Atos三个月让400名工程师掌握Agentic AI实战

当 Atos 着手让 400 名工程师在代理式 AI（Agentic AI）领域从理论走向交付时，团队面临一个熟悉的挑战：如何构建真实世界的能力，而不仅仅是理论知识。在线课程和课堂讲授能打基础，但并不能总是给团队足够的信心或实践经验来将 AI 有效应用于业务问题。

通过 Atos 与 AWS 的合作，我们已经看到动手实践学习是有效 AI 赋能中缺失的关键成分。此前，我们在 2025 年通过 AWS DeepRacer 完成了强化学习的实践技能提升，通过 AI League 完成了模型微调的实践训练。

2026 年，Atos 与 AWS 合作，为 400 名工程师举办了一场代理式 AI League 活动。三天内，工程师们从有限的实践经验跨越到构建具备路径规划、护栏、记忆和微调模型的多智能体系统。他们在一个实时排行榜上竞争，该排行榜同时评估性能和效率。

参与者技能水平差异很大。有些是拥有现有 AWS 经验的开发者，有些则是首次使用 AWS，或担任技术性不那么强的角色，如产品负责人和项目经理。

5% 对代理式 AI 没有任何先前知识。

25% 对该主题有基本了解。

50% 理解该主题但没有实践经验。

20% 有代理式 AI 服务的实践经验。

这篇文章将解释我们为什么选择 AI League 形式、工程师们构建和学到了什么、涉及了哪些 AWS 服务，以及其他企业在举办类似活动时应该考虑什么。

为什么选择 AWS AI League？

Atos 对代理式 AI 有战略承诺，包括在世界各地多个地点开发主权代理式 AI Studios。我们需要一种方式让工程团队快速掌握代理式 AI 模式，不是通过被动培训，而是通过动手交付。传统研讨会教授概念，AI League 则在更接近真实交付的条件下通过实践工作构建能力。

与传统培训相比，AI League 格式提供了几个优势：

即时实践应用——工程师构建可工作的代理式系统，而不仅仅是阅读相关内容。

竞争激励——排行榜创造了被动学习很少能实现的紧迫感和参与度。

真实 AWS 服务——活动中构建的所有内容都使用了工程师可以应用于客户交付的原生 AWS 服务，包括 Amazon Bedrock、Amazon Bedrock AgentCore、AWS Lambda、Kiro 和 Amazon SageMaker。

可衡量成果——AI League 排行榜得分反映功能完整性和解决方案效率。

时间投入与形式

AWS AI League 是一个交钥匙解决方案，因此设置简单。设置只需要与 AWS 进行几次电话会议来协商后勤和活动细节，外加一个宣传活动和收集参与者信息的机制。

由于 AWS AI League 通过 AWS Workshop Studio 提供，活动可以在一到三天内完成。为了给工程师最大的灵活性，我们选择了三天形式。参与者的时间投入如下：

初始启动研讨会（2 小时）——介绍 AI League、使用的 AWS 服务以及挑战的格式。

每日办公时间电话（1 小时）——为需要帮助或想要分享想法的工程师提供支持。

前三名决赛（1 小时）——在这里我们加冕了 2026 年的冠军。

在这些预定会议之外，工程师们可以在现有工作之余自由迭代他们的代理式 AI 解决方案。

AI League 挑战

工程师们构建了一个自主 AI 智能体，在地下城迷宫中导航。该智能体必须找到穿过地图的路径，在各种格子中解决挑战，避开陷阱，并在时限内用有限的命数找到宝藏。

下图展示了 AWS AI League 地图的概览。

评分模型奖励：

成功完成挑战——正确答案得分，错误答案消耗生命。

收集金币——与挑战不同，金币没有风险，也不需要额外时间收集。

完成地图——工程师在规定时间内到达宝藏时会获得宝藏奖励。

保留生命——挑战结束时每剩余一条命额外得分。

效率——简洁的智能体响应比冗长的得分更高。

微调——开发专用的 SMALL LANGUAGE MODELS 可获得奖励积分。

挑战类型测试了不同的 AI 工程技能：

AgentCore Code Interpreter，Amazon Bedrock AgentCore 的一项能力

AgentCore Code Interpreter

下图展示了解决方案架构。

借助 Amazon Bedrock，工程师们访问了为智能体推理提供支持的模型。有关按区域划分的模型可用性，请参阅 Amazon Bedrock 中的按 AWS 区域划分的支持模型：

为不同任务选择合适的模型，从一个众所周知的模型开始，然后针对自己的微调模型进行推理。

编写有效的系统提示词，以高效回答问题或将任务委托给子智能体和工具。

管理令牌使用量和成本。

Amazon Bedrock AgentCore

借助 Amazon Bedrock AgentCore——一个使用任何框架或模型大规模构建、连接和优化智能体的平台——工程师编排了多智能体系统。工程师在 AI League 期间使用了以下 AgentCore 能力：

AgentCore 运行时，Amazon Bedrock AgentCore 的一项能力——工程师托管他们的智能体容器，这些容器处理挑战格子并在时间限制内返回评分响应。

AgentCore 网关，Amazon Bedrock AgentCore 的一项能力——工程师通过模型上下文协议（MCP）将智能体的工具调用路由到 Lambda 函数，用于路径规划、网页抓取和代码执行。

AgentCore 记忆，Amazon Bedrock AgentCore 的一项能力——工程师在交互之间持久化上下文，使智能体能够回忆之前的事件，如收集的钥匙和已解决的挑战。

AgentCore Code Interpreter，Amazon Bedrock AgentCore 的一项能力——工程师在隔离的沙箱中安全地执行代码以完成计算挑战。

Amazon Bedrock Guardrails

借助 Amazon Bedrock Guardrails，你可以过滤内容以防止有害输入和输出。工程师配置了：

拒绝话题——必须被阻止的特定内容。

内容过滤器——仇恨、暴力和不当行为的阈值。

带有自定义消息的输入和输出阻止。

借助 AWS Lambda，你可以为模型无法可靠独立处理的任务构建自定义工具函数：

路径规划——使用广度优先搜索（BFS）等算法在地图上导航。

代码解释器——为计算挑战执行代码。

网页抓取——获取和解析网页以进行信息检索。

借助 Amazon SageMaker，你可以构建开发环境并微调模型。工程师使用了基于可验证奖励的强化学习（RLVR）：

Amazon SageMaker Studio 提供了开发环境，包括带有内置 AI 开发工具的集成开发环境（IDE）。

无服务器微调在参与者创建的数据集上训练自定义模型。

微调后的模型随后被部署到推理端点以服务流量。

下图展示了微调模型工作流程。

我们的工程师学到了什么

AWS AI League 揭示了几个可直接应用于生产代理式 AI 工作的实践工程教训。

约束下的提示词工程

最清晰的教训之一是，成功并非仅来自编写提示词，而是来自编写能在真实约束下工作的提示词。每个额外的令牌都消耗积分。每次不必要的工具调用都消耗时间和积分。工程师们很快发现，让解决方案工作只是第一步。使其变得高效才是竞争最接近真实客户场景的地方。

多智能体架构决策

工程师必须决定在架构中包含多少个智能体，从具有专用工具的单用途智能体到更多功能的智能体。每种方法都涉及令牌使用量、延迟和可靠性之间的权衡。这密切反映了真实的智能体设计生产决策。

下图展示了不同的代理式系统在决赛期间如何回答挑战。

护栏配置

Violent Violet 挑战凸显了一个重要教训：护栏必须足够精确以阻止不良内容，同时不过度阻止合法查询。如果护栏过于激进，工程师们会在其他挑战中失败。如果过于宽松，则会在护栏挑战中失败。这直接转化为生产 AI 安全中的一个实践教训。

路径规划算法设计

构建路径规划工具需要工程师思考：

不同场景的多种策略（速度 vs 分数最大化）。

风险评估（尖刺消耗生命，墙壁结束游戏）。

时间预算（我们应该访问每个挑战，还是直接去取宝藏？）

依赖排序（例如，在尝试开门之前先收集钥匙）。

下图展示了同一地图上多种路径规划策略的示例。

可观测性的价值

在两次运行之间检查 Amazon CloudWatch Logs 的工程师似乎进步更快。那些凭猜测判断出了什么问题的工程师往往进展较慢。这强化了一个核心工程原则：正确地为解决方案添加检测工具，先观察再行动。

下图展示了如何使用 Amazon CloudWatch Logs 排查 AWS Lambda 函数。

使用 AI 构建代理式 AI 解决方案

使用 Kiro 等 AI 开发者工具的工程师往往进展迅速。那些与 AI 工具分享挑战完整上下文的工程师往往能更快地取得更好的结果。这强化了一个更广泛的教训：当以正在解决的特定问题为基础时，AI 工具能产生更多价值。

根据活动注册数据，400 名工程师在代理式 AI 方面获得了实践经验。

工程师们在 Amazon Bedrock、Amazon Bedrock AgentCore、AWS Lambda、Amazon Bedrock Guardrails、Kiro 和 Amazon SageMaker 中开发了实践技能。

内部 champion 在将代理式 AI 应用于客户项目方面展现出更大的信心。

竞争形式鼓励了知识共享，并帮助打破了团队之间的壁垒。

表现最佳的解决方案展示了深思熟虑的工程设计。它们包括自定义路径规划策略、精心调优的护栏、具有记忆能力的智能体，以及旨在减少令牌使用量的微调模型。祝贺我们的前三名：James Ponter、Adam Różewicki 和 Eduard-Cosmin Socol。我们的冠军 James Ponter，Atos UKI 云与基础设施负责人，总结了这次活动：

"学术学习给你基础，但 AWS AI League 以一种真正改变你思维方式的方式施加压力。在真实的 AWS 基础设施上构建生产风格的多智能体架构，不是玩具项目，而是同时以性能和效率评分的项目，迫使你将概念内化，而不仅仅是理解它们。时钟运行时你无法查阅答案。那种时间压力，加上你的决策对排行榜有真实影响，创造了一种在其他学习环境中难以复制的参与深度。它架起了从知到行的桥梁，并且持久有效。"

下图展示了决赛排行榜。

Atos 全球 AWS 联盟负责人 Chris Byrne 关于采用游戏化学习方式进行 AWS 技能提升的好处，发表了闭幕致辞：

"一方面，从理论知识迈向动手实践可能令人望而生畏；另一方面，知道从哪里以及如何开始也具有挑战性。Atos 成功使用了 AWS league——通过 AWS DeepRacer 进行强化学习，通过 AI League 进行模型微调，今年的 league 进行代理式 AI——为我们的团队提供了一个论坛，让他们在没有真实项目表现压力的情况下，在有趣的环境中获取经验并发展技能。整个公司参与活动的水平以及 Atos 参赛者在公共 league 中取得的成绩证明了这种学习方法的有效性。"

AWS AI League 在整个 2026 年可用于企业活动，也可在选定的 AWS Summit 和虚拟活动中使用。该格式灵活，从半天研讨会到多日黑客松不等，AWS 提供基础设施、账户和促进支持。

要探索为你的组织举办 AI League 活动：

访问 AWS AI League 页面了解该计划。

联系你的 AWS 账户团队讨论私人活动。

加入 AWS AI League Builder Space 获取官方公告，以及 AI 社区空间与社区分享想法。

AWS AI League 不只是一场竞赛，它是加速实践 AI 技能发展和鼓励思想交流的有效方式。要了解更多信息或探索为你的组织举办活动，请访问 AWS AI League 页面或联系你的 AWS 账户团队。

在 AWS AI League：模型定制与代理式对决中了解更多关于 AWS AI League 的代理式 AI 和模型定制挑战。

了解一位学生如何从初学者成长为 AWS AI League ASEAN 决赛冠军：从初学者到冠军：一位学生穿越 AWS AI League ASEAN 决赛的旅程。

有关将代理式 AI 从竞赛走向生产的指导，请参阅使用 Amazon Bedrock AgentCore 的企业 AI 智能体：最佳实践。