AWS如何将前向部署工程师与知识图谱对齐——以及原因

早期部署先进AI工具以实现企业现代化的雄心，正日益撞上被越来越多地称为"上下文"（context）和人类专业知识在支撑作用上的真实缺口。到2026年，"上下文"这个词值得加上引号，因为它被以各种不同的方式广泛使用，基本上用来概括高质量数据所面临的所有挑战，以及将AI用例映射到人类在为特定目的整理数据集时实际意图这一过程。

AWS希望通过一个名为AWS Context的服务，为各种"弄清原始数据最初应该意味着什么，以及它如何适用于各种新用例"的流程带来一些秩序和理性。它基本上是一个服务、基础设施和受治理的智能体（agentic）服务层，用于告知智能体何时、为何以及如何将现有数据资产和服务重新用于新的工作流。

与此相辅相成的是，AWS最近宣布成立一个10亿美元的前向部署工程（Forward Deployed Engineering, FDE）组织，该组织融合了从帮助企业构建支持新AI和智能体用例的语义层中提炼出的人类最佳实践。其核心论点是，这个新组织可以帮助企业团队将这一语义层连接到企业数据源，丰富元数据，并利用AI发布一个受治理的、版本化的知识图谱。这有望为智能体的推理提供基础。而最关键的是——这个知识图谱将以某种方式编码存在于客户代码中的领域专业知识，而不是那些可能随人员轮换而流失的制度性知识。

我认为有必要更广泛地澄清一点：FDE和知识图谱这两个术语更多是愿景方向，而非技术术语。2021年，我记得读到过一家专业服务公司宣布2021年为"知识图谱之年"，给出的一个实际例子是一家公司基本上用一个新的模式（schema）将两个数据库连接在一起。而到2026年，几乎所有有AI雄心的供应商都在寻求为一线专家构建一个更具可扩展性的框架，这一框架由Palantir的FDE模式推广开来——即将现有数据资产连接起来用于新用例。

AWS在这方面的努力——由于其在云基础设施领域更为广泛的巨大存在感，以及为负责将这一模式扩展到新用例的人员投入的10亿美元——有望更广泛地推动知识图谱和FDE模式的前沿发展。

而这一切发生之际，所有超大规模云厂商和前沿实验室都在汇聚于Palantir二十年来充实嵌入式工程模式的历史路径上。微软7月初的25亿美元Frontier Company、谷歌云5月的FDE招聘潮、埃森哲与微软、ServiceNow和SAP合作的FDE实践、德勤12月的动作、IFS的深度参与，以及Salesforce承诺部署一千名FDE。这个标签在不到一年时间里从Palantir的怪癖变成了行业默认。

但这些新FDE们实际在做的事情中，哪些是真正新的、彼此之间以及与Palantir相比又有何不同？AWS前沿AI工程与服务副总裁Francessca Vasquez（弗朗西斯卡·瓦斯奎兹）详细阐述了AWS版本的故事：

我们踏上这段旅程已经好几年了，从我们的解决方案架构师和机器学习解决方案实验室开始，在AI和ML的早期，我们有团队出去帮助客户定义用例。然后，三年前，我们成立了一个名为Gen AI创新中心（Gen AI Innovation Center）的团队，专门专注于帮助将这些用例带入可工作的原型，然后进入生产。

新的FDE组织是AWS在当前这波浪潮之前就已经在运行和修订的服务模式的第三次迭代，背后有数千个参与项目。Vasquez预测，下一波将需要聚焦于上下文和可组合性：

在当今世界，FDE的很大一部分价值将通过与客户及其情境智能（contextual intelligence）共同构建来实现，而这很重要。正如你所说，大量的价值——他们会留下什么，技能怎么样，文化怎么样——其中很多都是通过各种形式的知识图谱、语义层、本体（ontology）来开发的，你可以选择你喜欢的口味。而我们的FDE成果将高度聚焦于能够直接向客户提供那种情境智能。

关于"上下文"的上下文

在2026年，"上下文"似乎以各种不同的方式被广泛使用，以至于人们往往需要一两分钟才能弄清楚大家在指什么。直到不久前，它基本上还意味着背景或在其外围思考某事物，如今却带上了更多技术色彩——以某种方式为这些智能体提供锚定（grounding），让它们少编造一些内容，并希望与人类所要求的东西保持一致（前提是大家能就此达成一致）。

去年的"上下文"全部关于通过更精确的检索增强生成（RAG）来收窄大语言模型（LLM）处理的过滤器。现在的焦点正在扩展为由领域专家提供信息来拓宽这一过滤器。Vasquez进一步阐述：

围绕"上下文"确实出现了一个新的方向。从我的角度以及我们在客户那里看到的情况来看，我们帮助客户拥有更深入语义上下文的能力——而推动这一点的前提是，我们还必须帮助客户将他们的数据整理到可以使用（make use）的状态。所以我认为这不仅是脚本和工具的问题，而是要在客户的环境中使其变得非常相关，我们的每个客户在数据主权控制方面都有不同的约束。而正是在那里，我认为我们将为他们、在他们的环境中、通过我们的客户团队，增加一种不同的价值能力。

各家供应商的FDE们很可能会被激励去推进与其销售模式一致的、各自特定的最佳实践版本。而AWS尤其提供了大量可以补充前沿实验室工作的模型。Vasquez解释道：

顺便说一句，Anthropic和OpenAI是我们的优秀合作伙伴，因此我认为我们拥有的一个天然优势是我们往往是模型无关的（model agnostic），我们可以满足客户所处的任何位置。所以在某些情况下，我们推动的FDE能力可以在基于Bedrock的OpenAI模型上运行，也可以在Anthropic的模型上运行。这是一件好事——我们与他们有着良好的合作关系，我预见到我们未来FDE的方向将与更多模型提供商保持紧密合作。

在其他地方，她将同样的慷慨态度延伸到了工具层面，将AWS自己的规范驱动型Kiro与"第三方模型提供商的编码工具，如Codex和Anthropic的Claude Code"并列。更广泛地说，这是日益增长的共识的一部分：重点不在于将客户锁定在特定模型上，而是帮助企业培养自己的内部能力，将新的AI模型应用于新的、更有帮助地整理过的数据模型。

而且，与即便是最好的传统专业服务项目不同，AWS版本的最终目标是一种"毕业"——在成功的向前势头的推动下，企业实现自给自足。Vasquez表示：

我们认为，让嵌入式FDE常年代表客户运营，对客户来说并不合适。我们希望能够让客户实现自给自足。

当我问她十年后的成功是什么样子时，她进一步说道：

我总是告诉我的团队，一个好的结果是，如果我们建立了一项业务来提供帮助，然后在几年后，我们的客户说我们在这方面做得太好了，或者产品和创新如此无缝、无摩擦、非常好用，以至于他们不再需要我们的帮助。对我而言，这将始终是一个持续飞轮（continuum flywheel）——我们将构建更好的产品和服务，我们的客户将获得价值，他们将在这一过程中提升技能，而且顺便说一句，这也可能降低成本结构，这对客户来说也是一件好事。

值得注意的是，几乎所有新的数据栈供应商都在为同一个目标提出自己的框架。Snowflake发布了Horizon Context和Cortex Sense，微软将Fabric IQ作为语义本体层推出，Pinecone推出了Nexus，Redis则打造了一个上下文平台。而在所有这些之中，都需要一些专业化的知识，无论是各家供应商的FDE，还是公司自己的本地专家，来帮助将这些新的上下文层手动带入企业，因为完全自动化的版本还没有完全准备好。

就AWS而言，他们内部将这项工作定义为AI 45（AI 45），即迭代地建立在较小的成功之上，为更大的成功提供信息，作为不同尺度上的良性循环的一部分，例如45分钟的快速构思、45小时的验证和45天的冲刺（sprint）。Vasquez认为，真正的价值在于通过团队一起经历这些越来越大的循环来实现文化变革的前景：

我们还看到了一个意想不到的好处——这不是技术本身，而是你完成其中一次冲刺之后发生的事情——我们的客户在思考和运营方式上的文化，会变得像一家前沿AI公司，即使他们可能身处一个已经存在了一百年或五十年的行业。这就开启了文化变革的循环，而在当今时代，这是非常难做到的事情。

我的看法

这一切都很好，显然新咨询服务模式和更加注重关注度的支持性数据模型的门槛正在朝着正确的方向发展。但更广泛的AI长期采用，似乎很可能需要更多的进展来应对对失控的token经济学（tokenomics）成本的抵制，以及AI被强加于人所带来的挫败感。

Vasquez表示，这些更具沉浸感的FDE模式的价值，在于浮现那些没有人写下来的东西：

来自AWS等合作伙伴的FDE必须深入到客户的业务流程之中，因此他们没有机会只是从外部观察；他们必须身在其中（in the flow）。