AWS Hong Kong Summit 2026 · Developer Lounge 精華回顧 · 第 2 / 6 篇

AWS Magazine · 維多利亞港現場報導

高科技遇上海港奢華：Developer Lounge 現場氣氛

踏進 AWS Hong Kong Summit 2026 Developer Lounge，能量幾乎可觸。落地玻璃框住維多利亞港全景，遊艇在正午陽光反射的水面滑過。室內把香港招牌奢華感與超現代雲端創新無縫接在一起。從舊金山、東京、倫敦、西雅圖飛來的工程師、創辦人與科技領袖，陷進天鵝絨沙發，一邊喝手工 espresso，一邊湊近發光螢幕。

這裡不只是拿貼紙或看預錄 demo 的地方，而是商業協作與激烈技術交流的震央。主舞台周圍的玻璃 VIP 廂房裡，創投與新創創辦人進行私人聚會。對話充滿高風險財務動態——一邊談種子輪（money in），一邊談生產基礎設施燒錢速度（money out）。白板牆上，staff architect 與獨立 builder 畫出複雜系統拓撲，討論如何把原始模型智慧轉成企業級軟體。

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

[ 海港景觀 VIP 角落 ]              [ 白板架構區 ]
  - 私人聚會與提案                   - 模型花費 vs harness 護城河
  - Money in / money out             - 即時程式碼與架構對談

[ 動手 Lab 與 Espresso Bar ]       [ 主舞台與閃電講 ]
  - Managed memory 與 CLI 設定       - Trista Pan agent harness 主題演講
  - 動手體驗 AWS AgentCore GA        - 國際講者面板
+-----------------------------------------------------------------------------------+

開場：Lounge 從 Demo 轉向正式上線

若說 2025 年香港 AWS AI 場景像整晚煙火——到處是亮眼 agent 原型、每週 demo、社群貼文秀模型能力——那麼 AWS Summit Hong Kong 2026 標誌營運成熟度的到來。Lounge 裡迴盪的核心問題不再是「看模型能做什麼」，而是關鍵的生產問題：你要如何安全地把 agent 送進正式環境？

在 Developer Lounge，這個問題的焦點落在 Trista Pan 那場站無虛席的閃電講。工程師與顧問夥伴擠在白板前辯論一個中心前提：模型花費是 money out；harness engineering 是會複利的錢。

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

演講同期，AWS 宣布 Amazon Bedrock AgentCore Harness 正式上市（GA）——提供模型自己吸收不了的生產營運層。

GA 公告： Amazon Bedrock AgentCore harness is now generally available

隨著 AI 模型成熟，工程槓桿正從裸模型轉向 agent harness——圍繞模型、把價值導向使用者與 builder 的鷹架。2025 年產業用快速原型證明 agent 能力；2026 年焦點成熟為營運控管與可靠性。分析師 Aakash Gupta 一句話總結：「2025 was agents；2026 is agent harnesses。」真正價值，來自讓 agent 在正式環境可靠運作。

氣氛轉變：從「做得出來嗎？」到「跑得起來嗎？」

模型愈來愈強時，工程槓桿正移向周圍鷹架——價值要嘛 向外服務客戶，要嘛 向內服務 builder。

• 去年，agent 在各產業全面爆發，每週都有新 demo。

• 2025 年主流問題是「我們能不能做一個會做 X 的 agent？」，答案幾乎都是可以。

• 今年問題成熟了：快速起一個簡單 agent 很容易，但要把週末原型變成正式系統，需要 可靠性與營運控管。

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

公式：Agent = Model + Harness

延續 Vivek Trivedy 在 The Anatomy of an Agent Harness 的框架，現代 AI 應用的核心架構身分可用一句簡單公式表達：

Agent = Model + Harness

若某個元件不是核心基礎模型本身，它就屬於 harness。工具、記憶、prompt engineering、編排、可觀測性、護欄、路由、部署，全屬 harness engineering。系統性地設計這套 harness，並把營運失敗轉成永久系統修正——Mitchell Hashimoto 常強調的方法——正是 harness engineering 這門學科。

Lounge 裡最容易聽懂的汽車比喻

為了讓新手直覺理解，現場講者用經典汽車比喻：

• 模型是引擎：產生動力、推理、規劃與原始驅力。

• 但你不能把地板上的裸引擎交給駕駛。

• 可上路車輛還需要底盤、方向盤、煞車、儀表、安全帶與大燈。

• 引擎產生動力，harness 才把動力轉成日常可用、安全可靠的車。

高效能模型不保證成功的正式 agent，正如強勁引擎不保證安全汽車。

奢華餐飲比喻

香港頂級餐廳從不只靠高級爐火；成功仰賴訂位管理、廚房協調、品管與接待。AI 架構亦然：模型是火焰，harness 是整套營運管理。

Harness 有兩半

Agent harness 的職責平均分在建置期能力與執行期營運：

Martin Fowler 團隊正式把這門技術學科稱為 harness engineering。把應用能力分類時，只有一小部分屬於模型本身，絕大多數屬於 harness 層。

真實證據：同一模型，更好的 Harness

面對「等更強模型就好」的質疑，講者分享實證：在 模型不變 的前提下，只優化 harness 基礎設施。

1. Vercel v0 — 更少上下文，更高效率

大 context window 需要主動管理，否則過期資訊會拖垮表現。Vercel v0 團隊把主動工具集從 15 個砍到 2 個核心 primitive（bash 與檔案系統）。

• 準確率： 從 80% 升到 100%。

• Token 花費： 下降約 37%。

• 延遲： 回應快約 3.5 倍。

2. LangChain on Terminal Bench 2.0

加上明確 harness 元件——自我驗證迴路、完成前檢查清單、迴圈偵測——在相同模型後端上：

• 基準分數： 從 52.8% 跳到 66.5%。

• 排名： 約從前 30 進入前 5。

3. 更小模型打敗旗艦模型

• Hebia： 把 GPT-5.4 mini 放進金融與法律專用 harness，通過率與來源歸因勝過未加 harness 的旗艦模型，token 成本更低。

• MIT CSAIL Recursive Language Models： 把 GPT-5-mini 包進可對上下文片段遞迴呼叫自身的架構（無需 fine-tune），基準 64.9% vs 30.3%，對上明顯更大的模型配置。

模型會不會把 Harness 吞掉？

開發者常見擔心：基礎模型快速進步，會不會讓 harness engineering 變多餘？

模型正在吸收什麼

某些低階工作愈來愈常由新模型原生處理：

• 上下文處理： 擴大 context window 降低手動切塊負擔。

• 規劃： 進階推理模型可維持長程連貫，不必複雜手動 sprint 拆解；Addy Osmani 指出這大幅減少 context-anxiety 失敗模式。

• 基本自我修正： 拒絕模式與基本輸出驗證愈來愈內建於裸模型。

為什麼營運層仍然不可或缺

Harness 會往軟體堆疊更高層移動。核心營運責任——模型路由、基礎設施擴縮、成本追蹤、安全強制、遙測——仍與裸模型智慧不同。

關鍵收穫： 模型沒辦法當自己的多供應商路由器、基礎設施擴縮器，或成本治理引擎。

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

Operations Layer（成長）
  - 多模型路由與成本優化
  - 護欄強制與可判定權限
  - 分散式追蹤與 CloudWatch 可觀測性

Model Layer（吸收低階任務）
  - 擴大 context window 與基本規劃
  - 原生函式呼叫與基本自我修正
+-----------------------------------------------------------------------------------+

元件演化分析

AI 工程團隊的策略方向

鼓勵開發者與新創刻意選擇兩大策略之一：

1. 方向 A — 向外服務客戶： 專注產品設計、使用者體驗與領域解題。用託管 harness 搭配前沿模型，小團隊也能以更低人力交付複雜應用。

2. 方向 B — 向內服務 Builder： 打造可重用開發工具、自訂 middleware、評估迴路與領域路由基礎設施。這會創造跨多代模型仍保值的長期價值。

深潛：Amazon Bedrock AgentCore Harness GA

隨著 Amazon Bedrock AgentCore Harness 正式上市，AWS 提供託管基礎設施抽象，簡化 agent 正式部署。

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

API 介面：CreateHarness / InvokeHarness

Harness 底下的原語
  - Runtime       運算
  - Memory        語意狀態
  - Gateway       API / MCP 工具
  - Browser       網頁沙箱
  - Interpreter   Python / Node 沙箱
  - Identity      憑證保管庫

可觀測性：CloudWatch 統一 harness 追蹤
+-----------------------------------------------------------------------------------+

架構總覽與關鍵能力

延續 Simon Willison 的定義——「LLM agent 在迴圈中執行工具以達成目標」——AgentCore Harness 簡化周圍營運負擔。本機原型 agent 迴圈很容易，但正式環境傳統上要管沙箱運算、網路隔離、身分保管、工作階段持久化與分散式追蹤。AgentCore Harness 用兩個核心 API——CreateHarness 與 InvokeHarness——取代自建基礎設施。

1. 多模型彈性與供應商切換

AgentCore Harness 把 agent 設定與單一模型供應商解耦。開發者可定義預設模型，並在每次呼叫動態覆寫，或在工作階段中途切換供應商且保留對話狀態。

支援的模型供應商包括：

• bedrock：存取 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：直連 OpenAI API（api.openai.com）。

• gemini：直連 Google Gemini API。

• liteLlm：通用第三方端點整合，含 Azure OpenAI、Vertex AI、Cohere 與自架端點。

外部模型供應商的 API 金鑰由 AgentCore Identity token vault 管理，避免憑證暴露在原始模型上下文。

2. 宣告式工具整合

工具在建立 harness 時以 tools 陣列結構化宣告：

"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" } } 
  }
]

每個執行工作階段都自動具備原生 shell 與 file_operations，不必手動包工具。可用 InvokeHarness 的 allowed_tools 在執行期選擇性允許或限制工具。

3. 託管工作階段記憶

CreateHarness 時若省略明確 memory 旗標，會自動布建具企業預設的託管記憶：

• 策略： 結合 SEMANTIC 索引與 SUMMARIZATION 處理。

• 資料保留： 預設事件 30 天過期（可設定）。

• 安全： AWS 託管加密，並以 actorId 做租戶隔離。

// 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. 模組化 Skill 整合

Skills 是含程式腳本、參考檔與領域指示的模組包。中繼資料先索引，完整內容在任務計畫需要時動態載入。

HarnessSkill schema 支援四種來源：

• awsSkills：預先策展的 AWS 領域 skill，涵蓋 SDK、IaC、安全、serverless、資料庫與營運。

• git：HTTPS 儲存庫，可釘選分支或 commit。

• s3：從 Amazon S3 直接部署 skill 套件。

• path：本機容器檔案系統路徑。

5. 沙箱執行期與持久儲存

可連結 Amazon ECR 容器映像部署自訂相依。開發者可用 InvokeAgentRuntimeCommand API 執行設定腳本，不消耗模型 token。

儲存選項對應不同持久需求：

6. 可觀測性、評估與優化迴路

CloudWatch GenAI Observability 提供專用 Harnesses 儀表板。營運團隊可把執行路徑追到單一 span，涵蓋記憶查詢、瀏覽器工作階段、程式執行與工具呼叫。

內建評估元件支援自動化品管：

• AgentCore Evaluations： 以 LLM-as-a-judge 評估 faithfulness、helpfulness、safety，可用批次資料集或即時流量。

• AgentCore Optimization： 分析評估分數，建議優化系統 prompt 與工具描述，並經 AgentCore Gateway 做即時 A/B 路由驗證。

7. 環境版本與程式匯出

更新 harness 設定會建立不可變版本紀錄。正式端點可釘選明確版本，確保可靠回滾：

# 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

若應用成長超出宣告式設定，可把 harness 匯出成程式：

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

匯出程式基於開源 Strands 框架，保留 prompt 定義、記憶結構與工具綁定。

三種正式 Agent 設定模式

AgentCore Harness 的彈性可用三種標準正式部署模式說明：

模式 1：自動化研究與內容合成 Agent

• 工具： agentcore_browser 搭配指向網頁搜尋端點的 AgentCore Gateway。

• Skills： 以 git 連接文件處理 skill 儲存庫。

• 記憶： 預設託管記憶，保留多步驟研究上下文。

模式 2：企業雲端分析 Agent

• Skills： 載入完整 awsSkills 套件。

• 權限： 限定範圍的 IAM 執行角色，存取 Athena、Glue、Redshift、CloudWatch。

• 工具： 含 agentcore_code_interpreter，在安全沙箱跑 Python 資料視覺化。

模式 3：自動化軟體開發 Agent

• Runtime： 預載開發工具鏈的自訂 ECR 容器。

• 工具： AgentCore Gateway 連到 GitHub／GitLab。

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

依用量計價結構

Amazon Bedrock AgentCore Harness 沒有固定基本訂閱費。帳單嚴格依實際消耗計算：

全球客戶實作

企業領袖在 Summit 面板分享正式環境實作：

• Omar Paul（Twilio 產品副總）： 「AgentCore Harness 搭配 Twilio Conversations，讓全球客戶能快速部署具上下文的語音與訊息 agent，不必重建底層基礎設施。」

• Dr. Lukas Schack（TUI GROUP 首席機器學習工程師）： 「AgentCore 是我們組織的基礎積木。在 500+ 開發者的內部駭客松裡，團隊常在數分鐘內把概念變成可運作原型。」

• Rodrigo Moreira（VTEX 工程副總）： 「從手寫編排程式轉成宣告式 harness 設定後，團隊用數分鐘而非數天驗證新電商顧客旅程。」

• Kazumi Matsuda（FUJISOFT 資深經理）： 「我們用 AgentCore 版本與 A/B 優化迴路，在正式流量上做即時評估，再全面推出更新。」

動手開始：快速入門

選項 A：命令列介面（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."

選項 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)

資深觀點：引擎與整輛車

回顧數十年技術週期——從早期大型主機、主從架構到現代雲端——AI 工程演化遵循熟悉模式：原始運算能力最終讓位給營運管理與企業 harness 系統。

基礎模型會持續快速演進。但工程團隊建立的耐久價值，在於周圍基礎設施：營運護欄、記憶策略、評估迴路與系統路由。

模型提供引擎，但 harness 造出完整車輛。刻意選擇架構，為長期可擴展性而建。