AWS SageMaker AI 推出9项内置技能的智能体微调工作流，集成Kiro与Claude Code

2026年5月4日，AWS在Amazon SageMaker AI中推出了智能体引导工作流——一套通过九项内置智能体技能提供对话式模型定制方法的系统，并在JupyterLab环境中直接集成了Kiro和Claude Code。其目标是将深度ML专业知识的要求降低到用自然语言描述问题，智能体系统在流水线的每个步骤生成可编辑的Jupyter笔记本。

智能体引导工作流如何启动？

开发者在SageMaker AI Studio JupyterLab的聊天面板中用自然语言描述用例（例如”我需要一个能逐步分析医疗案例的临床推理模型”）。编程智能体识别相关技能，按顺序激活，并在每个阶段生成开发者可在执行前修改的可编辑Jupyter笔记本。AWS在公告中声称，智能体技能”不仅提高了生产力，还因针对性激活而减少了token消耗”。

九项技能覆盖完整的定制生命周期：用例规范、规划/发现、微调设置、数据集评估、数据集转换、微调、模型评估和模型部署，以及一个编排步骤。系统支持SFT（监督微调）、DPO（直接偏好优化）和RLVR（带可验证奖励的强化学习）。覆盖的模型系列：Amazon Nova、GPT-OSS、Llama、Qwen和DeepSeek。

Kiro与Claude Code集成有何区别？

Kiro是默认智能体——预配置于SageMaker AI Studio JupyterLab聊天面板中，通过设备流程认证。Claude Code通过npm包@zed-industries/claude-agent-acp安装，支持ACP（智能体通信协议），并通过配置文件与Amazon Bedrock集成。两个智能体均可在JupyterLab环境中自动访问SageMaker技能智能体。

技术架构依赖ACP兼容性，并与SageMaker AI Hub（基础模型）、Amazon S3（数据存储）、MLflow（指标跟踪）和Amazon Bedrock（部署）集成。公告中的演示用例是一个”在做出诊断前逐步分析医疗案例”的临床推理模型——这一示例与同日ArXiv上医疗应用ReClaim基础模型的趋势直接呼应。

这对企业ML团队意味着什么？

AWS声称”曾经需要数月专业ML工作的任务现在可以在数天内完成”——这一说法意义重大，但只有当团队通过该工作流生产出第一批生产模型时才能得到验证。更宏观来看：AWS将SageMaker定位为集成的智能体编排平台，类似于IBM同步发布的watsonx Orchestrate next-gen和AWS Bedrock AgentCore Optimization（同日上午发布）。“智能体引导模型定制”作为标准企业界面的融合趋势，现在已是明确的行业趋势，而非实验性方法。

定价未在发布帖中公布，表明采用标准SageMaker按使用量计费。所有拥有AWS账户和SageMaker AI域的组织均可使用——公告中未提及地理限制。