前言效率不等于效能。这是小鹏汽车在AI转型过程中悟出的一句话也是当前众多企业在部署AI Agent时面临的共同困境。2026年6月在亚马逊云科技中国峰会上小鹏集团AI/Data Platform负责人何瑞邦分享了一组令人震撼的数据指标 数值AI代码覆盖率 超过70%内部Skills数量 700连接API端点 400每日AI协同PR 100累计工作流执行 14万核心阶段成功率 99.7%P0/P1缺陷数 0缺陷修复时间 从2天压缩到10分钟这组数据背后是一套名为灵犀的企业级AI编程与Agentic工作平台。今天我们就来深度拆解这套系统的技术架构看看如何从零搭建一个真正能产生业务价值的AI Agent平台。一、为什么需要企业级AI Agent平台1.1 从个人提效到组织效能的鸿沟2024年小鹏内部已经普遍使用各种AI开发工具。单个员工的编码效率确实提升了但整个部门的产出却没有明显变化。原因很简单• AI只能一环一环写代码写完还需要人工集成• 联调测试仍需人工介入CI/CD链路没有打通• 代码写得更快了但整个研发链路没真正跑通正如亚马逊全球副总裁储瑞松所说Agentic AI爆发的拐点已然来临。AI Agent正在从一个辅助性工具变成真正参与生产和价值创造的数字劳动力。1.2 物理AI的特殊挑战小鹏面对的不是普通软件工程而是更复杂的物理AI场景• 智能汽车、Robotaxi、人形机器人、飞行汽车• 软件和硬件绑定紧密• 代码写完还需编译、台架验证、回归测试、上线部署• 链路更长容错率更低当AI生成代码的速度越来越快人类review和治理的速度反而跟不上了。这时候解决方案不是让人跑得更快而是让Agent变成一支研发军团。二、灵犀平台技术架构详解灵犀平台采用五层架构设计从下至上分别是2.1 基础设施层Infrastructure Layer核心技术Amazon EKSElastic Kubernetes Service┌─────────────────────────────────────────┐│ Amazon EKS ││ ┌─────────┐ ┌─────────┐ ┌─────────┐ ││ │ Agent-1 │ │ Agent-2 │ │ Agent-N │ ││ └─────────┘ └─────────┘ └─────────┘ ││ 弹性算力供给按需扩展 │└─────────────────────────────────────────┘关键能力• 弹性算力供给需要多少算力就动态分配多少• 高可用性支持多可用区部署保障7×24小时运行• 资源隔离不同Agent任务之间相互隔离避免资源争抢2.2 模型层Model Layer核心技术Amazon BedrockAmazon Bedrock提供大模型能力支持多种模型接入模型类型 用途 特点代码生成模型 编写代码、代码审查 高准确率、支持多语言推理模型 逻辑分析、问题诊断 长上下文、深度推理多模态模型 文档理解、图表分析 图文混合输入2.3 数据和知识层Data Knowledge Layer这一层负责沉淀三类核心资产1. 研发数据代码库、文档、设计文档、测试用例2. 项目上下文需求文档、技术规格、接口定义3. Agent执行知识执行过程中的经验、错误模式、优化策略# 示例知识检索增强class KnowledgeRetriever:def __init__(self, vector_db, knowledge_base):self.vector_db vector_dbself.kb knowledge_basedef retrieve(self, query, top_k5):# 语义检索embeddings self.vector_db.query(query, top_ktop_k)# 知识图谱关联related self.kb.find_related(query)return self._fuse(embeddings, related)2.4 Agent协作层Agent Collaboration Layer核心技术KiroSpec驱动开发内核这是灵犀平台的核心创新。Kiro采用“Spec驱动开发Specification-Driven Development”范式┌────────────────────────────────────────────────────┐│ Spec驱动开发流程 ││ ││ 需求 → 设计 → 任务 → 测试 → 代码生成 → 验证 ││ ↓ ↓ ↓ ↓ ↓ ↓ ││ 结构化 结构化 结构化 结构化 生成 自动验证 ││ ││ 核心思想在生成代码前先把所有环节结构化 │└────────────────────────────────────────────────────┘为什么要这样做从源头上提升正确性而不是让AI先猛写再把一堆技术债丢给人类收拾。2.5 开发者入口层Developer Portal Layer提供三种接入方式入口类型 适用场景 功能网页端 任务管理、结果查看 全流程可视化、团队协作IDE插件 本地开发集成 代码补全、即时审查、一键提交硬件开发插件 嵌入式/硬件开发 编译、验证、烧录一体化三、核心功能实战SRE Agent自动修复灵犀平台最具代表性的应用是SRESite Reliability EngineeringAgent系统。3.1 传统SRE流程 vs Agent驱动流程环节 传统流程 Agent驱动流程故障发现 人工监控告警 Agent自动监控故障定位 人工排查日志 五维归因分析修复方案 人工编写修复脚本 Agent生成修复代码验证测试 人工回归测试 自动化测试套件部署上线 人工审批部署 自动审批灰度发布总耗时 约2天 约10分钟3.2 五维归因分析SRE Agent采用五维归因模型进行故障诊断class FiveDimensionAttribution:五维归因分析模型DIMENSIONS [code_change, # 代码变更config_change, # 配置变更traffic_pattern, # 流量模式dependency, # 依赖服务infrastructure # 基础设施]def analyze(self, incident):scores {}for dim in self.DIMENSIONS:scores[dim] self._calculate_score(incident, dim)# 返回最可能的原因top_cause max(scores, keyscores.get)return {primary_cause: top_cause,confidence: scores[top_cause],all_scores: scores}3.3 代码自动修复class SREAgent:def __init__(self, model_client, codebase, test_suite):self.model model_clientself.codebase codebaseself.tests test_suitedef auto_fix(self, incident):# 1. 归因分析attribution self._analyze(incident)# 2. 生成修复方案fix_code self._generate_fix(incident, attribution)# 3. 运行测试验证if self._validate(fix_code):# 4. 自动提交PRreturn self._submit_pr(fix_code)else:return {status: failed, reason: test_failed}def _generate_fix(self, incident, attribution):prompt f故障原因: {attribution[primary_cause]}故障描述: {incident.description}相关代码: {self._get_related_code(incident)}请生成修复代码并附带测试用例。return self.model.generate(prompt)关键优化同类型Bug秒级命中系统会记录每次修复的经验形成修复知识库。当相同或类似的Bug再次出现时Agent可以直接从知识库中检索历史修复方案实现秒级命中。四、Skills系统设计让Agent按规范协同作战4.1 什么是SkillsSkills是汽车行业开发规范的数字化沉淀。每个Skill封装了一个完整的任务流程# 示例CodeReview Skillskill:name: automotive-code-reviewversion: 1.2.0description: 汽车软件代码审查规范steps:- name: static_analysistool: cppcheckrules: [MISRA-C, AUTOSAR]- name: security_scantool: semgreprules: [OWASP, CWE-top-25]- name: performance_checktool: perf-analyzerthresholds:memory: 64MBlatency: 10ms- name: generate_reportoutput: markdowninclude: [violations, suggestions, risk_level]4.2 Skills分类体系类别 示例Skills 数量代码开发 code-review, unit-test-gen, api-doc-gen 180测试验证 integration-test, regression-test, performance-test 120运维部署 ci-cd-pipeline, monitoring-setup, incident-response 95数据分析 log-analysis, metric-dashboard, anomaly-detection 78文档管理 requirement-trace, design-doc-gen, changelog 62其他 安全合规、配置管理、知识检索等 165总计 - 700五、搭建企业级AI Agent平台的实操指南5.1 技术选型建议组件 推荐方案 备选方案模型服务 Amazon Bedrock Azure OpenAI, Google Vertex AI容器编排 Amazon EKS Kubernetes (自建), ECS向量数据库 Amazon OpenSearch Pinecone, Milvus, Weaviate工作流引擎 Amazon Step Functions Temporal, Airflow消息队列 Amazon SQS/SNS Kafka, RabbitMQ监控告警 Amazon CloudWatch Prometheus Grafana5.2 部署步骤Step 1基础设施准备# 创建EKS集群eksctl create cluster \--name agent-platform \--region cn-north-1 \--nodegroup-name agent-nodes \--node-type m5.xlarge \--nodes-min 2 \--nodes-max 10# 部署核心服务kubectl apply -f k8s/namespace.yamlkubectl apply -f k8s/agent-platform.yamlStep 2模型服务配置# bedrock_client.pyimport boto3class BedrockClient:def __init__(self, model_idanthropic.claude-3-5-sonnet):self.client boto3.client(bedrock-runtime)self.model_id model_iddef generate(self, prompt, **kwargs):response self.client.invoke_model(modelIdself.model_id,bodyjson.dumps({prompt: prompt,max_tokens_to_sample: kwargs.get(max_tokens, 4096),temperature: kwargs.get(temperature, 0.7)}))return json.loads(response[body].read())[completion]Step 3Skills注册# skills_registry.pyclass SkillsRegistry:def __init__(self):self.skills {}def register(self, skill_def):注册一个Skillself.skills[skill_def[name]] skill_defdef execute(self, skill_name, context):执行一个Skillskill self.skills.get(skill_name)if not skill:raise ValueError(fSkill not found: {skill_name})result {}for step in skill[steps]:step_result self._execute_step(step, context)result[step[name]] step_resultcontext self._update_context(context, step_result)return resultStep 4Agent编排# agent_orchestrator.pyclass AgentOrchestrator:def __init__(self, skills_registry, model_client):self.skills skills_registryself.model model_clientdef execute_task(self, task_spec):执行一个任务1. 解析任务规格2. 选择合适的Skills3. 编排执行顺序4. 收集结果并验证# 解析需求requirements self._parse_requirements(task_spec)# 规划执行路径plan self._create_plan(requirements)# 执行每个步骤results []for step in plan:result self.skills.execute(step[skill], step[context])results.append(result)# 验证结果if not self._validate(result, step[validation]):raise TaskFailedError(fStep {step[name]} failed validation)return self._aggregate_results(results)六、关键要点与最佳实践6.1 Spec驱动开发的核心原则1. 先结构化后生成在生成代码前必须完成需求、设计、任务、测试的结构化定义2. 可验证性优先每个环节都要有自动化的验证机制3. 闭环思维从需求到运维形成完整的闭环而不是单点提效6.2 企业落地避坑指南常见误区 正确做法追求单个Agent的能力上限 关注多Agent协作的整体效能直接让AI写代码 先用Spec定义清楚再让AI生成忽略治理和合规 将规范和审计内建到每个Skill中一次性全面上线 从单点场景开始逐步扩展到全流程只关注技术忽视组织变革 同步调整组织架构和流程6.3 性能优化技巧# 缓存优化减少重复调用from functools import lru_cachelru_cache(maxsize1000)def get_skill_definition(skill_name, version):return load_skill_from_db(skill_name, version)# 批量处理合并多个Agent调用class BatchAgentExecutor:def execute_batch(self, tasks):# 合并相似任务减少模型调用次数grouped self._group_similar_tasks(tasks)results {}for group in grouped:batch_result self.model.generate_batch(group.prompts)results.update(batch_result)return results七、总结与展望7.1 核心收获从小鹏汽车灵犀平台的实践中我们可以总结出企业级AI Agent平台的核心要素1. 架构分层清晰基础设施→模型→数据→Agent协作→开发者入口五层架构各司其职2. Spec驱动开发在生成代码前完成结构化定义从源头保证正确性3. Skills体系化将行业规范沉淀为可复用的Skills实现Agent按规范协同4. 闭环自动化从需求到运维形成完整的自动化闭环5. 弹性可扩展基于Kubernetes实现弹性算力供给应对业务波动7.2 未来趋势Agentic AI正在经历从辅助工具到数字劳动力的转变。未来我们可能会看到• 多Agent协作网络不同领域的Agent形成协作网络完成更复杂的任务• 自主学习能力Agent在执行过程中持续学习和优化• 行业垂直化针对特定行业的专业化Agent平台• 人机协作新范式人类从执行者转变为指挥官和审核者7.3 行动建议如果你也打算搭建企业级AI Agent平台建议1. 从痛点出发先找到一个明确的业务痛点而不是为了用Agent而用Agent2. 小步快跑从一个场景开始验证逐步扩展到更多场景3. 重视规范将行业规范和最佳实践沉淀为Skills4. 持续迭代Agent平台不是一蹴而就的需要持续优化和演进参考资料1. 量子位报道《云计算一哥让小鹏、Kimi和猎豹都爽了一把》2026-06-232. 亚马逊云科技中国峰会演讲内容
【AI技术实战】企业级AI Agent平台搭建指南：从小鹏汽车“灵犀“看Agentic AI落地实践
发布时间：2026/6/25 13:00:01
前言效率不等于效能。这是小鹏汽车在AI转型过程中悟出的一句话也是当前众多企业在部署AI Agent时面临的共同困境。2026年6月在亚马逊云科技中国峰会上小鹏集团AI/Data Platform负责人何瑞邦分享了一组令人震撼的数据指标 数值AI代码覆盖率 超过70%内部Skills数量 700连接API端点 400每日AI协同PR 100累计工作流执行 14万核心阶段成功率 99.7%P0/P1缺陷数 0缺陷修复时间 从2天压缩到10分钟这组数据背后是一套名为灵犀的企业级AI编程与Agentic工作平台。今天我们就来深度拆解这套系统的技术架构看看如何从零搭建一个真正能产生业务价值的AI Agent平台。一、为什么需要企业级AI Agent平台1.1 从个人提效到组织效能的鸿沟2024年小鹏内部已经普遍使用各种AI开发工具。单个员工的编码效率确实提升了但整个部门的产出却没有明显变化。原因很简单• AI只能一环一环写代码写完还需要人工集成• 联调测试仍需人工介入CI/CD链路没有打通• 代码写得更快了但整个研发链路没真正跑通正如亚马逊全球副总裁储瑞松所说Agentic AI爆发的拐点已然来临。AI Agent正在从一个辅助性工具变成真正参与生产和价值创造的数字劳动力。1.2 物理AI的特殊挑战小鹏面对的不是普通软件工程而是更复杂的物理AI场景• 智能汽车、Robotaxi、人形机器人、飞行汽车• 软件和硬件绑定紧密• 代码写完还需编译、台架验证、回归测试、上线部署• 链路更长容错率更低当AI生成代码的速度越来越快人类review和治理的速度反而跟不上了。这时候解决方案不是让人跑得更快而是让Agent变成一支研发军团。二、灵犀平台技术架构详解灵犀平台采用五层架构设计从下至上分别是2.1 基础设施层Infrastructure Layer核心技术Amazon EKSElastic Kubernetes Service┌─────────────────────────────────────────┐│ Amazon EKS ││ ┌─────────┐ ┌─────────┐ ┌─────────┐ ││ │ Agent-1 │ │ Agent-2 │ │ Agent-N │ ││ └─────────┘ └─────────┘ └─────────┘ ││ 弹性算力供给按需扩展 │└─────────────────────────────────────────┘关键能力• 弹性算力供给需要多少算力就动态分配多少• 高可用性支持多可用区部署保障7×24小时运行• 资源隔离不同Agent任务之间相互隔离避免资源争抢2.2 模型层Model Layer核心技术Amazon BedrockAmazon Bedrock提供大模型能力支持多种模型接入模型类型 用途 特点代码生成模型 编写代码、代码审查 高准确率、支持多语言推理模型 逻辑分析、问题诊断 长上下文、深度推理多模态模型 文档理解、图表分析 图文混合输入2.3 数据和知识层Data Knowledge Layer这一层负责沉淀三类核心资产1. 研发数据代码库、文档、设计文档、测试用例2. 项目上下文需求文档、技术规格、接口定义3. Agent执行知识执行过程中的经验、错误模式、优化策略# 示例知识检索增强class KnowledgeRetriever:def __init__(self, vector_db, knowledge_base):self.vector_db vector_dbself.kb knowledge_basedef retrieve(self, query, top_k5):# 语义检索embeddings self.vector_db.query(query, top_ktop_k)# 知识图谱关联related self.kb.find_related(query)return self._fuse(embeddings, related)2.4 Agent协作层Agent Collaboration Layer核心技术KiroSpec驱动开发内核这是灵犀平台的核心创新。Kiro采用“Spec驱动开发Specification-Driven Development”范式┌────────────────────────────────────────────────────┐│ Spec驱动开发流程 ││ ││ 需求 → 设计 → 任务 → 测试 → 代码生成 → 验证 ││ ↓ ↓ ↓ ↓ ↓ ↓ ││ 结构化 结构化 结构化 结构化 生成 自动验证 ││ ││ 核心思想在生成代码前先把所有环节结构化 │└────────────────────────────────────────────────────┘为什么要这样做从源头上提升正确性而不是让AI先猛写再把一堆技术债丢给人类收拾。2.5 开发者入口层Developer Portal Layer提供三种接入方式入口类型 适用场景 功能网页端 任务管理、结果查看 全流程可视化、团队协作IDE插件 本地开发集成 代码补全、即时审查、一键提交硬件开发插件 嵌入式/硬件开发 编译、验证、烧录一体化三、核心功能实战SRE Agent自动修复灵犀平台最具代表性的应用是SRESite Reliability EngineeringAgent系统。3.1 传统SRE流程 vs Agent驱动流程环节 传统流程 Agent驱动流程故障发现 人工监控告警 Agent自动监控故障定位 人工排查日志 五维归因分析修复方案 人工编写修复脚本 Agent生成修复代码验证测试 人工回归测试 自动化测试套件部署上线 人工审批部署 自动审批灰度发布总耗时 约2天 约10分钟3.2 五维归因分析SRE Agent采用五维归因模型进行故障诊断class FiveDimensionAttribution:五维归因分析模型DIMENSIONS [code_change, # 代码变更config_change, # 配置变更traffic_pattern, # 流量模式dependency, # 依赖服务infrastructure # 基础设施]def analyze(self, incident):scores {}for dim in self.DIMENSIONS:scores[dim] self._calculate_score(incident, dim)# 返回最可能的原因top_cause max(scores, keyscores.get)return {primary_cause: top_cause,confidence: scores[top_cause],all_scores: scores}3.3 代码自动修复class SREAgent:def __init__(self, model_client, codebase, test_suite):self.model model_clientself.codebase codebaseself.tests test_suitedef auto_fix(self, incident):# 1. 归因分析attribution self._analyze(incident)# 2. 生成修复方案fix_code self._generate_fix(incident, attribution)# 3. 运行测试验证if self._validate(fix_code):# 4. 自动提交PRreturn self._submit_pr(fix_code)else:return {status: failed, reason: test_failed}def _generate_fix(self, incident, attribution):prompt f故障原因: {attribution[primary_cause]}故障描述: {incident.description}相关代码: {self._get_related_code(incident)}请生成修复代码并附带测试用例。return self.model.generate(prompt)关键优化同类型Bug秒级命中系统会记录每次修复的经验形成修复知识库。当相同或类似的Bug再次出现时Agent可以直接从知识库中检索历史修复方案实现秒级命中。四、Skills系统设计让Agent按规范协同作战4.1 什么是SkillsSkills是汽车行业开发规范的数字化沉淀。每个Skill封装了一个完整的任务流程# 示例CodeReview Skillskill:name: automotive-code-reviewversion: 1.2.0description: 汽车软件代码审查规范steps:- name: static_analysistool: cppcheckrules: [MISRA-C, AUTOSAR]- name: security_scantool: semgreprules: [OWASP, CWE-top-25]- name: performance_checktool: perf-analyzerthresholds:memory: 64MBlatency: 10ms- name: generate_reportoutput: markdowninclude: [violations, suggestions, risk_level]4.2 Skills分类体系类别 示例Skills 数量代码开发 code-review, unit-test-gen, api-doc-gen 180测试验证 integration-test, regression-test, performance-test 120运维部署 ci-cd-pipeline, monitoring-setup, incident-response 95数据分析 log-analysis, metric-dashboard, anomaly-detection 78文档管理 requirement-trace, design-doc-gen, changelog 62其他 安全合规、配置管理、知识检索等 165总计 - 700五、搭建企业级AI Agent平台的实操指南5.1 技术选型建议组件 推荐方案 备选方案模型服务 Amazon Bedrock Azure OpenAI, Google Vertex AI容器编排 Amazon EKS Kubernetes (自建), ECS向量数据库 Amazon OpenSearch Pinecone, Milvus, Weaviate工作流引擎 Amazon Step Functions Temporal, Airflow消息队列 Amazon SQS/SNS Kafka, RabbitMQ监控告警 Amazon CloudWatch Prometheus Grafana5.2 部署步骤Step 1基础设施准备# 创建EKS集群eksctl create cluster \--name agent-platform \--region cn-north-1 \--nodegroup-name agent-nodes \--node-type m5.xlarge \--nodes-min 2 \--nodes-max 10# 部署核心服务kubectl apply -f k8s/namespace.yamlkubectl apply -f k8s/agent-platform.yamlStep 2模型服务配置# bedrock_client.pyimport boto3class BedrockClient:def __init__(self, model_idanthropic.claude-3-5-sonnet):self.client boto3.client(bedrock-runtime)self.model_id model_iddef generate(self, prompt, **kwargs):response self.client.invoke_model(modelIdself.model_id,bodyjson.dumps({prompt: prompt,max_tokens_to_sample: kwargs.get(max_tokens, 4096),temperature: kwargs.get(temperature, 0.7)}))return json.loads(response[body].read())[completion]Step 3Skills注册# skills_registry.pyclass SkillsRegistry:def __init__(self):self.skills {}def register(self, skill_def):注册一个Skillself.skills[skill_def[name]] skill_defdef execute(self, skill_name, context):执行一个Skillskill self.skills.get(skill_name)if not skill:raise ValueError(fSkill not found: {skill_name})result {}for step in skill[steps]:step_result self._execute_step(step, context)result[step[name]] step_resultcontext self._update_context(context, step_result)return resultStep 4Agent编排# agent_orchestrator.pyclass AgentOrchestrator:def __init__(self, skills_registry, model_client):self.skills skills_registryself.model model_clientdef execute_task(self, task_spec):执行一个任务1. 解析任务规格2. 选择合适的Skills3. 编排执行顺序4. 收集结果并验证# 解析需求requirements self._parse_requirements(task_spec)# 规划执行路径plan self._create_plan(requirements)# 执行每个步骤results []for step in plan:result self.skills.execute(step[skill], step[context])results.append(result)# 验证结果if not self._validate(result, step[validation]):raise TaskFailedError(fStep {step[name]} failed validation)return self._aggregate_results(results)六、关键要点与最佳实践6.1 Spec驱动开发的核心原则1. 先结构化后生成在生成代码前必须完成需求、设计、任务、测试的结构化定义2. 可验证性优先每个环节都要有自动化的验证机制3. 闭环思维从需求到运维形成完整的闭环而不是单点提效6.2 企业落地避坑指南常见误区 正确做法追求单个Agent的能力上限 关注多Agent协作的整体效能直接让AI写代码 先用Spec定义清楚再让AI生成忽略治理和合规 将规范和审计内建到每个Skill中一次性全面上线 从单点场景开始逐步扩展到全流程只关注技术忽视组织变革 同步调整组织架构和流程6.3 性能优化技巧# 缓存优化减少重复调用from functools import lru_cachelru_cache(maxsize1000)def get_skill_definition(skill_name, version):return load_skill_from_db(skill_name, version)# 批量处理合并多个Agent调用class BatchAgentExecutor:def execute_batch(self, tasks):# 合并相似任务减少模型调用次数grouped self._group_similar_tasks(tasks)results {}for group in grouped:batch_result self.model.generate_batch(group.prompts)results.update(batch_result)return results七、总结与展望7.1 核心收获从小鹏汽车灵犀平台的实践中我们可以总结出企业级AI Agent平台的核心要素1. 架构分层清晰基础设施→模型→数据→Agent协作→开发者入口五层架构各司其职2. Spec驱动开发在生成代码前完成结构化定义从源头保证正确性3. Skills体系化将行业规范沉淀为可复用的Skills实现Agent按规范协同4. 闭环自动化从需求到运维形成完整的自动化闭环5. 弹性可扩展基于Kubernetes实现弹性算力供给应对业务波动7.2 未来趋势Agentic AI正在经历从辅助工具到数字劳动力的转变。未来我们可能会看到• 多Agent协作网络不同领域的Agent形成协作网络完成更复杂的任务• 自主学习能力Agent在执行过程中持续学习和优化• 行业垂直化针对特定行业的专业化Agent平台• 人机协作新范式人类从执行者转变为指挥官和审核者7.3 行动建议如果你也打算搭建企业级AI Agent平台建议1. 从痛点出发先找到一个明确的业务痛点而不是为了用Agent而用Agent2. 小步快跑从一个场景开始验证逐步扩展到更多场景3. 重视规范将行业规范和最佳实践沉淀为Skills4. 持续迭代Agent平台不是一蹴而就的需要持续优化和演进参考资料1. 量子位报道《云计算一哥让小鹏、Kimi和猎豹都爽了一把》2026-06-232. 亚马逊云科技中国峰会演讲内容
