Building AI builders: Playbook for closing the AI knowledge-capability gap

构建AI构建者：弥合AI知识与能力差距的实践指南 | 人工智能

构建AI构建者：弥合AI知识与能力差距的实践指南

AI采用的最大障碍不是缺乏认知，而是从谈论AI到实际构建AI之间的鸿沟。

那些主要职责不涉及编写代码，但日常工作日益依赖AI解决方案的专业人士，不需要工程背景就能开始构建AI能力。他们需要的是合适的工具、结构化支持以及允许试错的环境。以下是我们验证这一方法的过程，以及你如何复制这一成功模式。

被忽视的组织问题

你的团队已经参与AI相关讨论，无论他们是在处理客户问题、评估供应商方案，还是在日常职责中寻找自动化机会。考虑到代理AI工具以惊人的速度成为通用可用工具，大多数团队从未用过他们讨论的工具构建过任何东西。

这些团队无论身处销售、运营、财务还是产品部门，都观看过演示并完成了认证。但当有人问“这实际上是如何运作的？”时，他们无法给出亲身体验构建后的答案。

代价是显而易见的：采用速度变慢、生产力提升延迟、错过识别使用场景的机会，以及团队认知与实际实施能力之间的鸿沟日益扩大。

我们询问了业务专业人士——那些每天使用AI工具但不编写生产代码的人——是什么阻碍了他们的AI采用。答案不是“我不想学习”。90%的人渴望通过动手实践构建AI代理。他们缺乏的是构建安全所需的连接组织和支撑框架。下图展示了业务团队在尝试使用AI构建时面临的最常见障碍。

图1：业务团队列出的使用AI构建的主要障碍

从宏观层面来看，他们可以谈论Amazon Bedrock和Amazon Bedrock AgentCore，这是一个可以使用任何框架或模型大规模构建、连接和优化代理的平台（80%的人曾探索过）。但不到五分之一的人接触过Strands Agents SDK或使用AWS Lambda代理进行构建。他们选择退出黑客马拉松和构建活动，因为他们不相信自己的技术知识足以与工程师竞争。

为了解决这个问题，我们设计了一个为期六周的结构化项目，将业务专业人士与导师和生产级工具配对，帮助他们构建可扩展到项目之外的AI原型。目标：弥合概念知识与实际操作能力之间的差距。

一个团队的成果：六周内的实践证明

四位从未合作过的客户面对专业人士参与了我们的项目。他们都没有工程背景。六周后，他们展示了他们的原型WealthWise，这是一个多代理AI财务咨询工具，赢得了第一名。

他们构建的内容包括：

• 五个专门的AI代理，提供智能财务建议：投资组合分析、风险评估、财务规划、市场洞察和个性化投资建议。

• 双服务器架构（Node.js + Python Flask）与Amazon Nova模型*。

• Strands Agents SDK用于多代理编排和对话记忆。

• 四个Amazon DynamoDB表用于实时数据持久化。

• 实时市场数据集成，用于上下文感知的财务建议。

• 复杂金融推理的响应时间低于5秒。

该系统具备协调决策能力：每个智能体独立决定调用哪些工具，并将多个工具串联起来，在投资组合数据、市场数据库和财务规划模型之间进行多步骤推理。

他们将成功归因于第一天就确立的五大原则：

• 重视学习胜过追求胜利 – 选择具有挑战性的方法而非安全捷径，使他们能够无畏地进行实验。

• 定期节奏 – 每日站会防止孤立并及早发现问题。

• 从最小可行产品（MVP）开始，然后逐步完善 – 第二天就构建端到端流程，再持续迭代。

• 参与办公室时间 – 遇到困难时主动寻求导师指导。

• 保持乐趣 – 在技术产出之前建立心理安全感。

参与者反思了这种实践形式如何加速了他们的学习：

“黑客松的时机恰到好处，实践形式对AgentCore的启用证明了其巨大价值 – 加速了原本可能漫长的学习曲线。”

“优秀的团队建设与AI学习项目！我自学了很多内容，也对刚接触AI解决方案的客户产生了更多同理心。”

• 亚马逊诺瓦模型在部分AWS区域的Amazon Bedrock上提供。有关最新可用性信息，请参阅AWS区域服务页面。

实施手册：我们如何设计该计划

以下部分将分解计划结构、各个阶段以及使计划成功的设计决策。

计划结构

该计划持续六周，参与者每周投入约四小时。我们这样设计是有原因的：根据我们的计划数据，完成分阶段计划的参与者比参加为期两天密集培训的参与者保留了三倍的实用技能。对于不以编写代码为主要职责的专业人士来说，需要迭代周期：时间去应对陌生概念的挑战，恢复并重新构建，直到信心变得稳固。

第0阶段：招募与计划设置

我们通过经理提名、Slack和电子邮件活动招募参与者，目标是那些每天使用AI解决方案但不构建它们的专业人士：客户经理、解决方案顾问、运营分析师、项目经理等类似角色。管理层支持是首要条件。我们向团队领导说明了时间投入（六周内每周四小时），并将其定位为对流畅度和对话质量的投资，而非日常工作的干扰。

该计划由四位核心成员和在日常工作之外运行计划的导师共同协调。这是关键的可复制点：这不需要专门的计划团队，但确实需要至少一名拥有足够组织信任的人来保护参与者的时间。

第1阶段：团队组建与启动

参与者需要做的事情：有意混合不同经验水平的成员组成3-4人团队。团队需定义一个与他们在工作中遇到的真实场景相关的问题陈述。

这会产生：一个可以演示的项目概念和团队责任结构。

在继续之前为何重要：如果没有具体的问题需要解决，赋能环节会变得抽象。首先明确目标使用案例的团队能有目的地吸收技术内容。

第2阶段：赋能

第三阶段：创意构思、构建与开发

参与者需要做的事情：在多个星期内设计并迭代可运行的原型。每个团队都会配备一位技术能力较强的导师，导师提供安全保障，帮助解决基础设施问题并建议架构模式，但不会代为完成具体工作。

产生的成果：一个可向利益相关者或客户演示的可用原型。

在进入下一阶段前为何重要：延长的时间线允许进行2-3轮迭代。那些在第三周构建原型的团队有时间持续应用新知识，在第五周拆解并重建更完善的版本。真正的学习发生在这种迭代过程中。

第四阶段：评审与演示

参与者需要做的事情：进行现场演示，演示将根据五个类别进行评估：商业影响、技术卓越性、可重用性与可扩展性、创新性以及演示质量。

产生的成果：经过同行验证的能力证明，以及可重用原型的库。

为何重要：演示形式与参与者在与客户、管理层和跨职能合作伙伴的实际对话中需要做的事情相呼应。评审标准强调仅“能运行”是不够的，必须具有影响力、可扩展性，并且能够清晰传达。

关键设计决策

对于非工程师的构建者来说，工具选择是最重要的决策。错误的工具会制造阻碍进展的摩擦力。合适的工具则能抽象基础设施，并根据参与者的现有技能水平提供支持。我们选择了以下工具：

• Kiro集成开发环境（IDE） 用于自然语言开发：只需描述你的需求，它就能生成架构。
• Amazon Bedrock 提供该区域可用的可通过API访问的基础模型：无需机器学习（ML）专业知识即可从模型获得有效响应。
• Strands Agents SDK 用于可组合的智能体模式：智能体像积木一样组合。
• AWS Model Context Protocol（MCP）服务器和AWS Lambda智能体 促使团队朝着可部署、生产级的架构发展，而不仅仅是本地笔记本。

核心原则始终未变：构建一个可以随时演示的真实产品。

管理日常工作干扰

我们有意将每周的投入时间限制在4小时内，并给予参与者在何时完成这些小时的灵活性。最常见的反馈是，参与者在前两周就将所学内容直接应用于实际工作中，使时间投入感觉是增值的，而非与日常工作竞争。

参与者的转变令人印象深刻。在参与之前，他们将“缺乏现实世界案例”视为构建AI应用的主要障碍。参与之后，有23个百分点（pp）的参与者表示，他们对自己应用AI解决实际问题的信心显著提升，远超预期。参与者离开项目时，已拥有可运行的原型、代码仓库和可立即向利益相关者演示的参考架构。

他们构建并交付给客户的解决方案包括：

• 面向医疗独立软件供应商（ISVs）的多代理护理协调系统。
• 内容审核与分类处理系统。
• 欺诈识别与预防系统。
• 客户流失预测与预防系统。
• 支持自主决策的多代理编排系统。
• Kiro + Amazon Bedrock AgentCore 演示案例，用于客户研讨会。

影响：从旁观者到构建者

当参与者获得实际操作AI工具的机会后，他们从讨论可能性转变为构建可用原型。数据印证了这一转变：

• 自评对自主代理AI有“较强或专家级”理解的参与者：从27%提升至82%（+55 pp）。
• 感觉“准备充分或非常充分”以识别AI机会的参与者：从41%提升至85%（+44 pp）。
• 仅有理论或有限经验的参与者：从34%降至0%（完全消除）。

这种投入带来的价值包括：

对您的团队：他们不再只是AI的旁观者，而是成为AI的构建者。通过直接实验，他们清楚什么可行、什么成本高昂、什么可以在周末完成。在我们的小组中，52%的参与者识别出能从其构建成果中获益的特定客户，87%的参与者预计将在30天内将所学知识应用于客户场景。该计划在实际用例方面超额完成目标，因为它要求参与者亲自创建这些案例。

对您的工程团队：当业务方能够构建原型并阐述架构权衡时，工程团队可以减少需求翻译的时间，投入更多时间进行开发。技术构建者获得更清晰的需求输入、更少的错位请求，以及能提前压力测试可行性的合作伙伴。例如：82%的参与者离开时对自主代理AI架构有了深刻理解。工具熟练度在全栈中显著提升：Strands Agents SDK的使用率从20%跃升至80%（+60 pp），AgentCore从39%提升至85%，这提高了工程判断的标准。

对您的客户：他们获得的合作伙伴拥有与客户当前面临相同架构权衡的直接实践经验。对话从“让我稍后回复您”转变为实时演示。在参与计划前，44%的参与者将架构模式的不确定性视为障碍。参与后，90%的参与者表示已充分准备或更自信地在真实客户对话中识别AI机会。

对您的组织：您获得一个可复制的模型，其价值会持续累积。我们的试点项目从一个团队扩展到区域，再到全球部署，证明了这一模式：实践中的熟练度可以自我扩展。该计划实现了100%的推荐率，95%的参与者表示该计划达到或超越了他们的预期。

在您的组织中复制此模式的七个经验

这七个经验总结了使该计划成功的关键要素，以及您在组织中应复制的实践。

1. 工具选择改变一切

低代码、智能代理体验消除了“我不够技术”的障碍。这是一个程序设计决策，而非采购后的权宜之计。如果工具要求精通Python，那么在第一周开始前，你已经让一半的人失去了兴趣。

2. 结构胜过强度

对于非技术人员而言，一个分阶段的6周计划（设有明确里程碑）比两天的冲刺式培训效果更佳。预计第一周会显得进展缓慢。真正的突破会在后续阶段显现。

3. 导师制是倍增器

将非技术人员与技术能力突出的导师结对，能消除失败恐惧并加速学习。导师不会替他们构建解决方案，而是提供安全网。

4. 构建真实产品

要求使用代码仓库和参考架构（而非幻灯片）制作可运行的原型，能促使深度使用工具。你无法通过虚假演示蒙混过关。这正是黑客松与培训课程的本质区别。

5. 前后评估效果

前后能力评估能直观呈现成效，为项目扩展建立商业依据。自我报告的信心值虽有参考价值，但从“有限”到“丰富”的实操经验跃迁才是关键。

6. 确保可复制性

一份完善的操作手册（包含参与者指南、评估标准、导师匹配框架、环境搭建指引）能让一次性活动转化为可扩展的标准化项目。

7. 首先建立心理安全感

当人们不再惧怕失败时，就能创造出前所未有的成果。获奖团队将“以学习超越胜利”作为核心原则。所有成功团队都在编写代码前就建立了信任基础。

立即开始

操作手册、评估标准和环境搭建指引已向希望复刻此模式的团队开放。联系本文作者之一，了解如何将该框架引入你的组织。

了解更多关于 Amazon Bedrock | Kiro IDE | Strands Agents SDK

作者信息

'"`