AWS Hong Kong Summit 2026 · Developer Lounge 精华回顾 · 第 2 / 6 篇

AWS Magazine · 维多利亚港现场报道

高科技遇上海港奢华：Developer Lounge 现场气氛

踏进 AWS Hong Kong Summit 2026 Developer Lounge，能量几乎可触。落地玻璃框住维多利亚港全景，游艇在正午阳光反射的水面滑过。室内把香港招牌奢华感与超现代云创新无缝接在一起。从旧金山、东京、伦敦、西雅图飞来的工程师、创始人与科技领袖，陷进天鹅绒沙发，一边喝手工 espresso，一边凑近发光屏幕。

这里不只是拿贴纸或看预录 demo 的地方，而是商业协作与激烈技术交流的震中。主舞台周围的玻璃 VIP 包厢里，风投与创业公司创始人进行私人聚会。对话充满高风险财务动态——一边谈种子轮（money in），一边谈生产基础设施烧钱速度（money out）。白板墙上，staff architect 与独立 builder 画出复杂系统拓扑，讨论如何把原始模型智慧转成企业级软件。

+-----------------------------------------------------------------------------------+
AWS HONG KONG SUMMIT 2026 DEVELOPER LOUNGE

[ 海港景观 VIP 角落 ]              [ 白板架构区 ]
  - 私人聚会与提案                   - 模型花费 vs harness 护城河
  - Money in / money out             - 即时代码与架构对谈

[ 动手 Lab 与 Espresso Bar ]       [ 主舞台与闪电讲 ]
  - Managed memory 与 CLI 配置       - Trista Pan agent harness 主题演讲
  - 动手体验 AWS AgentCore GA        - 国际讲者面板
+-----------------------------------------------------------------------------------+

开场：Lounge 从 Demo 转向正式上线

若说 2025 年香港 AWS AI 场景像整晚烟火——到处是亮眼 agent 原型、每周 demo、社区帖文秀模型能力——那么 AWS Summit Hong Kong 2026 标志运营成熟度的到来。Lounge 里回荡的核心问题不再是「看模型能做什么」，而是关键的生产问题：你要如何安全地把 agent 送进正式环境？

在 Developer Lounge，这个问题的焦点落在 Trista Pan 那场站无虚席的闪电讲。工程师与顾问伙伴挤在白板前辩论一个中心前提：模型花费是 money out；harness engineering 是会复利的钱。

原始长文（builder.aws.com）： Agent Harness: Where Engineers Add Value When Models Keep Getting Smarter

演讲同期，AWS 宣布 Amazon Bedrock AgentCore Harness 正式上市（GA）——提供模型自己吸收不了的生产运营层。

GA 公告： Amazon Bedrock AgentCore harness is now generally available

随着 AI 模型成熟，工程杠杆正从裸模型转向 agent harness——围绕模型、把价值导向用户与 builder 的脚手架。2025 年产业用快速原型证明 agent 能力；2026 年焦点成熟为运营管控与可靠性。分析师 Aakash Gupta 一句话总结：「2025 was agents；2026 is agent harnesses。」真正价值，来自让 agent 在正式环境可靠运作。

气氛转变：从「做不出来吗？」到「跑得起来吗？」

模型越来越强时，工程杠杆正移向周围脚手架——价值要么 向外服务客户，要么 向内服务 builder。

• 去年，agent 在各产业全面爆发，每周都有新 demo。

• 2025 年主流问题是「我们能不能做一个会做 X 的 agent？」，答案几乎都是可以。

• 今年问题成熟了：快速起一个简单 agent 很容易，但要把周末原型变成正式系统，需要 可靠性与运营管控。

正如 Aakash Gupta 所说：「2025 was agents；2026 is agent harnesses。」

公式：Agent = Model + Harness

延续 Vivek Trivedy 在 The Anatomy of an Agent Harness 的框架，现代 AI 应用的核心架构身份可用一句简单公式表达：

Agent = Model + Harness

若某个元件不是核心基础模型本身，它就属于 harness。工具、记忆、prompt engineering、编排、可观测性、护栏、路由、部署，全属 harness engineering。系统性地设计这套 harness，并把运营失败转成永久系统修正——Mitchell Hashimoto 常强调的方法——正是 harness engineering 这门学科。

Lounge 里最容易听懂的汽车比喻

为了让新手直觉理解，现场讲者用经典汽车比喻：

• 模型是引擎：产生动力、推理、规划与原始驱力。

• 但你不能把地板上的裸引擎交给驾驶。

• 可上路车辆还需要底盘、方向盘、刹车、仪表、安全带与大灯。

• 引擎产生动力，harness 才把动力转成日常可用、安全可靠的车。

高性能模型不保证成功的正式 agent，正如强劲引擎不保证安全汽车。

奢华餐饮比喻

香港顶级餐厅从不只靠高级炉火；成功仰赖订位管理、厨房协调、品控与接待。AI 架构亦然：模型是火焰，harness 是整套运营管理。

Harness 有两半

Agent harness 的职责平均分在构建期能力与运行时运营：

Martin Fowler 团队正式把这门技术学科称为 harness engineering。把应用能力分类时，只有一小部分属于模型本身，绝大多数属于 harness 层。

真实证据：同一模型，更好的 Harness

面对「等更强模型就好」的质疑，讲者分享实证：在 模型不变 的前提下，只优化 harness 基础设施。

1. Vercel v0 — 更少上下文，更高效率

大 context window 需要主动管理，否则过期信息会拖垮表现。Vercel v0 团队把主动工具集从 15 个砍到 2 个核心 primitive（bash 与文件系统）。

• 准确率： 从 80% 升到 100%。

• Token 花费： 下降约 37%。

• 延迟： 响应快约 3.5 倍。

2. LangChain on Terminal Bench 2.0

加上明确 harness 元件——自我验证回路、完成前检查清单、循环检测——在相同模型后端上：

• 基准分数： 从 52.8% 跳到 66.5%。

• 排名： 约从前 30 进入前 5。

3. 更小模型打败旗舰模型

• Hebia： 把 GPT-5.4 mini 放进金融与法律专用 harness，通过率与来源归因胜过未加 harness 的旗舰模型，token 成本更低。

• MIT CSAIL Recursive Language Models： 把 GPT-5-mini 包进可对上下文片段递归调用自身的架构（无需 fine-tune），基准 64.9% vs 30.3%，对上明显更大的模型配置。

模型会不会把 Harness 吞掉？

开发者常见担心：基础模型快速进步，会不会让 harness engineering 变多余？

模型正在吸收什么

某些低阶工作越来越常由新模型原生处理：

• 上下文处理： 扩大 context window 降低手动切块负担。

• 规划： 进阶推理模型可维持长程连贯，不必复杂手动 sprint 拆解；Addy Osmani 指出这大幅减少 context-anxiety 失败模式。

• 基本自我修正： 拒绝模式与基本输出验证越来越内建于裸模型。

为什么运营层仍然不可或缺

Harness 会往软件堆栈更高层移动。核心运营责任——模型路由、基础设施扩缩、成本追踪、安全强制、遥测——仍与裸模型智慧不同。

关键收获： 模型没办法当自己的多供应商路由器、基础设施扩缩器，或成本治理引擎。

+-----------------------------------------------------------------------------------+
EVOLUTION OF THE AGENT HARNESS STACK

Operations Layer（成长）
  - 多模型路由与成本优化
  - 护栏强制与可判定权限
  - 分布式追踪与 CloudWatch 可观测性

Model Layer（吸收低阶任务）
  - 扩大 context window 与基本规划
  - 原生函数调用与基本自我修正
+-----------------------------------------------------------------------------------+

元件演化分析

AI 工程团队的策略方向

鼓励开发者与创业公司刻意选择两大策略之一：

1. 方向 A — 向外服务客户： 专注产品设计、用户体验与领域解题。用托管 harness 搭配前沿模型，小团队也能以更低人力交付复杂应用。

2. 方向 B — 向内服务 Builder： 打造可重用开发工具、自定义 middleware、评估回路与领域路由基础设施。这会创造跨多代模型仍保值的长期价值。

深潜：Amazon Bedrock AgentCore Harness GA

随着 Amazon Bedrock AgentCore Harness 正式上市，AWS 提供托管基础设施抽象，简化 agent 正式部署。

+-----------------------------------------------------------------------------------+
AMAZON BEDROCK AGENTCORE HARNESS (GA)

API 接口：CreateHarness / InvokeHarness

Harness 底下的原语
  - Runtime       计算
  - Memory        语义状态
  - Gateway       API / MCP 工具
  - Browser       网页沙箱
  - Interpreter   Python / Node 沙箱
  - Identity      凭证保管库

可观测性：CloudWatch 统一 harness 追踪
+-----------------------------------------------------------------------------------+

架构总览与关键能力

延续 Simon Willison 的定义——「LLM agent 在循环中执行工具以达成目标」——AgentCore Harness 简化周围运营负担。本地原型 agent 循环很容易，但正式环境传统上要管沙箱计算、网络隔离、身份保管、会话持久化与分布式追踪。AgentCore Harness 用两个核心 API——CreateHarness 与 InvokeHarness——取代自建基础设施。

1. 多模型弹性与供应商切换

AgentCore Harness 把 agent 配置与单一模型供应商解耦。开发者可定义默认模型，并在每次调用动态覆盖，或在会话中途切换供应商且保留对话状态。

支持的模型供应商包括：

• bedrock：访问 Amazon Bedrock 上的模型，含 Anthropic Claude、Amazon Nova、Meta Llama、DeepSeek、Qwen、Kimi、MiniMax、Cohere、Mistral，以及 Bedrock 上的 OpenAI GPT-5.5、GPT-5.4。

• openAi：直连 OpenAI API（api.openai.com）。

• gemini：直连 Google Gemini API。

• liteLlm：通用第三方端点整合，含 Azure OpenAI、Vertex AI、Cohere 与自建端点。

外部模型供应商的 API 密钥由 AgentCore Identity token vault 管理，避免凭证暴露在原始模型上下文。

2. 声明式工具整合

工具在创建 harness 时以 tools 数组结构化声明：

"tools": [
  { "type": "agentcore_browser" },
  { "type": "agentcore_code_interpreter" },
  { 
    "type": "remote_mcp",
    "name": "X_tool",
    "config": { "remoteMcp": { "url": "https://mcp.X_tool/mcp" } } 
  },
  { 
    "type": "agentcore_gateway",
    "name": "Y_tool",
    "config": { "agentCoreGateway": { "arn": "arn:aws:bedrock-agentcore:us-west-2:123456789012:gateway/gw-xyz" } } 
  }
]

每个执行会话都自动具备原生 shell 与 file_operations，不必手动包工具。可用 InvokeHarness 的 allowed_tools 在运行时选择性允许或限制工具。

3. 托管会话记忆

CreateHarness 时若省略明确 memory 标志，会自动预配具企业默认值的托管记忆：

• 策略： 结合 SEMANTIC 索引与 SUMMARIZATION 处理。

• 数据保留： 默认事件 30 天过期（可配置）。

• 安全： AWS 托管加密，并以 actorId 做租户隔离。

// Example: Managed Memory Configuration
"memory": {
  "managedMemoryConfiguration": {
    "strategies": ["SEMANTIC", "SUMMARIZATION"],
    "eventExpiryDuration": 30
  }
}

// Example: Bring Your Own Memory ARN
"memory": { 
  "agentCoreMemoryConfiguration": { 
    "arn": "arn:aws:bedrock-agentcore:us-west-2:123456789012:memory/mem-abc" 
  } 
}

// Example: Stateless Execution
"memory": { "disabled": {} }

4. 模块化 Skill 整合

Skills 是含程序脚本、参考文件与领域指示的模块包。元数据先索引，完整内容在任务计划需要时动态加载。

HarnessSkill schema 支持四种来源：

• awsSkills：预先策展的 AWS 领域 skill，涵盖 SDK、IaC、安全、serverless、数据库与运营。

• git：HTTPS 仓库，可钉选分支或 commit。

• s3：从 Amazon S3 直接部署 skill 套件。

• path：本地容器文件系统路径。

5. 沙箱运行时与持久存储

可链接 Amazon ECR 容器映像部署自定义依赖。开发者可用 InvokeAgentRuntimeCommand API 执行配置脚本，不消耗模型 token。

存储选项对应不同持久需求：

6. 可观测性、评估与优化回路

CloudWatch GenAI Observability 提供专用 Harnesses 仪表板。运营团队可把执行路径追到单一 span，涵盖记忆查询、浏览器会话、程序执行与工具调用。

内建评估元件支持自动化品控：

• AgentCore Evaluations： 以 LLM-as-a-judge 评估 faithfulness、helpfulness、safety，可用批次数据集或实时流量。

• AgentCore Optimization： 分析评估分数，建议优化系统 prompt 与工具描述，并经 AgentCore Gateway 做实时 A/B 路由验证。

7. 环境版本与程序导出

更新 harness 配置会建立不可变版本记录。正式端点可钉选明确版本，确保可靠回滚：

# Pin PROD Endpoint to Harness Version 2
aws bedrock-agentcore-control create-harness-endpoint \
  --harness-id harness-xyz123 \
  --endpoint-name PROD \
  --harness-version 2

# Promote Version 5 to PROD
aws bedrock-agentcore-control update-harness-endpoint \
  --harness-id harness-xyz123 \
  --endpoint-name PROD \
  --harness-version 5

若应用成长超出声明式配置，可把 harness 导出成程序：

agentcore export harness --name myHarness-xyz123 --output ./my-agent

导出程序基于开源 Strands 框架，保留 prompt 定义、记忆结构与工具绑定。

三种正式 Agent 配置模式

AgentCore Harness 的弹性可用三种标准正式部署模式说明：

模式 1：自动化研究与内容合成 Agent

• 工具： agentcore_browser 搭配指向网页搜索端点的 AgentCore Gateway。

• Skills： 以 git 连接文档处理 skill 仓库。

• 记忆： 默认托管记忆，保留多步骤研究上下文。

模式 2：企业云分析 Agent

• Skills： 加载完整 awsSkills 套件。

• 权限： 限定范围的 IAM 执行角色，访问 Athena、Glue、Redshift、CloudWatch。

• 工具： 含 agentcore_code_interpreter，在安全沙箱跑 Python 数据可视化。

模式 3：自动化软件开发 Agent

• Runtime： 预载开发工具链的自定义 ECR 容器。

• 工具： AgentCore Gateway 连到 GitHub／GitLab。

• 执行： 用 InvokeAgentRuntimeCommand 做可判定 Git 操作（clone、branch、commit），并搭配模型推理。

按用量计价结构

Amazon Bedrock AgentCore Harness 没有固定基本订阅费。账单严格按实际消耗计算：

全球客户实践

企业领袖在 Summit 面板分享正式环境实践：

• Omar Paul（Twilio 产品副总）： 「AgentCore Harness 搭配 Twilio Conversations，让全球客户能快速部署具上下文的语音与消息 agent，不必重建底层基础设施。」

• Dr. Lukas Schack（TUI GROUP 首席机器学习工程师）： 「AgentCore 是我们组织的基础积木。在 500+ 开发者的内部黑客松里，团队常在数分钟内把概念变成可运作原型。」

• Rodrigo Moreira（VTEX 工程副总）： 「从手写编排程序转成声明式 harness 配置后，团队用数分钟而非数天验证新电商顾客旅程。」

• Kazumi Matsuda（FUJISOFT 资深经理）： 「我们用 AgentCore 版本与 A/B 优化回路，在正式流量上做实时评估，再全面推出更新。」

动手开始：快速入门

选项 A：命令行界面（CLI）

# 1. Install global AgentCore CLI tool
npm install -g @aws/agentcore@preview

# 2. Initialize harness project definition
agentcore create --name research-agent --model-provider bedrock

# 3. Deploy infrastructure to AWS
agentcore deploy

# 4. Invoke agent endpoint
agentcore invoke "Plan a 5-day Tokyo itinerary with daily budgets and reservation links."

选项 B：Python SDK（boto3）

import boto3
import uuid

# Initialize control and data clients
control = boto3.client("bedrock-agentcore-control", region_name="us-west-2")
data    = boto3.client("bedrock-agentcore",         region_name="us-west-2")

# Step 1: Create the Agent Harness definition
harness = control.create_harness(
    harnessName="FinancialAnalysisAgent",
    executionRoleArn="arn:aws:iam::123456789012:role/AgentCoreExecutionRole"
)

# Step 2: Invoke the Harness endpoint with session tracking
session_id = str(uuid.uuid4()).ljust(33, "0")  # Minimum required length: 33 characters

response = data.invoke_harness(
    harnessArn=harness["harnessArn"],
    runtimeSessionId=session_id,
    messages=[{
        "role": "user",
        "content": [{"text": "Summarize Q3 financial highlights from uploaded reports."}]
    }]
)

# Step 3: Stream responses in real time
for event in response["stream"]:
    print(event)

资深观点：引擎与整辆车

回顾数十年技术周期——从早期大型机、主从架构到现代云——AI 工程演化遵循熟悉模式：原始计算能力最终让位给运营管理与企业 harness 系统。

基础模型会持续快速演进。但工程团队建立的耐久价值，在于周围基础设施：运营护栏、记忆策略、评估回路与系统路由。

模型提供引擎，但 harness 造出完整车辆。刻意选择架构，为长期可扩展性而建。