【AI早读 0602】AWS 与 OpenAI 深度合作

过去 24 小时 AI 圈最显眼的动态，是 OpenAI 前沿模型正式入驻 AWS Bedrock。AWS 围绕 Bedrock AgentCore 同步密集发布了一组 Agent 基础设施能力，Google 这边也放出了 Gemini Managed Agents 的完整开发指南。

OpenAI 模型登陆 Bedrock

OpenAI 的 GPT-5.5、GPT-5.4 以及 Codex 现已通过 Amazon Bedrock 全面上线。企业可以在 AWS 的生产环境中直接调用这些模型，并享受 Bedrock 的高性能推理引擎。定价与 OpenAI 第一方一致，而 Codex 的推理走 Bedrock 通道，使用量计入已有的 AWS 承诺消费。

GPT-5.5 是 OpenAI 目前最强的前沿模型，在多步骤自主任务、大代码库的编写与调试、数据分析等方面提升显著。对企业来说，最大的价值在于隐去了采购、安全审核、合规审批这一连串的组织摩擦 - 团队可以在已有的 AWS 环境和管控框架内直接使用 OpenAI 的能力。OpenAI 在同一时间发布的博客里也提到，后续还会通过 AWS 提供 Daybreak（包括 cyber 模型和 Codex Security）等更专业化的能力。

链接：OpenAI models and Codex on Amazon Bedrock are now generally available

链接：OpenAI frontier models and Codex are now available on AWS

Bedrock AgentCore 扩展 MCP 支持

AWS 给 Bedrock AgentCore Gateway 新增了一批 MCP 支持能力。AgentCore Gateway 作为 MCP 服务器与客户端之间的中间层，负责集中管理凭证、安全连接和可观测性。这次更新加入了对 MCP tool schema 的扩展支持，把 MCP prompts 和 MCP resources 提升为第一类原生对象，同时引入了动态 listing 服务发现、流式会话管理、elicitation 机制（Agent 执行中途请求用户补充输入）以及 OAuth 2.0 on-behalf-of token 交换。

在企业场景里，AgentCore Gateway 可以充当所有 MCP 服务器的单一入口 - 法务部门的合同审查 Agent、财务团队的数据检索 Agent、运维部门的故障响应 Agent 都通过同一个网关做身份认证、策略执行和日志记录。对需要同时运维数十个 MCP 服务器的组织来说，价值相当直观。

链接：Extending MCP support for Amazon Bedrock AgentCore Gateway

AgentOps：给 Agent 装上运营体系

AWS 还发了一篇关于 AgentOps 的深度文章。核心观点是 - Agentic AI 的运维挑战和传统软件不同：Agent 做非确定性决策、成本会意外飙升、非确定性故障几乎无法复现。传统 DevOps 实践不够用。

文中从四个支柱展开：治理与安全、构建与运维、评估、可观测性。实操层面，AWS 展示了怎么用 Bedrock AgentCore 实现 Agent 质量的持续监控、工具调用的审计追踪、以及成本异常的自动告警。这是那种“用之前觉得是锦上添花，用之后发现是必需品”的能力。

链接：AgentOps: Operationalize agentic AI at scale with Amazon Bedrock AgentCore

Gemini Managed Agents 开发者指南

Philipp Schmid 写了一篇 Gemini Managed Agents 的实战指南。这是 Google 推出的托管 Agent 服务 - 你只需要调用 Interactions API，Gemini 3.5 Flash 就会在一个隔离的 Linux 沙箱里自动完成推理、代码执行（Python、Node.js、Bash）、包安装、文件管理和网页浏览。

开箱即用的 Antigravity Agent 已经可以处理编码、研究、数据分析等任务，也可以自定义 Agent 配置（指令、技能、数据）。完整方案包括多轮对话（通过 environment_id 和 previous_interaction_id 实现会话与环境的独立状态管理）、文件挂载（Git 仓库、GCS、inline 三种来源）、流式响应等。最值得关注的是 fork 机制 - 你可以在沙箱里手动搭好环境，然后冻结为可复用的 Agent 镜像，每次调用都会从该镜像 fork 一个干净的实例。

链接：Gemini Managed Agents: Developer Guide

Embeddings 不是魔法：RAG 检索的可预测失败模式

一篇来自 TDS 的长文，系统地拆了 Embedding 检索的失败边界。作者用四代模型（GloVe-avg、MiniLM、ada-002、3-large）做了大量对比实验，结果很清晰 - Embeddings 在同义词和概念近似上表现出色，但在否定、精确编号、内部产品代码这类场景中会稳定失败。而且换更强的 embedding 模型也解决不了 - 问题不在向量空间质量，在于检索目标的语言学特征本身就不适合用语义相似度来匹配。

文章的核心主张是 - 企业级 RAG 的可靠性提升，更多来自上层的专家关键字和文档结构过滤，而不是在弱检索之上堆 reranker。这篇文章是 Enterprise Document Intelligence 系列的一部分，如果做企业级搜索，值得整个系列都刷一遍。

链接：Embeddings Aren't Magic: The Predictable Failure Modes of RAG Retrieval

Import AI 459：AI 经济的真实规模

Jack Clark 的 Import AI 第 459 期报道了一篇来自 UVA、Anthropic 和加拿大央行的论文，试图回答一个很多人隐约感觉到、但难以量化的问题 - AI 对经济的真实贡献到底有多大？

论文的核心发现很惊人 - 以质量调整后的口径计算，美国 AI 经济在 2024 年和 2025 年分别增长了约 2290% 和 2271%......名义上的 AI GDP 在 2025 年约为 2500 亿美元，但质量调整后的实际增速约每年 2600%。论文给出三个建议：建立 AI 卫星账户来独立追踪、统计机构应与企业合作生成更好的原始数据、政策制定者应把 AI 产能指标纳入中期经济预测。

Jack Clark 用了一个《大白鲨》的比喻 - 你看经济数据觉得一切正常，但真正在水面下的是那个庞大的 AI 经济，而我们才刚刚开始意识到它的存在。

链接：Import AI 459: AI oversight is difficult; scaling laws for protein folding models; and pricing the extinction risk of AI systems

---

来源：VerySmallWoods Research Feed - 2026-06-01 UTC