所有组织都可以访问相同的基础模型，真正的竞争优势来自于使用专有数据和领域知识对模型进行定制。然而，即使对于经验丰富的团队来说，实现这一目标也充满复杂性：需要掌握监督微调（SFT）、直接偏好优化（DPO）和基于验证奖励的强化学习（RLVR）等微调技术，应对碎片化的 API 和模型特定数据格式，设计严格的评估，并管理长达数月的实验周期。
Amazon SageMaker AI 现在提供了一种代理式体验，彻底改变了这一局面。开发者只需用自然语言描述他们的用例，AI 编码代理就会简化从用例定义、数据准备到技术选择、评估和部署的整个过程。专门构建的代理技能提供针对特定用例的微调专业知识、所需格式的数据转换、使用 LLM-as-Judge 指标的质量评估，以及灵活部署到 Amazon Bedrock 或 SageMaker AI 端点。用于模型定制的代理技能不仅提高了生产力，还减少了 token 使用量。所有生成的代码都是完全可编辑的，产生的可重用工件可以无缝集成到现有工作流中。
这一体验的强大之处在于用于模型定制的代理技能。它们是预构建的模块化指令集，编码了跨整个定制生命周期的深度 AWS 和数据科学专业知识。当你描述用例时，AI 编码代理会激活相关技能，引导其通过数据准备和验证、技术选择、超参数配置、模型评估和部署。技能提供关于 SageMaker AI API、机器学习工作流、最佳实践和常见模式的专门知识，使编码代理能够提供更准确、针对 SageMaker AI 的指导，并在每个步骤生成可立即运行的笔记本。技能是完全可定制的，你可以修改它们以匹配团队的工作流、治理标准和工具偏好，从而实现可复制的组织最佳实践——这是通用编码助手常面临的挑战。
在 SageMaker AI Studio JupyterLab 中，Kiro（亚马逊的 AI 软件开发代理）默认预配置在聊天面板中，提供 AI 驱动的代码补全、调试辅助和交互式编码支持。当你使用 SageMaker AI JupyterLab 中的编码代理时，空间会自动将相关的 SageMaker AI 模型定制技能加载到代理的上下文中。此外，你还可以配置其他支持代理通信协议（ACP）的编码代理，例如 Claude Code，从而灵活地使用最适合你工作流的工具。
本文还提供了详细的教程，包括前提条件（AWS 账户、IAM 角色、S3 存储桶等）、技能概览（九种模块化技能涵盖配置、发现、训练、评估和部署阶段）、支持的微调技术说明，以及一个完整的解决方案实现：微调小型语言模型（SLM）Qwen3-0.6B，使用 FreedomIntelligence/medical-o1-reasoning-SFT 数据集构建临床推理模型。步骤包括在 JupyterLab 中启动 Kiro 或配置 Claude Code、进行规划阶段、执行微调、评估和部署。
代理技能可以自定义——现有的技能可以扩展，新的技能可以以简单的 Markdown 文件形式创建，存储在 ~/.kiro/skills 目录中，便于版本控制和跨组织共享。
总结来说，Amazon SageMaker AI 的代理式模型定制体验现已可用。你可以在几分钟内开始：在 SageMaker Studio 中启动一个预配置了 Kiro 和代理技能的 JupyterLab 空间，或者从 GitHub 将相同的技能导入你偏爱的 IDE。用自然语言描述你的用例，让代理引导你从数据准备到评估和部署。曾经需要数月专业机器学习工作和深厚知识的过程，现在可以在几天内完成。专业知识已编码，工作流有引导，代码归你所有。立即访问 GitHub 仓库获取 SageMaker AI 代理技能插件和逐步指南，查看文档了解 SageMaker AI 无服务器模型定制如何加速从创意到生产模型的路径。