云计算一哥，让小鹏、Kimi和猎豹都爽了一把

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 云计算一哥，让小鹏、Kimi和猎豹都爽了一把 十三 2026-06-23 21:47:02 来源： 量子位 Agentic AI爆发的拐点已然来临 金磊 发自 凹非寺 量子位 | 公众号 QbitAI 有这么一组数据，是真真儿地戳到了 用Agent 这件事的 爽点 。 来，展示： 公司AI代码覆盖率超过70%； 内部已经创建700多个不同类型、不同部门的Skills； 连接400多个API端点；每天有100多个AI协同PR；累计跑完14万多个工作流； 6个核心阶段成功率均超过99.7%；交付代码0个P0、P1缺陷。 缺陷自动修复从两天压缩到10分钟…… △图片由AI生成 看完这些数字，想必大家脑海里已经是一堆Agent塞满一家公司的画面了，而且是井井有条的那种。 这家率先尝到Agent“甜蜜点”的公司是谁？ 小鹏汽车。 为什么是它能做到？ 因为小鹏用了“云计算一哥”—— 亚马逊云科技 。 更准确地说，小鹏基于亚马逊云科技的 Kiro 、 Amazon Bedrock 、 Amazon EKS 等服务，搭了一套企业内部AI编程与Agentic工作平台，名字叫 灵犀 。 小鹏集团AI/Data Platform负责人 何瑞邦 ，在 亚马逊云科技中国峰会 的现场讲了一个非常具体的问题：2024年，小鹏内部已经普遍使用各种AI开发工具，一些员工的个人效率确实上来了，但整个部门的效率没有明显变化。 原因也很真实，一个稍微复杂点的项目，AI工具只能一环一环写。写完代码，还要人工集成、联调测试、推CI/CD。 说得直白一点，就是代码写得更快了，链路没真正跑通。也正如亚马逊全球副总裁、亚马逊云科技亚太区联席总裁 储瑞松 所说的： Agentic AI爆发的拐点已然来临。AI Agent正在从一个辅助性工具，变成真正参与生产和价值创造的数字劳动力。 所以小鹏后来意识到一句话： 效率，不等于效能。 这其实也是很多企业用AI Coding、用Agent时的共同处境。单点提效很快，整体系统很慢；个人体验很爽，组织收益不明显。 小鹏的特殊之处在于，它面对的还不是普通软件工程，而是更复杂的物理AI。 智能汽车、Robotaxi、人形机器人、飞行汽车……这些场景里，软件和硬件绑得很紧。代码写完之后，还要编译、台架验证、回归、上线，链路更长，容错率更低。 更关键的是，当AI生成代码的速度越来越快，人类review和治理的速度反而跟不上了。 这时候，小鹏选择把AI Coding从写代码工具，往前推进一步—— 让Agent变成一支研发军团。 一支永不下班的研发军团 灵犀的架构，大致可以拆成五层。 最上面，是开发者入口，包括网页端、IDE插件和硬件开发插件。开发者从这里提出需求、管理任务、查看结果。 往下一层，是Agent协作层。小鹏用Kiro做内核，把汽车行业的开发规范沉淀成Skills，让一群Agent按规范协同作战。 再往下，是数据和知识层。研发数据、项目上下文、Agent执行过程中学到的知识，都沉淀到这里。 模型层，则由Amazon Bedrock提供大模型能力。 最底层是基础设施。小鹏用Amazon EKS承载智能体运行，需要多少算力，就弹性供给多少算力。 这套架构跑起来之后，结果就是开头我们提到的那组数字：AI代码覆盖率超过70%，700多个Skills，400多个API端点，14万多个工作流，0个P0、P1缺陷。 其中最有代表性的变化，发生在SRE环节。 过去，一个缺陷自动修复可能要两天。后来小鹏基于Amazon Bedrock，建立了四大SRE Agent和五维归因，缺陷自动修复被压缩到10分钟。同类型bug下一次还能秒级命中，整个过程无需真人介入。 这也是Agent进入企业生产环境后，一个很典型的变化： 它带来的不只是写得快，而是把需求、设计、编码、测试、部署、运维、治理这些环节连成闭环。 这和Kiro本身的定位也有关。 Kiro强调的是Spec驱动开发。也就是在真正生成代码之前，先把需求、设计、任务、测试都结构化，再让Agent基于经过验证的规范写代码。 这样做的目标很明确了，从源头上提升正确性，而不是让AI先猛写，再把一堆技术债丢给人类收拾。 所以，小鹏这个案例最有价值的地方，在于它把企业研发体系里的“上下文、规范、工具、模型、算力、治理”一起串了起来。 这才是Agent真正起作用的样子。 当然，来到亚马逊云科技峰会站台的，不止小鹏。 Kimi出海，也搭上了亚马逊云科技 Kimi今天的到来，也是有点看头。 如果说小鹏展示的是Agent如何进入企业研发链路，那么Kimi展示的是另一件事—— 中国大模型公司如何借助亚马逊云科技的全球基础设施和AI技术，把模型能力带给全球企业客户。 月之暗面Kimi B端业务负责人 黄振新 在现场提到，Kimi的长期目标，是 寻求将能源转化成智能的最优解 。 这个说法听起来很大，但落到模型能力上，其实对应三个非常具体的方向： 模型要更聪明，能在有限数据和算力下学到更多东西； 上下文要更长，能干更长时间的活，还能记住一开始要做什么； 单个Agent有天花板，多Agent协作要能完成更复杂的任务。 围绕这些方向，Kimi在token效率、长上下文、注意力残差和推理优化上持续投入。 黄振新在现场提到，Kimi通过架构和训练方法提升token效率，让10T数据发挥出20T效果；在长上下文方向推进新的线性注意力架构；通过注意力残差提升效率；还通过工程优化提高cache命中率，降低API使用成本。 最近，Kimi发布了K2.7 Code，并推出High Speed版本，输出速度达到180 token/s。 但对一家模型公司来说，能力做强只是第一步。要服务全球企业客户，还要解决一整套更工程化的问题：推理要稳，部署要快，客户要能方便接入，平台要支持训练和部署，商业化也要有全球分发渠道。 这正是Kimi和亚马逊云科技合作的重点。 基础设施层面，Kimi在亚马逊云科技遍布全球的数据中心和网络基础设施上获得算力支持，让模型推理服务跑得更快、更稳。 平台服务层面，Kimi与Amazon SageMaker集成，支持客户在SageMaker上完成模型训练和部署，降低开发者使用门槛。 模型服务层面，Kimi接下来也会接入Amazon Bedrock，成为亚马逊云科技原生AI能力的一部分。 应用层面，Kimi已经在Marketplace上完成上架，全球客户可以一键使用、按量付费。同时，Kimi也通过APN合作伙伴网络拓展企业客户，并与亚马逊云科技联合打造行业解决方案，未来覆盖金融、医疗、制造等场景。 这条路径非常典型。 模型公司负责把智能做强，云厂商负责把算力、平台、分发、生态、合规和全球交付能力补齐。两者叠加，模型才有机会从一个API，变成企业能放心采购和使用的一项生产力。 猎豹、影石、贝恩：Agent开始进业务现场了 除了小鹏和Kimi，现场还有几类客户的站台，把Agent落