当 Atos 决定对 400 名工程师进行智能体 AI 的技能提升，使其从理论走向实际交付时，团队面临一个常见的挑战：如何培养真实世界的能力，而不仅仅是理论知识。在线课程和课堂教学打下了基础，但并不总能给团队带来有效将 AI 应用于业务问题所需的信心或实践经验。
通过 Atos 与 AWS 的合作，我们已经看到动手学习是有效 AI 赋能中缺失的一环。此前，我们通过 AWS DeepRacer 提供了强化学习的实践培训，并在 2025 年通过 AI League 提供了模型微调的实践。
2026 年，Atos 与 AWS 合作，为 400 名工程师举办了一场智能体 AI League 活动。在三天内，工程师们从有限的动手经验，发展到构建具有寻路、护栏、记忆和微调模型的多智能体系统。他们在实时排行榜上竞争，该排行榜对性能和效率进行打分。
参与者的技能水平差异很大。有些是具有 AWS 经验的开发人员。有些是首次使用 AWS，或担任产品负责人、项目经理等非纯技术角色。
其中 5% 对智能体 AI 毫无了解；25% 对该主题有基本认识；50% 理解概念但无动手经验；20% 有使用智能体 AI 服务的实践经验。
本文解释了为什么我们选择 AI League 形式、工程师构建了什么以及学到了什么、使用了哪些 AWS 服务，以及企业在举办类似活动时应考虑的因素。
为什么选择 AWS AI League?
Atos 对智能体 AI 有战略承诺，包括在全球多个地点开发主权智能体 AI 工作室。我们需要一种方法，让我们的工程团队快速掌握智能体 AI 模式，不是通过被动培训，而是通过动手交付。传统工作坊教授概念。而 AI League 通过在更贴近实际交付的条件下进行实践工作来培养能力。
AI League 形式相比传统培训有几个优势：
- 即时实际应用——工程师构建了可工作的智能体系统，而不仅仅是阅读相关理论。
- 竞争激励——排行榜创造了紧迫感和参与度，这是被动学习难以实现的。
- 真实的 AWS 服务——活动中构建的一切都使用了原生 AWS 服务，工程师可以在客户交付中直接应用，包括 Amazon Bedrock、Amazon Bedrock AgentCore、AWS Lambda、Kiro 和 Amazon SageMaker。
- 可衡量的成果——AI League 排行榜分数反映了功能的完整性和解决方案的效率。
时间投入和形式
AWS AI League 是交钥匙解决方案，因此设置简单。只需与 AWS 进行几次通话，商定后勤和活动细节，并建立宣传活动和收集参与者信息的机制。
由于 AWS AI League 通过 AWS Workshop Studio 提供，活动可在 1 到 3 天内进行。为了让工程师获得最大灵活性，我们选择了三天形式。参与者的时间投入如下：
- 启动工作坊（2 小时）——介绍 AI League、所使用的 AWS 服务以及挑战形式。
- 每日办公时间电话会议（1 小时）——为需要帮助或想要分享想法的工程师提供支持。
- 前三名决赛（1 小时）——我们在此加冕 2026 年冠军。
在这些既定日程之外，工程师可根据自身工作安排自由迭代他们的智能体 AI 解决方案。
AI League 挑战
工程师构建了一个自主 AI 智能体，它在迷宫地图中导航。智能体必须找到通往地图的路径，解决各种方格上的挑战，避开陷阱，到达宝藏。所有这一切必须在时间限制和有限生命数内完成。
评分模型奖励：
- 成功完成挑战——答对得分，答错失去生命。
- 收集硬币——与挑战不同，硬币无风险且不需要额外时间。
- 完成地图——在限定时间内到达宝藏可获得宝藏奖励。
- 保留生命——结束时每保留一条生命可获得额外分数。
- 效率——简洁的智能体回答优于冗长的回答。
- 微调——开发专门的小语言模型可获得额外分数。
挑战类型测试了不同的 AI 工程技能：
- 暴力紫罗兰：测试 AI 安全和内容过滤，使用 Amazon Bedrock Guardrails。
- 蓝色大脑：测试代码生成和执行，使用 AWS Lambda 和 AgentCore Code Interpreter（Amazon Bedrock AgentCore 的功能）。
- 纪念品：测试跨交互的上下文保留，使用 AgentCore 内存（Amazon Bedrock AgentCore 的功能）。
- 黑暗先知：测试从网络来源检索信息，使用 AWS Lambda 和 AgentCore Code Interpreter。
- 笨脑袋：测试通用知识和 token 效率，使用 Amazon Bedrock（提示工程）。
- 医疗保健 API：测试结构化数据提取，使用 Amazon Bedrock（提示工程）。
- 钥匙与门：测试跨交互的上下文保留，使用 AgentCore 内存。
- 尖刺与硬币：测试寻路和风险评估，使用 AWS Lambda。
解决方案架构
下面是解决方案架构的示意图。
Amazon Bedrock
通过 Amazon Bedrock，工程师可以访问驱动智能体推理的模型。关于各区域的模型可用性，请参阅 Amazon Bedrock 中的“区域支持的模型”：
- 为不同任务选择合适的模型，从知名模型开始，然后针对自己微调的模型进行推理。
- 设计有效的系统提示，以高效回答问题或将任务委派给子智能体和工具。
- 管理 token 使用和成本。
（正文截断，但实质内容已覆盖）