400 名工程师、三天实战：企业培养 Agent 团队该考什么

400 名工程师、三天实战：企业培养 Agent 团队该考什么

Atos 与 AWS 在 2026 年组织了一场面向 400 名工程师的 Agentic AI League。活动只持续三天，参与者的起点却很不整齐：5% 没接触过 Agent，25% 只有基础认知，50% 理解概念但没有动手经验，真正做过相关项目的只有 20%。这组分布很像多数企业内部团队，也解释了为什么一套面向所有人的视频课程很难直接换来交付能力。

比赛让工程师构建一个在迷宫中行动的自主 Agent。它要规划路径、记住已获得的钥匙、调用工具解题、避开陷阱并在时间内到达终点。排行榜既看任务完成度，也看响应是否简洁、工具调用是否有效以及 Token 使用是否克制。参与者因而不能只追求“跑通”，还要面对生产系统每天都会出现的延迟、成本、错误恢复和安全边界。

好考题会暴露架构取舍

迷宫只是外壳，内部考点覆盖了几类关键工程能力。内容过滤用来检验护栏阈值：拦得太宽会伤害正常任务，放得太松又会漏过违规请求。记忆题要求 Agent 跨轮次保存状态；路径规划交给确定性算法；网页检索与代码执行通过独立工具完成。工具接入由 AgentCore Gateway 通过 MCP 路由到 Lambda，模型推理、记忆与执行环境各自承担清晰职责。

这种设计比“写一个万能提示词”更接近实际工作。团队必须判断哪些步骤值得调用大模型，哪些交给普通代码更便宜可靠；是拆成多个专职 Agent，还是让一个 Agent 持有更多工具；何时保留上下文，何时丢弃历史以控制成本。AWS 的复盘还提到，查看 CloudWatch 日志的工程师改善速度更快，靠猜测排错的人进展较慢。可观测性从一开始就进入评分，并会直接影响成绩。

企业自建训练题时，可以选用工单分流、合同字段抽取或故障归因等真实但脱敏的场景。评分不宜只看最终答案，应同时记录成功率、平均调用次数、P95 延迟、单任务成本、越权次数和人工接管率。若团队可以自由切换 GPT、Claude、GLM 或 Qwen，还应固定一组任务，用相同输入比较不同模型与路由策略，并对高风险输出做交叉复核。

培训的终点是一套可复用基线

Atos 的活动包含两小时启动课、每日一小时答疑和一小时决赛，其余时间由参与者自行迭代。这个节奏给企业的启发，不在于照搬排行榜，而在于把学习资源集中到反馈环路上：给出可运行环境、明确指标、真实日志和有限预算，让工程师在几次失败中找到瓶颈。只听完课程很难暴露权限、工具参数和状态管理的问题，运行一次完整链路就会。

比赛结束后，最有价值的产物也不该只是前三名名单。优秀方案可以沉淀成 Agent 模板、MCP 工具规范、评测数据集、成本基线和故障手册，后续项目从这些资产起步。平台团队则负责统一 API Key、模型目录、用量归属和调用记录，让参与者把时间放在任务设计与质量改进上，而不是分别处理每家模型的账户和接口差异。

如果要为内部 Agent 实战营准备多模型环境，可先查看 [AnyAIS API 文档](/docs) 和 [模型列表](/models)，为每支队伍分配独立凭据与预算，再用同一组指标验收。培训是否有效，最终要从日志和任务结果里看。

来源：[AWS：How Atos upskilled 400 engineers in agentic AI](https://aws.amazon.com/blogs/machine-learning/from-theory-to-delivery-how-atos-upskilled-400-engineers-in-agentic-ai/)