如吴恩达教授的Data-Centric AI理念所指出的，AI系统80%的工作量集中在数据准备与迭代上。然而，一场更深刻的变革正在发生：我们正从Data for AI迈向AI for Data的新纪元。这不再是简单的AI辅助，而是将AI作为原生能力深度融入数据开发全生命周期。
正如Gartner将Agentic AI列为年度十大战略性技术趋势[1]，并预测到2028年，15%的日常工作决策将由Agentic AI自主完成，这标志着软件应用本质的重新定义。
Agentic AI驱动的数据开发正是这一场范式革命的践行。它将Agentic AI的认知、推理和自动化能力深度融入数据开发全生命周期，从需求分析、架构设计、代码生成到性能优化，实现开发效率和质量的双重提升[2]。
开发新范式：从传统开发到Agentic AI协同
让我们通过一个真实的技术选型场景：电商数据分析，来理解这种新范式的工作方式。
业务场景
某零售电商平台需要对上亿条用户行为数据（浏览、收藏、加购、下单）进行分析以优化营销策略。面临着多种技术选型方案，假设其中可能有两种方案：一是使用经典的Spark，利用其强大的分布式处理能力；或者选择DuckDB，因为其是单机高性能分析场景下的新星，我们如何做出最适合的选择？
传统数据开发模式
面对这样的技术选型挑战，传统流程通常是：
- 数据工程师手工搜索大量Spark和DuckDB的文档，了解各自的技术特点和适用场景
- 分别搭建测试环境，编写用户行为分析的测试代码
- 手动准备测试数据，配置不同的存储格式和运行环境
- 逐一执行性能测试，手工收集执行时间、资源消耗、成本等指标
- 基于有限的测试结果和个人经验判断哪种技术更适合当前场景
- 整个过程可能需要数周时间，且容易受主观因素和环境差异影响
- …
Agentic AI驱动的开发新范式
同样的技术选型场景，在Agentic AI模式下变成了人机协同的智能化流程：
- 自然语言需求表达：”帮我分析电商用户行为数据的漏斗场景，评估Spark和DuckDB各自的适用性”
- AI自主分析规划：Agentic AI助手理解业务需求，自动分析场景特点（数据量、查询复杂度、并发需求等），制定针对性的测试策略
- 智能代码生成：Agentic AI助手生成完整的测试代码，包括数据准备、环境配置、指标收集，确保公平对比
- 自动化执行监控：Agentic AI助手协调测试执行，监控性能指标，自发诊断和解决问题
- 智能场景匹配：基于量化数据和场景特征，Agentic AI助手分析产出综合性分析报告
这种新范式的核心在于AI不再是被动的工具，而是主动的协作伙伴。它能够理解抽象需求，自主制定技术实现路径，并在整个过程中持续学习和优化。通过利用AI的方式，将技术选型周期从几周的时间，压缩到了三天时间，极大地节省了工作量。
Agentic AI数据开发的三大核心能力
通过上面这个电商营销分析的实际例子，我们归纳了Agentic AI数据开发的三大核心能力。
- 自主决策架构：AI不再是被动响应的工具，而是主动参与需求分析、架构设计、代码生成和问题诊断的智能系统。在电商营销分析例子中，AI能够自主理解“用户行为漏斗分析”这一业务需求，客观分析Spark和DuckDB各自的技术特点和适用场景，编写执行代码，并在执行过程中动态调整以确保得到公平的结果。
- 自然语言交互：将人机交互从复杂的UI点击和代码编写，转变为流畅直观的自然语言对话。人类只需要专注于清晰地表达业务需求，无需学习复杂的技术语法或操作界面，让技术门槛不再成为数据洞察的障碍。
- 端到端智能流程：告别传统割裂的复杂管道，转向基于大模型的统一、端到端智能处理流程。从业务需求理解到代码生成，从环境配置到性能测试执行，从结果分析到场景匹配建议，整个流程由AI统一协调。通过Agentic Loop机制，AI系统能够自主感知环境变化、重新规划测试路径、执行修复任务并持续学习优化。
从理论到实践：如何选择合适的Agentic AI工具/助手
理解了Agentic AI数据开发的核心能力后，一个自然的问题是：如何将这些能力转化为实际的生产力？答案在于选择合适的Agentic AI工具和平台。
不同的工具在三大核心能力上有着不同的实现方式和强项：
- 自主决策架构：需要强大的推理和规划能力，这依赖于底层的大模型和Agent框架
- 自然语言交互：需要优秀的对话界面和上下文理解能力
- 端到端智能流程：需要代码生成、审查和监控的完整工具链；需要工具间的无缝集成和工作流编排能力。
基于这些需求，让我们来看看AWS当前的生产级Agentic AI工具生态，以及如何根据不同的使用场景做出选择。
生产级Agentic AI工具生态与选择指南
AWS AI Stack为构建生产级Agentic AI系统提供了完整的技术栈，从基础设施到应用层全面覆盖：
 |
AWS AI Stack：构建和部署生产级Agentic AI系统的综合基础架构[3]
应用层（Applications）
Kiro是专业的AI开发助手，提供集成开发环境，专门针对工程开发场景进行了优化。Amazon Q作为企业级AI助手，与AWS服务深度集成，支持代码生成、架构建议和运维自动化等丰富功能。此外还有AWS Transform/Connect等企业级服务中内置的Agentic AI能力，以及AWS Marketplace中经过认证的第三方Agentic AI应用生态。
开发层（AI & Agent Development Software & Services）
Strands Agents[4]是AWS开源的模型驱动AI Agent SDK，采用简化的开发方式，只需定义提示词、工具和模型即可构建Agent。支持多模型提供商（Amazon Bedrock、OpenAI、Anthropic等），原生集成MCP协议和Agent间协作A2A，已被Amazon Q Developer、AWS Glue等多个AWS服务在生产环境中使用[4]。
平台层（Amazon Bedrock）
Amazon Bedrock提供完整的Agentic AI平台能力，包括Amazon Nova和多种三方模型支持。Bedrock AgentCore[5]是一套全面的企业级服务套件，让开发者能够快速、安全地大规模部署和运行AI智能体，支持任意框架和模型，可托管在Amazon Bedrock或其他平台上。它提供无服务器运行时、会话隔离、API工具转换、上下文感知记忆管理、细粒度权限控制和实时监控等企业级功能，同时集成企业知识库。
基础设施层（Infrastructure）
Amazon SageMaker AI提供模型构建、训练、微调、部署、MLOps和治理的全生命周期能力。AI Compute包括AWS Trainium和AWS Inferentia专用芯片，以及GPU计算支持。
数据开发者的Agentic AI选型指南
根据团队规模和技术需求，我们提供三种层次的选型建议：
| 层次 | 适用场景 | 推荐方案 | 核心特点 |
| 入门级 | 个人项目、快速原型 | Kiro + Amazon Q | 零配置启动、自然语言交互 |
| 进阶级 | 企业工具、定制开发 | Strands Agents + Bedrock | 模型驱动、多模型支持 |
| 企业级 | 关键系统、严格合规 | Bedrock AgentCore + SageMaker | 生产级部署、企业治理 |
Agentic AI数据开发的价值创造
了解了Agentic AI的核心能力和工具选择后，一个关键问题是：这种新范式究竟能为企业和开发者带来什么实际价值？
让我们回到前面的电商营销分析场景，看看Agentic AI如何在实际项目中创造价值。
传统方式的挑战：某电商平台的数据团队需要2-3周时间来完成Spark vs DuckDB的技术选型。多名高级工程师分别负责文档研究、环境搭建、代码编写、测试执行和结果分析，人力成本较高。由于缺乏统一的测试标准，结果容易受个人经验和环境差异影响，决策风险较高。
Agentic AI驱动的转变：使用Agentic AI工具后，同样的技术选型工作在3天内完成。AI自动生成标准化测试代码，智能配置AWS环境，实时监控性能指标，并支持基于真实数据提供量化的选型建议。只需1名工程师配合AI完成，成本低廉，效率提升80%，决策更加客观可靠。
这个对比鲜明地展示了Agentic AI数据开发的价值创造，具体体现在以下五个核心维度：
价值创造的五大维度
效率革命：从手工编码到AI生成，从小时级诊断到分钟级解决。自动化代码生成、智能环境配置、实时问题诊断，让开发效率提升80%以上。
质量飞跃：从事后修复到主动预防，从经验驱动到数据驱动。AI自动应用最佳实践，智能代码审查，确保生产级质量标准。
成本优化：从人力密集到智能协同，从资源浪费到精准配置。人力成本降低80%，云资源使用更高效，ROI清晰可量化。
创新加速：从技术门槛到自然语言，从周级开发到天级交付。业务人员直接参与数据开发，想法验证周期大幅缩短。
协同增效：从各自为政到深度融合，从知识孤岛到智能沉淀。统一工作流实现经验自动积累和复用，团队协作更加顺畅。
这五大维度的价值创造，共同构成了Agentic AI数据开发的核心竞争力。它们不是孤立存在的，而是相互促进、形成正向循环的有机整体。
总结：迈向AI原生的数据开发新时代
这篇文章探讨了Agentic AI驱动的开发新范式，从传统开发模式转向AI代理模式的演变，介绍了核心理念、实践方法、工具生态和架构分层(应用、开发、平台和基础设施层)，并提供了选型指南和价值创造分析，旨在引导开发者迈向AI原生的数据开发新时代。Agentic AI驱动的数据开发代表着从Data for AI到AI for Data的根本性转变。通过三大核心能力（自主决策架构、自然语言交互、端到端智能流程），它重新定义了数据开发的工作方式，让AI成为真正的协作伙伴而非被动工具。
从工具选择到价值创造，从理论框架到实践应用，这种新范式正在推动企业数据能力实现跨越式提升。无论是效率革命、质量飞跃，还是成本优化、创新加速，Agentic AI都在为数据开发带来前所未有的可能性。
想要真正体验Agentic AI数据开发的威力？
在另一篇文章中，我将以电商营销大数据分析的案例为例，深入展示如何使用AWS提供的开箱即用的Agentic AI编程工具来解决用户行为分析的技术选型问题。这不仅是一次技术选型实践，更是展示Agentic AI如何帮助我们做出更客观、更科学的技术决策的完整演示。
系列文章导航
- 第1篇：【Agentic AI for Data系列】开发新范式：AI驱动的数据革命（先导篇）
- 第2篇：【Agentic AI for Data系列】Kiro实战：DuckDB vs Spark技术选型全流程
参考资料
[2] 亚马逊云科技中国区构建 Agentic AI 应用实践指南
[5] Introducing Amazon Bedrock AgentCore: Securely deploy and operate AI agents at any scale (preview)
*前述特定亚马逊云科技生成式人工智能相关的服务目前在亚马逊云科技海外区域可用。亚马逊云科技中国区域相关云服务由西云数据和光环新网运营，具体信息以中国区域官网为准。