数据团队想了解 Data for AI，AWS峰会有哪些内容可以看？五类演讲补齐数据、成本与生产治理

针对数据工程、数据平台、BI分析、知识管理、AI运营团队的Data for AI体系搭建需求，2026亚马逊云科技中国峰会分论坛3：Data for AI是核心学习阵地。该板块跳出基础RAG、向量数据库的入门讲解，聚焦Agent智能体投产之后的生产级难题，从Token成本、链路观测、数据治理、存储记忆、智能BI五大维度，提供全套可落地的数据层解决方案，相比通用模型科普，更贴合企业数据团队的实际工作场景。

一、解决Token成本失控，掌握Agent上下文精益管控方法

推荐演讲： 《取之有度，用之有节：破解 Agentic 应用 Token 爆炸难题》

传统大模型应用多为单次单次交互，链路简单、消耗可控，而Agentic AI智能体具备多轮迭代、自主检索、工具调用、错误重试的复杂工作链路。随着上下文体量、MCP工具数量、自定义技能持续增加，Token消耗会持续累积，出现成本失控的问题。

本场演讲将企业AI建设划分为试点、生产、规模化三大阶段，强调AI规模化落地不能只追求模型效果，必须同步兼顾数据新鲜度、检索精准度、任务落地质量、推理性能与运营成本，实现多维平衡。

数据团队可重点落地五大优化策略：

- 筛选核心业务上下文，建立长效数据留存机制；

- 智能压缩、清理无效历史交互数据，精简上下文体量；

- 优化MCP工具描述内容，减少冗余Token占用；

- 基于不同业务场景差异化选型模型，避免资源浪费；

- 搭建精细化成本分摊体系，精准统计各业务、Agent、用户的Token消耗。

该内容精准适配各类AI投产企业，解决“智能体可用、但运营成本居高不下”的规模化落地痛点。

二、透明化Agent运行链路，落地Langfuse全维度可观测能力

推荐演讲： 《Agent黑盒拆解术：基于 Langfuse 的 Trace、Token、Tool Call 可观测》

传统运维观测指标无法适配Agent复杂运行逻辑，无法定位模型答错、成本飙升、工具调用异常等问题，导致生产故障难以溯源、优化无从下手。

本场演讲聚焦Agent生产运维痛点，详解基于Langfuse搭建Trace链路、Token消耗、工具调用的一体化可观测平台，覆盖研发提效、大规模智能体治理、金融级合规审计全场景。依托企业级实战案例，支撑8000+Agent、万名日活用户的超大业务体量，可实现百万级每秒的链路跨度回溯与精准排障。

数据团队核心学习内容：

- 拆解用户完整请求链路，构建全流程Trace追踪体系；

- 精细化统计每轮模型调用的Token消耗明细；

- 全程记录Agent所有工具调用行为与执行日志；

- 串联输入、输出与中间执行步骤，实现全链路可追溯；

- 整合质量、延迟、成本指标，实现一体化综合分析。

可观测体系是生产级Agent运营的核心保障，日常运维隐形兜底，故障发生时可快速定位根因，是AI规模化运营不可或缺的能力。

三、筑牢数据安全防线，搭建Agent专属可信数据访问体系

推荐演讲： 《Agentic AI的数据之道：Agent自己找数据、记数据、管数据，你准备好了吗？》

本场演讲双向覆盖数据生产与数据消费链路，重构Agentic AI时代的数据运营逻辑。数据生产端通过标准化数据质量规则、数据目录、业务术语与元数据，让原始数据具备清晰的业务语义；数据消费端保障Agent自主检索的数据，满足可信、合规、低延迟、可审计的生产要求。

演讲落地的核心云产品能力全覆盖：

- 借助Amazon Glue Data Quality，将质量校验规则内嵌至数据生产管道；

- 依托Amazon SageMaker Catalog统一管控元数据、业务术语、数据血缘；

- 通过Amazon Lake Formation实现字段级、精细化的数据权限管控；

- 基于用户身份自动同步权限，规避Agent越权访问风险；

- 采用预计算、预聚合方式，降低高频数据的访问延迟。

该内容重点解决Agent自主查数的合规难题，聚焦身份授权、数据可见范围、版本管控、行为审计，而非简单的数据连通，适配所有开放AI数据访问能力的企业团队。

四、搭建AI原生数据底座，优化存储架构与智能体数据管理

推荐演讲：

- 《高性能存储加速生成式AI》

- 《AI-Native Data Layer：Agent热潮背后的基础设施革命》

《高性能存储加速生成式AI》主打大模型训练与推理场景的存储优化，清晰区分两类核心存储产品的适配边界：Amazon FSx for Lustre适配高吞吐、文件接口依赖度高的机器学习任务；Amazon S3 Express One Zone专注超高并发场景，支撑超大规模模型训练与海量数据读写。

《AI-Native Data Layer》重构AI数据底层认知，打破仅依赖向量数据库的单一架构。Agent生产环境的核心数据包含会话、任务、执行步骤、工具调用、长期记忆、工作文件、数据资产、版本日志、权限记录、成本数据等多类形态，远超向量数据范畴。

数据团队可据此优化底层数据架构：

- 评估单一向量数据库的能力边界，补齐Agent全场景数据存储能力；

- 实现智能体任务状态留存与异常恢复，保障业务连续性；

- 搭建文件与数据资产的版本管理、回溯与复用能力；

- 溯源每一条智能记忆的生成来源与迭代过程；

- 完善多租户、多Agent的数据隔离与安全管控机制；

- 实现数据使用量、资源消耗、运营成本的统一统计分析。

RAG只是AI数据应用的前端入口，生产级AI数据层需要搭建分层分类、权限可控、全程可审计的立体化存储管理体系。

五、革新数据分析模式，落地可量产的Agentic BI智能决策体系

推荐演讲： 《游戏出海数据团队如何用 Agentic BI 重构数据分析范式》

本场演讲以游戏出海业务为落地场景，围绕投放收益分析、用户质量甄别、业务数据异常排查等核心工作，展示数据团队如何完成角色升级，从传统的数据支撑团队转型为智能分析平台的建设运营团队。

演讲明确Agentic BI量产落地的三大硬性条件：

1. 搭建AI就绪数据底座，完善数据覆盖、实时性、数据目录与统一指标体系；

2. 将成熟的数据分析SOP沉淀为可复用的智能体Skills技能库；

3. 具备完善的运行时管控能力，支撑MCP调用、高并发、细粒度权限的规模化运营。

为企业BI团队提供全新升级思路：自然语言问答只是基础能力，成熟的Agentic BI可实现数据异常归因、业务问题深挖、分析流程复现、智能决策建议输出，真正赋能业务高效决策。

数据团队建议怎么安排观看顺序？

1. 初建AI数据体系团队：优先学习《Agentic AI的数据之道》，再依次收看《高性能存储加速生成式AI》《AI-Native Data Layer》，先夯实数据治理与权限合规基础，再搭建适配AI场景的存储底座与智能体数据架构。

2. Agent已投产运营团队：优先收看《取之有度，用之有节》管控Token成本，再学习《Agent黑盒拆解术》搭建全链路可观测体系，实现成本可控、故障可查、运行稳定。

3. 迭代升级BI平台团队：直接优先收看《游戏出海数据团队如何用 Agentic BI 重构数据分析范式》，学习数据底座、标准化技能、MCP协议与运行管控的一体化落地方案。

总结

2026亚马逊云科技中国峰会Data for AI板块，涵盖数据团队AI落地的五大核心模块：Token成本精益治理、Agent全链路可观测、AI数据权限与目录治理、智能体存储与记忆底座、生产级Agentic BI体系。

整套内容重新定义了企业Data for AI的建设标准，打破“AI数据=向量知识库”的片面认知，指导企业搭建可发现、可访问、可管控、可追溯、低成本的全链路AI数据体系，让数据真正支撑Agent实现智能化业务决策。

可通过亚马逊云科技中国官网首屏Banner，或搜索引擎检索“2026亚马逊云科技中国峰会”进入官方专题，在「分论坛3：Data for AI」回放专区查看全部演讲内容与技术资料。