AWS 资深专家解决方案架构师 Daniel Abib 在官方博客里算了一笔账：同步调用时，Lambda 的计费时长几乎等于 agent 思考的时长，等待本身在按全量计算计费。 《在无服务器流水线中异步调用 Amazon Bedrock AgentCore agent 的模式》 在无服务器流水线里异步调用 Amazon Bedrock AgentCore agent，可以消除你的 AI agent 处理请求期间的空转计算成本。一个常见的例子是文档校验：在房地产融资的后台办公室里，agent 可以读取房产记录或贷款合同，推理信息是否完整、一致，然后返回一个下游步骤据此行动的结论。Amazon Bedrock AgentCore 提供了一个平台，让你能用任意框架或模型大规模地构建、连接和优化 agent。 这类 agent 带来一个传统流水线步骤没有的特性：它们在回答之前要思考一会儿。思考多久取决于提示词、模型和文档，但很少是即时的，而这个延迟改变了你调用它的方式。最常见的首版实现是用一个计算服务（比如 AWS Lambda 函数）调用 agent 并等待响应。函数等待期间什么都不做，但它仍在运行，每一秒都在计费。 值得看清成本到底落在哪里，因为调用的两侧计费方式不同。Amazon Bedrock AgentCore runtime（Amazon Bedrock AgentCore 的一项能力）采用基于消耗的计费模型，agent 空闲时不收 CPU 费用。例如，在等待大语言模型生成响应、或等待工具或 Model Context Protocol（MCP）调用返回的这段时间里，你只按内存计费，不按 CPU 计费。调用 agent 的那个计算服务没有这种特性。发出同步调用的 Lambda 函数、容器或 Amazon EC2 实例会一直阻塞，在 agent 响应之前始终持有（并支付）完整的计算配额。所以浪费不在 agent 一侧，而在调用方——它挂在一个打开的连接上空转。 这就让调用方的成本跟着 agent 的运行时间走。阻塞在 agent 上的函数，计费时长几乎等于整个处理时间；而启动 agent 后立即返回的函数，只按短暂的派发计费。解法是在等待期间释放调用方的计算资源，等 agent 出了结果再恢复流水线。本文展示三种做到这一点的模式（task-token 回调、直接服务集成、durable function），并与阻塞式反模式对比。 示例流水线 为了让各模式在同等条件下比较，我们把每个模式都跑在同一条流水线上，只更换调用 agent 的那一步。这条流水线是一个刻意简单、虚构的场景（房地产融资文档校验），选它只是为了把编排讲清楚。它不是本文的重点，它代表任何先调用 agent（或其他慢服务）、再对结果采取行动的流程，你可以把自家用例代入。 流水线有五个阶段： 1. Extract：一个 Lambda 函数对文档做 OCR 和文本提取。（提取是模拟的，所以场景不需要真实文档。） 2. Identify：一个 Lambda 函数对文档分类并设置路由标志（shouldOrganize、shouldValidate）。 3. Route：一个 Choice 状态根据这些标志决定流程走向。 4. Organize and Validate：一个 Parallel 状态在组织文档的同时，让 Amazon Bedrock AgentCore agent 在另一个分支里做校验。这个 Validate 分支是各模式之间唯一变化的部分。 5. Result：一个 Lambda 函数处理 agent 的结论，决定下一步动作（批准，或退回修改）。 图示如下：水平流程依次是 Start、Extract、Identify、Route（Choice）、并行的 Organize-and-Validate 阶段、Result、End，Validate 分支被标为可更换，图例列出了它的四种实现方式：阻塞反模式、模式 1（task token）、模式 2（直接集成）、模式 3（durable function）。流水线本身在每种情况下保持不变，只有 Validate 分支被换掉来演示各自的调用模式。 同一个 Amazon Bedrock AgentCore agent 服务全部四种情况。agent 检查每次调用并选择如何响应：如果收到 AWS Step Functions 的 task token，就在完成时唤醒那个执行；如果收到 durable function 的 callback ID，就唤醒那个 durable function；两者都没收到，就直接在响应里返回结论。这意味着你可以更换编排模式，而不必修改或重新部署 agent。 agent 如何不阻塞调用方就把控制权交回来 机制是 agent 的 action group 里的一个"归还控制权"动作。agent 推理结束后，调用一个 Lambda，把结果和 task token 发回 Step Functions。（后面的模式 2 会让 Step Functions 直接与 AgentCore 集成，完全省掉这个 Lambda。） 下面这段代码是这个 Lambda 的核心： The tool the agent calls once it reaches a verdict @tool def conclude_validation(approved: bool, issues: list, summary: str) -> str: verdict = {"approved": approved, "issues": issues, "summary": summary, "source": "agentcore"} # A Step Functions task token was passed: resume that execution if task_token: sfn.send_task_success(taskToken=task_token, output=json.dumps(verdict)) return "Step Functions resumed." # A durable-function callback ID was passed: resume the durable function if callback_id: lambda_client.send_durable_execution_callback_success( CallbackId=callback_id, Result=json.dumps(verdict).encode("utf-8")) return "Durable function resumed." # Neither was passed: this is a synchronous call, return the verdict inline return "Verdict recorded." 入口函数根据同样的信号决定在后台跑还是同步跑： @app.async_task async def validate_document_async(prompt, document, extracted_text): # Background work; conclude_validation fires the right callback when done agent = build_agent() await agent.invoke_async(message(prompt, document, extracted_text)) @app.entrypoint async def handler(event): task_token = event.get("taskToken") # passed by the task-token pattern callback_id = event.get("callbackId") # passed by the durable-function pattern # Asynchronous: start the work and return "accepted" right away if task_token or callback_id: asyncio.create_task(validate_document_async(...)) return {"status": "accepted"} # Synchronous: run now and return the verdict in the response agent = build_agent() await agent.invoke_async(message(...)) return verdict agent 就位之后，本文剩下的部分聚焦于调用它的四种方式。代码和基础设施定义都是示例中的摘录，用来演示每种模式。 调用 agent：四种方式 先讲阻塞式反模式以确立基准成本，再展示避开它的三个模式。 阻塞式反模式 最直接的实现：在同一个 Lambda 函数里调用 agent 并等待答案。它能用，而且实现简单——这正是它如此常见的原因——但函数在 agent 思考的整个期间一直活着。 // The Lambda function blocks here until the agent responds const response = await agentcore.send( new InvokeAgentRuntimeCommand({ agentRuntimeArn: AGENT_RUNTIME_ARN, payload: new TextEncoder().encode(JSON.stringify(payload)), runtimeSessionId: sessionId, }) ); // The function stays alive and billed for the entire time the agent is thinking. 函数的计费时长最终大约等于 agent 的处理时间。后面三个模式消除这段空闲成本，各自做出不同的取舍。特别是模式 2 使用 Step Functions 对 AgentCore Harness (InvokeHarness) 的优化集成，完全去掉 Lambda。 模式 1：task-token 回调 + 派发函数 这个模式在路径里保留一个 Lambda 做自定义逻辑，但去掉空闲成本。Step Functions 用 waitForTaskToken 集成调用这个函数——传入一个 task token 后暂停执行。函数用这个 token 启动 agent，然后在几秒内返回。执行保持暂停，不产生任何计算计费，直到 agent 用这个 token 调用 SendTaskSuccess 恢复它。 // Start the agent, pass the task token, and return without waiting const response = await agentcore.send( new InvokeAgentRuntimeCommand({ agentRuntimeArn: AGENT_RUNTIME_ARN, payload: new TextEncoder().encode(JSON.stringify({ ...payload, taskToken })), runtimeSessionId: sessionId, }) ); // Returning here does not complete the step. Step Functions stays paused until // the agent calls SendTaskSuccess with this task token. return { dispatched: true }; 对应的状态从上下文取出 token，并设置超时和心跳作为安全网——这样沉默的 agent 会让执行干净地失败，而不是无限期停在那里： "ValidateDispatch": { "Type": "Task", "Resource": "arn:aws:states:::lambda:invoke.waitForTaskToken", "Parameters": { "FunctionName": "${ValidateDispatcherFunctionArn}", "Payload": { "taskToken.$": "$$.Task.Token", "document.$": "$.document", "extractedText.$": "$.extract.extractedText", "executionId.$": "$$.Execution.Id" } }, "TimeoutSeconds": 120, "HeartbeatSeconds": 60, "Next": "AgentCoreValidation" } 成本。 Lambda 函数仍然会跑，但只跑到启动 agent 并返回为止：几秒钟，无论 agent 之后要跑多久。你只为这次短暂派发付费，不为等待付费——因为函数在 agent 干活时已经关掉了。等待由暂停的 Step Functions 执行承担，它不为空闲计算计费。这是与阻塞版本的关键区别：阻塞版本里函数的计费时间跟着 agent 的处理时间走。 模式 2：直接服务集成 当你不需要围绕 agent 调用写自定义代码时，可以去掉派发函数，让 Lambda 完全离开路径。Step Functions 可以通过 AWS SDK 服务集成直接调用 Amazon Bedrock AgentCore，所以 agent 的响应直接流入下一个状态。Validate 分支于是变成单个 Task 状态： "ValidateDirect": { "Type": "Task", "Resource": "arn:aws:states:::aws-sdk:bedrockagentcore:invokeAgentRuntime", "Parameters": { "AgentRuntimeArn": "${AgentRuntimeArn}", "RuntimeSessionId.$": "States.Hash($$.Execution.Id, 'SHA-256')", "Payload.$": "States.JsonToString($.prep.agentInput)" }, "ResultSelector": { "raw.$": "$.Response" }, "TimeoutSeconds": 120, "Next": "ParseVerdict" } 成本。 路径里没有 Lambda，所以没有空闲的 Lambda 计算可付。Step Functions 承担等待，Standard 工作流按状态转换计费而不是按等待时长计费——处理期间的实质成本只有 agent 本身。 模式 3：Lambda durable function 如果你更愿意用代码而不是状态机来表达编排，Lambda durable function 给你同样的成本行为。用 @aws/durable-execution-sdk-js SDK，流水线阶段变成 context.step 调用，并行工作变成 context.parallel，等待 agent 变成 context.waitForCallback。等待期间函数挂起，不计计算费。agent 用 SendDurableExecutionCallbackSuccess 恢复它。 // Suspend the function until the agent calls back const result = await ctx.waitForCallback( "validate-agentcore", async (callbackId) => dispatchAgentCore(callbackId, document, extractedText, executionId), { timeout: { seconds: 120 } } ); 成本。 一个函数承载整条流水线，但挂起等待 agent 期间不按计算计费。你只为挂起之间短暂爆发的那几次执行付费——与 task-token 模式相同的经济性——而不是为等待付费。 测量差异 重点不是某个具体数字。agent 的运行时间随提示词、模型和文档变化。重要的是 task-token 模式里两个值之间的关系：Validate 状态活跃了多久，对比派发函数实际被计费了多久。我们测试中的单次运行让这个关系可见： Step Functions, ValidateDispatch state Returned (TaskSubmitted): 14:08:19 <- the function returned and shut down Resumed (TaskSucceeded): 14:08:34 <- the agent woke the execution State active ........ 19.6s Lambda, dispatcher function (CloudWatch REPORT) Billed duration ..... 4.8s Result: the state was active for 19.6s, but the function was billed for 4.8s. The ~14.8s in between is wait time with no Lambda function running. 在 Step Functions 的事件历史里也能看到同样的事：task-token 模式下，TaskSubmitted 事件（函数返回）与 TaskSucceeded（agent 恢复流程）之间隔着 agent 的处理时间。同步调用没有这样的间隔。 下表总结了每种模式下 Validate 分支（前面图示中高亮的部分）的实现方式： • 编排器：阻塞＝Step Functions；模式 1＝Step Functions；模式 2＝Step Functions；模式 3＝Lambda（代码） • 路径中的 Lambda：阻塞＝有，存活且计费；模式 1＝有，但提前返回；模式 2＝无；模式 3＝durable function 本身（挂起） • 等待期间的空闲 Lambda 计算：阻塞＝为整个等待付费；模式 1＝无；模式 2＝无；模式 3＝无 • agent 调用周围的自定义代码：阻塞＝有；模式 1＝有；模式 2＝有限（状态转换）；模式 3＝有 • 调用方与 agent 解耦：阻塞＝否；模式 1＝是；模式 2＝否；模式 3＝是 • 相对复杂度：阻塞＝最低；模式 1＝较高（token 和回调的 IAM）；模式 2＝最低；模式 3＝中等（检查点/重放） 读这张表时有一个提醒：总流水线时长不是有用的比较指标，因为它被 agent 自己的推理时间主导——每次运行都不同，而且在所有场景里基本相同。有意义的差异是等待期间你为多少计算付了钱，这由上表和计费时长读数体现。agent 运行时间增长时，派发函数的计费时间保持平稳。上面的数字来自单次运行，把它们当作这个关系的示意而非基准，请测量你自己的负载。 如何选择模式 下表总结了取舍，帮你选择模式： • 调用方成本：阻塞＝整个 agent 处理时间；模式 1＝几秒（仅派发）；模式 2＝零（无 Lambda）；模式 3＝几秒（仅派发） • 集成工作量：阻塞＝低；模式 1＝中高（IAM、心跳、超时）；模式 2＝低（单个 Task 状态）；模式 3＝中等（检查点-重放模型） • 业务逻辑位置：阻塞＝在 Lambda（前 + 后）；模式 1＝在 Lambda（前 + 后）；模式 2＝只在 Amazon States Language（ASL）（内置函数）；模式 3＝在 Lambda（顺序代码） • 最适合：阻塞＝原型、短 agent；模式 1＝自定义前后处理逻辑；模式 2＝纯编排、无自定义代码；模式 3＝单个函数里的复杂异步工作流 最佳实践 防 agent 永不回答。 给每个 waitForTaskToken 状态设置 TimeoutSeconds，让执行以 States.Timeout 失败，而不是无限期挂起。如果你的 agent 发送心跳，也设置 HeartbeatSeconds 以更快发现死掉的 agent。捕获错误并路由到失败或人工审核路径。 重试时使用稳定的会话 ID。 把 sessionId 设为从执行上下文派生的值（比如 Step Functions 执行名），这样重试会恢复同一个 agent 会话，而不是重新开始。task-token 模式里在派发函数中设置；直接集成模式里在 Task 状态参数中设置。 打开 AWS X-Ray。 在 Step Functions 和 Lambda 配置中启用 Tracing: Active。X-Ray 会精确显示 agent 思考了多久、调用方等待了多久，确认你的模式确实在间隔期间释放了计算。 按速度而不是按 agent 的负载来配派发函数。 派发函数只序列化请求并调用端点。256 MB 内存和 30 秒超时通常就够。重活都在 agent 那边。 成本 这些模式会产生 Lambda 计算、Step Functions 状态转换、durable function 执行存储的费用，以及所有方案共有的 Amazon Bedrock AgentCore runtime 和 Amazon Bedrock 模型推理费用。agent 和模型成本在四种情况下相同。架构只改变编排开销，以及阻塞反模式中浪费的空闲 Lambda 计算。当前价格请查看各服务的定价页。 结论 把 AI agent 放进流水线是简单的部分。让它被经济地调用，才是区分原型与生产设计的地方。阻塞在 agent 上的 Lambda 函数实现简单，却在悄悄烧钱——计费时间里的大部分都在等待。本文展示了三种规避方式：需要在路径里保留 Lambda 时用 task-token 回调；最简单的情况用直接服务集成；偏好用代码表达编排时用 durable function。三者由同一个 Amazon Bedrock AgentCore agent 驱动，它会根据被调用方式调整自己的响应。 完整示例（完整的 agent、状态机定义和 durable function）在 GitHub 的 sample-bedrock-agentcore-async-stepfunctions 仓库。想深入的话，可以看 Amazon Bedrock AgentCore 关于异步任务处理的文档。生产部署请使用 Amazon Bedrock Guardrails，对 agent 的输入输出实施负责任 AI 控制。 原文： #Bedrock# #Serverless# #StepFunctions#

OpenAI 收购了 Ona（前 Gitpod）。 Codex 周活冲到 5M，今年涨了 400%。 顺手做了三件事： 价格大幅下调、上 Amazon Bedrock、Agent 关机后还能跑。 最关键的数字——非程序员用户增速是程序员的 3 倍。 analyst、营销、产品经理在偷偷用 Codex 写脚本。 真正没被讲透的市场，是不是"不会编程的人"？

高通 $QCOM 今日宣布与亚马逊 $AMZN 展开多代合作，为大规模AI数据中心提供定制化芯片，并共同推进AI推理。双方还在合作开发最高达1.6T及未来世代的光互连解决方案。高通计划深化使用AWS AI基础设施（包括Amazon Bedrock）进行电子设计自动化（EDA）工作负载，目标缩短芯片设计周期。

2026 年 7 月 25 日，Anthropic 正式发布 Claude Opus 5。 新模型主要面向复杂编程、长流程智能体及企业知识工作。 已登陆 Claude、Claude Code、Claude API、Amazon Bedrock、Google Cloud 和 Microsoft Foundry 等平台。 Anthropic 将 Opus 5 定位为日常高强度工作的主力模型。 不过，Claude Fable 5 仍是 Anthropic 面向长时间自主智能体和最高难度任务推出的顶级模型。

🇺🇸 美国 AI/科技公司融资 大模型 & AI基础设施 1. Factory — $150M C轮（AI开发平台） - 旧金山，专注AI-native软件工程 - 🔗 2. Cerebras — $20B+ 框架协议（AI芯片） - 与OpenAI签署协议，提供750MW超低延迟推理能力 - 2026年3月与AWS合作集成CS-3到Amazon Bedrock - 🔗 3. Shield AI — $1.5B G轮 + $500M优先股（国防AI） - 估值$12.7B，同比↑140% - 美国空军选定其Hivemind软件用于协作作战飞机项目 - 预计2026年收入$540M+（↑80%） - 🔗 4. xAI — $10B（Elon Musk的AI公司） - $5B战略股权 + $5B定期贷款和担保票据 - 🔗 --- AI应用公司（企业服务/SaaS） 5. Lyzr — 估值$250M（AI Agent基础设施） - 帮助企业构建与企业数据和应用交互的AI Agent - 提供安全部署和管理AI Agent的工具 - 🔗 6. Humand — $66M（无办公桌工人操作系统） - 面向零售、制造、物流等行业的前线员工 - 移动优先的AI工作流、内部通讯和HR系统 - 🔗 7. Savvy Wealth — $72M B轮（财富管理AI） - 为财务顾问提供AI工具 - 累计融资$106M - 🔗 8. Sona — $45M（薪资和劳动力管理） - 面向零售、酒店、医疗等前线行业 - AI驱动的排班、预测和工资准确性工具 - 🔗 9. Stedi — $50M（医疗保健交易处理） - 连接医疗服务提供商、付款方和清算所 - 标准化碎片化数据流，减少人工对账 - 🔗 10. Yuzu Health — $35M A轮（健康保险运营） - 理赔裁决、计划配置和入职软件 - 使用AI简化通常依赖多个中介和人工检查的流程 - 🔗 11. Levelpath — $55M B轮（采购AI） - AI Agent自主处理企业采购任务 - 由Battery Ventures领投 - 🔗 12. Patlytics — $40M B轮（法律AI） - 专利分析和知识产权AI平台 - 🔗 13. Luminai — $38M B轮（企业AI） - 🔗 14. AfterQuery — $30M A轮（数据AI） - 🔗 15. Parasail — $32M A轮（AI云基础设施） - 🔗 16. Phonely — $16M A轮（AI语音通信） - 🔗 17. Variance — $21.5M A轮（合规自动化） - AI Agent摄取监管文件、映射要求、监控合规差距 - 🔗 18. NeuBird AI — $19.3M（IT预测监控） - 分析日志、指标和信号，在问题升级前发现 - 自动触发修复（重启服务、重新分配资源） - 🔗 --- 🇸🇬 新加坡/东南亚 AI公司 19. SleekFlow — 累计$23.5M（全渠道AI对话平台） - 覆盖新加坡、香港、马来西亚、印尼、巴西、阿联酋 - AI Revenue Agent处理线索资格审查、产品推荐、收款、预约 - 🔗 20. ViSenze — 视觉AI平台（零售/电商） - 为零售和电商客户提供视觉搜索AI - 提高参与度、平均订单价值和产品发现速度 - 🔗 --- 🇪🇺 欧洲 AI公司 21. Unique — $30M A轮（金融AI） - 苏黎世，为资产管理、财富管理、零售和私人银行提供专业AI平台 - 支持Pictet、UBP、SIX、LGT、Partners Group等客户 - 为30,000名金融专业人士提升研究、合规和KYC效率 - 由CommerzVentures和DN Capital领投 - 🔗 22. 欧洲AI融资趋势 - 2024年：€4.1B / 233笔交易 - 2025年：€10.6B / 662笔交易（↑158%） - 西班牙成为潜在黑马，瑞典成为最热门AI中心 - 机器人技术成为欧洲认为可以胜出的领域 - 🔗 --- 🌍 全球隐身/新兴公司 23. AAI（Amnon Shashua的隐身AI创业公司） - 估值超$1B，融资数亿美元 - Shashua是Mobileye创始人，TIME 100 AI影响力人物 - 2026年Mobileye估值$11.5B，将为Uber和Lyft的机器人出租车提供动力 - 同时创立Mentee（机器人）和AI21 Labs（正在谈判$300M新融资） - 🔗

看到 @Cloudflare 发布 Kitesurf，我第一反应是：能不能直接装进自己的 Hermes Agent？ 结果发现，它不是这么用的。 Kitesurf 跑在 Cloudflare Workers 的 V8 isolates 里，通过 Browser Run 提供网页读取、HTML 提取、截图和页面操作。它服务的是已经部署在 Workers 上的 Agent。 对长期运行的 Agent 来说，如果每个实例都自己起 Chromium，CPU、内存和稳定性都会变成持续成本。Cloudflare 把这部分放到了自己的运行环境里。 8 月 4 日，Cloudflare 发布 Wallets。8 月 6 日，Kitesurf 上线。 一个是 Agent 的可编程钱包，一个是给 Workers 上的 Agent 处理网页任务的能力。 同一天，@awscloud 发布 AgentCore Runtime instances，为生产环境中的 Agent 提供可长期运行、保留状态的托管实例。 也是 8 月 6 日，@MetaMask 发布 Agent Wallet。用户可以设置 spend limit、协议 allowlist，选择 Guard Mode 或 Beast Mode；交易执行前还会经过模拟、威胁扫描和 MEV 防护。MetaMask 官方列出的可接入框架里，也有 Hermes。 @CanPayAI 更早发布 Agent Wallet 时，已经把身份、钱包、支付额度和可执行动作放进同一套约束里：Agent 付款前，先锁定是谁在执行、能花多少、能做什么。 MetaMask 把这些边界带进链上交易；CanPay 则从 Agent 进入支付和结算的那一刻开始处理它们。 这些产品未必彼此关联，也不需要硬凑成同一套故事。 但 Agent 要在云端长期跑、处理网页、持有资产，并在预设规则下替用户执行任务——这些能力偏偏在几天内被不同公司接连摆到了台面上。 如果它们隔着几个月出现，可能只是各自的产品更新。 但现在，很难不让人联想：Agent 经济的第一簇火，也许已经在大多数人还没注意到的地方烧起来了。 来源： - Cloudflare Kitesurf｜2026-08-06 Introducing Kitesurf: The agent-first browser that runs in V8 isolates on Cloudflare Workers - AWS AgentCore Runtime instances｜2026-08-06 22:58 UTC 标题：Runtime instances: persistent compute for production AI agents on Amazon Bedrock AgentCore AWS Machine Learning Blog - MetaMask Agent Wallet｜2026-08-06 MetaMask Agent Wallet is live: self-custodial AI trading

兄弟们，很多朋友一直问：想入门 AI，到底该从哪里开始学？ 今天特意给大家整理一波各大厂官方 AI 学习资源，很多免费课程，从 0 开始系统补课，或者继续进阶，都能用得上。 ✅ OpenAI Academy 基础、ChatGPT 使用、AI 工作流、Agent 应用。想把 AI 用到日常工作里的，先看这个。 ✅ Anthropic Academy 官方课程，AI Fluency、提示词、MCP、Claude Code。想系统学 Claude 和 AI 协作的，看这个。 ✅ Google AI Learning AI 素养、职场应用、Google AI 工具，也有专业证书。非技术/初学者友好。 ✅ Microsoft AI Learning Hub AI、AI Agent、应用开发。办公用户、开发者、企业技术都能用。 ✅ AWS AI Training AI、Amazon Bedrock、云上 AI 开发。想搞云端 AI 的，走这条路。 ✅ NVIDIA Deep Learning Institute 加速和部署。想进阶到模型训练、推理和工程部署的，硬核选手选这个。 ✅ IBM SkillsBuild ✅ Hugging Face Learn LLM、Agents、Diffusion、强化学习、语音、视觉。开源模型和 AI 工程，动手党必看。 ✅ Salesforce Trailhead AI 在 CRM、销售、客服、企业流程和 Agentforce 里的应用。做 ToB、销售运营、企业数字化的，看这个。 ✅ Oracle AI Training AI、生成式 AI、机器学习、企业级 AI。学 Oracle 云和企业 AI 方案的，走这个入口。 建议收藏，别再只刷碎片信息了。 AI 这东西，入门不难，难的是持续动手。 先把基础概念、提示词、Agent、应用开发这些补一遍，再结合自己的工作场景去实践，成长会快很多。