AWS MLA-C02 9 月 1 日开放报名：Agent 和 LLMOps 进入机器学习工程师认证

AWS MLA-C02 9 月 1 日开放报名：Agent 和 LLMOps 进入机器学习工程师认证

AWS Certified Machine Learning Engineer – Associate 更新版 MLA-C02 beta 于 9 月 1 日开放英文报名，9 月 29 日开始考试。根据 [AWS 官方公告](https://aws.amazon.com/blogs/training-and-certification/updates-to-aws-certified-machine-learning-engineer-associate-mla-c02/)，beta 为 170 分钟、85 题、75 美元，只提供英文；现行 MLA-C01 英文考试可考到 9 月 28 日，日语、韩语和简体中文版本在 beta 期间继续提供。

时间节点容易吸引准备考证的人，考纲变化对开发团队更有参考价值。AWS 没有新增考试领域，而是在原有结构中加入生成式 AI、RAG、Agent 编排、基础模型、Amazon Bedrock 和责任 AI。LLM 应用已进入部署、监控和安全的日常工作。

考纲扩容对应岗位边界的变化

MLA-C01 主要覆盖数据准备、模型开发、工作流部署以及监控维护。MLA-C02 保留这些骨架，同时把基础模型选择、定制、RAG 和 Agent 工作流纳入考察。工程师需要理解模型怎样接入生产系统，也要知道数据、权限、成本和质量怎样被持续观察。

这与企业招聘中出现的 LLMOps 很接近。一个生成式 AI 服务上线后，会同时遇到版本漂移、上下文成本、检索失效、内容安全、限额和供应商故障。会调用 Bedrock 或某个 SDK 只能完成第一步；能设计回放集、告警、回退和审计，才具备长期运维的条件。

责任 AI 被明确写入更新说明也很重要。它不只是内容过滤，还涉及训练与检索数据来源、敏感信息处理、解释与人工复核。涉及模型比较、事实核查或高风险建议时，可以让独立模型或确定性规则检查关键字段，并保存版本、提示和证据，避免复盘时只剩最终文本。

C01 与 C02 要按准备进度选择

已经按 C01 学完且希望尽快获得认证的人，可以在 9 月 28 日前参加英文 C01；AWS 明确说明已获得的证书仍按原有效期生效。简体中文考生也不必因为 beta 抢改计划，C01 中文版在 beta 期间继续开放。临时抛下熟悉内容追新版，可能把时间花在考试切换而非能力提升上。

C02 更适合已经做过生成式 AI 项目，或希望考题覆盖当前工作的工程师。Beta 只有英文，题量和时长也高于当前页面列出的 C01 信息，语言阅读速度会影响答题节奏。报名之前应查看 9 月 1 日发布的完整考试指南和预约页面，确认可用考位、身份要求与最终政策，不要只依据预告安排差旅或采购培训。

企业采购培训时，可以把认证当作知识结构基线，不能当作交付能力证明。团队仍需通过代码审查、故障演练和真实项目验证技能；云服务名称会更新，数据泄漏、错误回退和成本失控的工程责任不会随考题选项消失。

备考材料应来自一条可运行链路

准备生成式 AI 与 Agent 部分时，最好做一个小型但完整的服务：接入两种模型，增加检索数据，配置工具权限，记录 Token、延迟和错误，再模拟限流、模型下线与提示注入。每个实验都留下架构图、日志和复盘，比背诵服务定义更容易建立可迁移的判断。

RAG 练习要区分召回质量和回答质量，Agent 练习则应分开观察模型决策、工具执行与状态恢复。模型选型也不要只跑一次公开榜单；用固定任务集比较成功率、总成本和人工返工，并对金额、权限或安全结论增加独立复核。可参考 [Agent 评测的 OpenTelemetry 方法](/articles/agent-evaluation-opentelemetry-framework-independent-guide)设计可观察的实验。

如果备考或内部培训需要同时调用 GLM、Claude、DeepSeek 等模型，AnyAIS 可以把接口与用量记录集中起来，便于保留同一套测试样本和调用证据。认证给出的是知识边界，工程能力仍要在一次次可复现的运行中建立。