所有組織都可以訪問相同的基礎模型，真正的競爭優勢來自於使用專有數據和領域知識對模型進行定製。然而，即使對於經驗豐富的團隊來説，實現這一目標也充滿複雜性：需要掌握監督微調（SFT）、直接偏好優化（DPO）和基於驗證獎勵的強化學習（RLVR）等微調技術，應對碎片化的 API 和模型特定數據格式，設計嚴格的評估，並管理長達數月的實驗週期。
Amazon SageMaker AI 現在提供了一種代理式體驗，徹底改變了這一局面。開發者只需用自然語言描述他們的用例，AI 編碼代理就會簡化從用例定義、數據準備到技術選擇、評估和部署的整個過程。專門構建的代理技能提供針對特定用例的微調專業知識、所需格式的數據轉換、使用 LLM-as-Judge 指標的質量評估，以及靈活部署到 Amazon Bedrock 或 SageMaker AI 端點。用於模型定製的代理技能不僅提高了生產力，還減少了 token 使用量。所有生成的代碼都是完全可編輯的，產生的可重用工件可以無縫集成到現有工作流中。
這一體驗的強大之處在於用於模型定製的代理技能。它們是預構建的模塊化指令集，編碼了跨整個定製生命週期的深度 AWS 和數據科學專業知識。當你描述用例時，AI 編碼代理會激活相關技能，引導其通過數據準備和驗證、技術選擇、超參數配置、模型評估和部署。技能提供關於 SageMaker AI API、機器學習工作流、最佳實踐和常見模式的專門知識，使編碼代理能夠提供更準確、針對 SageMaker AI 的指導，並在每個步驟生成可立即運行的筆記本。技能是完全可定製的，你可以修改它們以匹配團隊的工作流、治理標準和工具偏好，從而實現可複製的組織最佳實踐——這是通用編碼助手常面臨的挑戰。
在 SageMaker AI Studio JupyterLab 中，Kiro（亞馬遜的 AI 軟件開發代理）默認預配置在聊天面板中，提供 AI 驅動的代碼補全、調試輔助和交互式編碼支持。當你使用 SageMaker AI JupyterLab 中的編碼代理時，空間會自動將相關的 SageMaker AI 模型定製技能加載到代理的上下文中。此外，你還可以配置其他支持代理通信協議（ACP）的編碼代理，例如 Claude Code，從而靈活地使用最適合你工作流的工具。
本文還提供了詳細的教程，包括前提條件（AWS 賬户、IAM 角色、S3 存儲桶等）、技能概覽（九種模塊化技能涵蓋配置、發現、訓練、評估和部署階段）、支持的微調技術説明，以及一個完整的解決方案實現：微調小型語言模型（SLM）Qwen3-0.6B，使用 FreedomIntelligence/medical-o1-reasoning-SFT 數據集構建臨牀推理模型。步驟包括在 JupyterLab 中啓動 Kiro 或配置 Claude Code、進行規劃階段、執行微調、評估和部署。
代理技能可以自定義——現有的技能可以擴展，新的技能可以以簡單的 Markdown 文件形式創建，存儲在 ~/.kiro/skills 目錄中，便於版本控制和跨組織共享。
總結來説，Amazon SageMaker AI 的代理式模型定製體驗現已可用。你可以在幾分鐘內開始：在 SageMaker Studio 中啓動一個預配置了 Kiro 和代理技能的 JupyterLab 空間，或者從 GitHub 將相同的技能導入你偏愛的 IDE。用自然語言描述你的用例，讓代理引導你從數據準備到評估和部署。曾經需要數月專業機器學習工作和深厚知識的過程，現在可以在幾天內完成。專業知識已編碼，工作流有引導，代碼歸你所有。立即訪問 GitHub 倉庫獲取 SageMaker AI 代理技能插件和逐步指南，查看文檔瞭解 SageMaker AI 無服務器模型定製如何加速從創意到生產模型的路徑。