亚马逊发布非技术人员 AI 构建指南

AI 落地的最大障碍并非认知不足，而是“谈论 AI”与“构建 AI”之间的鸿沟。

那些主要职责并非编写代码，但日常工作却日益依赖 AI 解决方案的专业人士，无需具备工程背景即可开始构建 AI 能力。他们需要的是合适的工具、结构化的支持以及试错的空间。以下是我们验证这一观点的方法，以及如何将其复制到你所在组织中的指南。

被组织忽视的问题

你的团队已经身处关于 AI 的对话之中——无论是应对客户的询问、评估供应商解决方案，还是在日常工作中识别自动化机会。鉴于智能体（Agentic）AI 工具迅速普及的现状，其中大多数人从未使用过他们正在讨论的这些工具来构建任何东西。

无论这些团队隶属于销售、运营、财务还是产品部门，他们都观看过演示并完成过认证课程。但当有人问起“这实际上是如何运作的？”时，他们无法给出源于亲身构建经验的回答。

这种差距带来的代价是真实的：采用速度变慢、生产力提升延迟、错失识别用例的机会，以及团队“所知”与“所能实施”之间日益扩大的脱节。

我们询问了那些每天使用 AI 工具但不编写生产代码的业务专业人士，是什么阻碍了他们采用 AI。答案并不是“我不想学习”。90% 的人希望获得构建 AI 智能体的动手实践经验。他们缺乏的是能够安全构建所需的连接纽带和脚手架。下图展示了业务团队在尝试使用 AI 进行构建时面临的最常见障碍。

图 1：业务团队指出的使用 AI 进行构建的主要障碍

从宏观层面来看，他们可以讨论 Amazon Bedrock 和 Amazon Bedrock AgentCore——这是一个支持使用任意框架或模型大规模构建、连接和优化智能体（Agent）的平台（80% 的受访者曾探索过该平台）。但不到五分之一的人接触过 Strands Agents SDK，或使用 AWS Lambda 构建过智能体。他们选择退出黑客松和构建活动，是因为不认为自己的技术知识足够扎实，无法与工程师同台竞技。

为解决这一问题，我们设计了一个为期六周的结构化项目，将业务专业人士与导师及生产级工具配对，帮助他们构建可超越项目周期持续扩展的 AI 原型。目标在于：弥合概念知识与实操能力之间的差距。

一个团队的成果：六周内的实证

四位此前从未合作过的客户导向型专业人士参与了我们的项目。他们均无工程背景。六周后，他们展示了原型产品 WealthWise——一款多智能体 AI 财务顾问工具，并荣获第一名。

他们构建的内容包括：

• 五个专用 AI 智能体提供智能财务建议：投资组合分析、风险评估、财务规划、市场洞察以及个性化投资建议。
• 双服务器架构（Node.js + Python Flask），采用 Amazon Nova 模型。*
• Strands Agents SDK 用于多智能体编排与会话记忆管理。
• 四个 Amazon DynamoDB 表实现实时数据持久化。
• 实时市场数据集成以提供具备上下文感知能力的财务建议。
• 低于 5 秒的响应时间完成复杂的财务推理任务。

该系统具备协同决策功能：每个智能体独立决定调用哪些工具，并将多个工具串联起来，跨投资组合数据、市场数据库和财务规划模型执行多步推理。

他们将成功归因于第一天就确立的五项原则：

1. 重学习而非求胜 – 选择具有挑战性的方案而非安全的捷径，让他们能够无惧地进行实验。
2. 保持固定节奏 – 每日站会防止了孤立感，并能及早发现问题。
3. 从最小可行产品（MVP）开始，随后迭代优化 – 在第 2 天实现端到端的工作流程，然后持续改进。
4. 积极参与办公时间（Office Hours） – 遇到瓶颈时主动寻求导师指导。
5. 享受过程 – 心理安全感优先于技术产出。

参与者回顾了这种实操形式如何加速他们的学习：

“黑客松的时机恰到好处，其动手实践的形式对于 AgentCore 赋能极具价值——它加速了原本可能漫长的学习曲线。”

“这是一次出色的团队建设和 AI 学习项目！我自学了很多知识，并对那些刚接触 AI 解决方案的客户产生了更多的共情。”

• Amazon Nova 模型已在部分 AWS 区域的 Amazon Bedrock 上提供。有关最新可用性信息，请参阅 AWS 区域服务页面。

行动指南：我们如何设计该项目

以下章节将详细拆解项目结构、各个阶段以及使其成功的设计决策。

项目结构

该项目为期六周，参与者每周投入约四小时。我们刻意采用这种结构：根据我们的项目数据，完成分阶段项目的参与者比参加高强度两天式培训的参与者多保留了三倍的实用技能。对于不以编写代码为主要工作的专业人士而言，迭代周期至关重要：他们需要时间来与陌生概念搏斗、恢复状态，并在信心变得持久之前重新构建。

第 0 阶段：招募与项目设置

我们通过经理提名、Slack 和电子邮件活动招募参与者，目标受众是日常使用 AI 解决方案但不负责构建它们的专业人士：客户经理、解决方案顾问、运营分析师、项目经理及类似角色。首先获得管理层的支持至关重要。我们向团队领导简报了时间承诺（每周四小时，持续六周），并将其定位为对流利度和对话质量的投资，而非对日常交付工作的干扰。

该项目由四名核心团队成员加上利用本职工作之余运行的导师共同统筹。这是一个关键的可复制性要点：这不需要一个专门的项目团队，但确实需要至少一位拥有足够组织信任度的人来保护参与者的时间。

第一阶段：团队组建与启动

参与者做什么： 组建由 3–4 人构成的团队，并刻意混合不同经验水平的成员。团队需定义一个与其实际工作场景中遇到的真实问题相关的问题陈述。

产出什么： 一个范围明确、可进行演示的项目概念，以及团队的责任分工结构。

为何在进入下一阶段前至关重要： 如果没有具体的待解决问题，赋能培训将变得抽象空洞。先确定目标用例的团队，能更有目的地吸收技术内容。

第二阶段：赋能培训

参与者做什么： 参加关于 Agentic AI（智能体 AI）概念和 AWS 工具的现场培训。这些不是传统的讲座。参与者在构建阶段实际使用的工具中完成结构化练习，这些练习与其项目工作高度契合。

产出什么： 基础的技术熟练度和可用的本地开发环境。

为何在进入下一阶段前至关重要： 直接跳过此阶段进入构建的团队，往往会在环境搭建和基础概念上碰壁。此阶段旨在避免最常见的参与度流失点。

第三阶段：构思、构建与开发

参与者做什么： 在数周时间内设计并迭代可运行的原型。每个团队都配有一名技术精湛的导师作为后盾，负责解决基础设施阻塞问题并建议架构模式，但不会代劳具体工作。

产出什么： 一个可向利益相关者或客户演示的功能性原型。

为何在进入下一阶段前至关重要： 延长的时间线允许进行 2–3 次迭代循环。在第 3 周就完成原型构建的团队，有足够时间持续应用新学到的知识，推翻重来，并在第 5 周构建出更好的版本。真正的学习正是在这种迭代过程中发生的。

第四阶段：评审与演示

参与者做什么： 进行现场演示，并根据五个维度进行评估：业务影响力、技术卓越性、可复用性与可扩展性、创新性以及展示质量。

产出什么： 经同行验证的能力证明，以及一套可复用的原型库。

为何至关重要： 演示形式模拟了参与者未来与客户、领导层及跨职能合作伙伴进行真实对话时的场景。评审标准强调仅仅能运行是不够的，成果必须具备影响力、可扩展性，并能被清晰传达。

关键设计决策

工具选型是那些非工程师背景的构建者面临的最重要决策。错误的工具会带来阻碍前进的摩擦，而合适的工具则能抽象底层基础设施，并契合用户当前的专业水平。我们选择了：

• Kiro 集成开发环境（IDE），用于自然语言开发：描述你的需求，它就能为你搭建架构。
• Amazon Bedrock，提供该区域可用的、可通过 API 访问的基础模型：无需机器学习（ML）专业知识即可从模型获得可用响应。
• Strands Agents SDK，用于可组合的智能体模式：智能体可以像积木一样进行组合。
• AWS Model Context Protocol (MCP) servers 和 AWS Lambda 智能体，以推动团队走向可部署的生产级架构，而不仅仅是本地笔记本。

核心原则始终未变：构建一些真实的东西，以便你能在短期内进行演示。

管理日常工作的干扰

我们刻意将每周投入时间上限设定为四小时，并允许参与者灵活安排这些时间。最常见的反馈是，参与者在头两周内就将所学内容直接应用到工作中，这使得时间投入感觉像是增益而非竞争。

结果

以下图表比较了参与者在项目前后对八个关键指标的自我评估，包括 AI 能力、工具采用率以及向客户应用所学内容的准备程度。

图 2：参与者在项目前后的自我评估对比

在项目开始前，参与者将“缺乏真实世界示例”列为使用 AI 构建时的首要障碍。在项目结束后，自评有信心将 AI 应用于实际用例的参与者比例比预期高出 23 个百分点（pp）。参与者带着一个可运行的原型、一个代码仓库以及一个参考架构离开了项目，他们可以立即向利益相关者展示这些成果。

他们构建了哪些内容并将其带给客户：

• 面向医疗行业独立软件供应商（ISV）的多智能体护理协调。
• 内容审核与分流系统。
• 欺诈识别与预防。
• 客户流失预测与预防。
• 用于自主决策的多智能体编排。
• Kiro + Amazon Bedrock AgentCore 客户研讨会演示。

影响：从观察者到构建者

当参与者获得 AI 工具的实际操作权限后，他们从讨论可能性转向构建可运行的原型。数据说明了这一点：

• 自评对 Agentic AI 的理解达到“强”或“专家”级别的比例：从 27% 上升至 82%（+55 个百分点）。
• 感觉对识别 AI 机会“准备充分”或“极度准备充分”的比例：从 41% 上升至 85%（+44 个百分点）。
• 仅有理论或有限经验的参与者比例：从 34% 降至 0%（完全消除）。

以下是投入于此所解锁的价值：

对于你的团队： 他们不再只是 AI 的观察者，而是成为 AI 的构建者。通过直接实验，他们清楚什么是可行的、什么成本高昂、以及哪些是可以在一个周末内完成的构建。在我们的学员群体中，52% 的人确定了在项目期间构建的成果可以惠及的具体客户，87% 的人预计在 30 天内将所学应用于客户场景。该项目在实际用例方面超出了预期，因为它要求参与者亲自创建示例。

对于你的工程组织： 当业务同事能够进行原型设计并阐述架构权衡时，工程团队花在翻译需求上的时间减少，而花在构建上的时间增加。技术构建者获得了更清晰的需求输入、更少的错位请求，以及在承诺任何冲刺（Sprint）之前就能对可行性进行压力测试的合作伙伴。考虑到：82% 的参与者在结项时对 Agentic AI 架构有了深刻理解。整个技术栈的工具熟练度飙升：Strands Agents SDK 的采用率从 20% 升至 80%（+60 个百分点），AgentCore 从 39% 升至 85%，从而提高了工程判断的标准。

对于你的客户： 他们获得的合作伙伴已经通过直接的实操经验，经历了他们正面临的相同架构权衡。对话从“我稍后回复你”转变为现场演示。在项目开始前，44% 的参与者将架构模式的不确定性视为障碍。在项目结束后，90% 的参与者感到准备充分或更好，能够在真实的客户对话中识别 AI 机会。

面向贵组织： 您将获得一个可复制且具备复利效应的模型。我们的试点项目从单个团队扩展至区域乃至全球部署，充分印证了这一模式：实操熟练度能够自我规模化。该项目实现了 100% 的推荐率，95% 的参与者表示项目达到或超出了预期。

在贵组织复制该模式的七条经验

这七条经验总结了该项目成功的关键要素，以及值得在贵组织中复制的做法。

1. 工具选择决定一切

低代码、智能体（Agentic）体验消除了“我不够技术”的心理障碍。这是项目设计层面的决策，而非采购后的补充考量。如果您的工具要求精通 Python，那么在第一周开始前，您就已经失去了一半的受众。

2. 结构化优于高强度

对于非技术受众而言，一个分阶段进行（为期 6 周）且里程碑清晰的项目，效果远胜于两天的冲刺式培训。请做好第一周进展缓慢的心理准备，复利效应将在后续显现。

3. 导师制是倍增器

将非技术参与者与技术娴熟的导师配对，能消除对失败的恐惧并加速学习进程。导师并非代劳构建，而是提供安全网。

4. 构建真实成果

要求交付包含代码仓库和参考架构的可运行原型（而非幻灯片），迫使参与者深入使用工具。现场演示无法造假。这正是黑客马拉松与培训课程的区别所在。

5. 前后对比衡量成效

通过前后能力评估使影响可视化，并为扩大规模建立商业论证依据。自我报告的自信心固然有用，但从“有限”到“丰富”的实操经验转变才是关键指标。

6. 确保可复制性

一份文档完善的行动指南（包括参与者指引、评估标准、导师配对框架、环境设置指南）能将一次性活动转化为可扩展的项目。

7. 优先营造心理安全感

当人们不再害怕失败时，他们就能创造出超乎想象的事物。获胜团队将“学习重于获胜”列为首要原则。每个表现出色的团队都是在编写代码之前先建立了信任。

开始行动

行动指南、评估标准和环境设置指南已可供希望复制此模式的团队获取。请联系作者之一，了解更多关于将此框架引入贵组织的信息。

了解更多关于 Amazon Bedrock | Kiro IDE | Strands Agents SDK

---