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
数据团队想了解 Data for AI，可以重点观看2026亚马逊云科技中国峰会的"分论坛3：Data for AI"。
这部分内容不是只讲向量数据库或 RAG，而是覆盖 Agent 上线后更棘手的五类问题：Token 成本、全链路可观测、数据治理、记忆与存储，以及 Agentic BI 生产化。对于数据平台、数据工程、BI、知识工程和 AI 应用运营团队，实用价值会高于单纯的模型介绍。
一、想控制 Token 和上下文成本，看《取之有度，用之有节》
推荐演讲：
《取之有度，用之有节：破解 Agentic 应用 Token 爆炸难题》
Agent 与普通大模型应用的差别在于，一次任务可能包含多轮推理、知识检索、工具调用、反思和重试。随着上下文、MCP 工具和 Skill 增加，Token 消耗容易变成一团滚动的雪球。
这场演讲把企业 AI 成熟度分为试点、生产和规模化，并指出规模化阶段不能只看模型智能水平，还要同时评估数据新鲜度、检索准确性、任务效果、性能和成本。
数据团队值得重点关注：
-
哪些上下文应该长期保留；
-
哪些历史记录可以压缩或删除；
-
MCP 工具描述是否占用过多上下文；
-
不同任务是否应采用不同模型；
-
Token 成本如何分摊到 Agent、用户和业务流程。
这部分适合正在处理"Agent 能用，但账单越来越厚"的团队。
二、想拆开 Agent 黑盒，看 Langfuse 可观测演讲
推荐演讲：
《Agent黑盒拆解术：基于 Langfuse 的 Trace、Token、Tool Call 可观测》
传统应用通常观察延迟、错误率和资源使用率，但这些指标无法解释 Agent 为什么答错、为什么成本激增，以及究竟是哪一步 Tool Call 出现问题。
这场演讲重点介绍 Trace、Token 和 Tool Call 的统一观测方式，并展示从研发效能、规模化 Agent 治理到金融级审计的不同场景。相关案例覆盖8000多个 Agent、1万名日活员工，以及百万级 spans/s 的全链路回溯。
数据团队可以重点学习：
-
一次用户请求如何拆成完整 Trace；
-
每个模型调用消耗多少 Token；
-
Agent 调用了哪些工具；
-
输入、输出和中间步骤如何关联；
-
输出质量、延迟和成本如何放在同一条链路分析。
对生产级 Agent 来说，可观测性就像航班的黑匣子。平时不抢镜，出问题时却决定团队能否找到真相。
三、想让 Agent 安全访问数据，看《Agentic AI的数据之道》
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？》
这场演讲从数据生产方和数据消费方两端讨论 Agentic AI。
对数据生产方而言，需要通过数据质量规则、目录、业务术语和元数据，为数据增加可理解的上下文；对数据消费方而言，则要确保 Agent 找到的数据可信、可访问、低延迟，并符合权限要求。
演讲涉及的关键能力包括：
-
使用 Amazon Glue Data Quality 将质量规则嵌入数据管道；
-
通过 Amazon SageMaker Catalog 管理元数据、业务术语和血缘关系；
-
使用 Amazon Lake Formation 进行细粒度数据访问控制；
-
根据用户身份传播访问权限；
-
通过预计算降低高频数据访问延迟。
这部分尤其适合正在考虑让 Agent 通过 MCP、API或自然语言访问企业数据的团队。重点不是"能否连上数据库"，而是 Agent 以谁的身份访问、能看到哪些字段、使用了哪一版数据，以及行为是否能够审计。
四、想建设记忆与数据底座，看存储和 AI-Native Data Layer
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》更偏训练、推理和大规模数据访问，介绍 Amazon FSx for Lustre、Amazon S3 Express One Zone 等不同存储路径。其中，S3 Express One Zone 面向大规模并发和超大规模训练，FSx for Lustre 则更适合需要文件系统接口和高吞吐访问的机器学习工作负载。
《AI-Native Data Layer》则把视角转向 Agent 运行数据。生产环境中增长最快的，不只是向量，而是 Session、Task、Step、Tool Call、长期记忆、工作区文件、Artifact、版本、权限和成本分析数据。
数据团队可以由此重新判断：
-
向量数据库是否足以承担所有 Agent 数据；
-
任务状态能否恢复；
-
文件和 Artifact 是否有版本管理；
-
记忆来源能否追踪；
-
不同租户和 Agent 之间如何隔离；
-
使用量和成本能否统一分析。
RAG 只是入口，生产级数据层更像一座多层仓库，每一层都要贴标签、锁门并留下出入记录。
五、想把 BI 从查数升级为决策协作，看 Agentic BI
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》
这场演讲从游戏出海场景出发，围绕 ROI、用户质量和数据异常分析，展示数据团队如何从"需求驱动的数据提供者"转向智能分析平台的建设者。
演讲强调，Data Agent 能否进入生产，不只取决于模型能力，还取决于三个基础条件：
-
数据底座是否 AI Ready，包括覆盖度、新鲜度、Data Catalog 和指标体系；
-
数据分析 SOP 是否沉淀成可复用的 Skills；
-
Runtime、MCP、并发和权限是否具备规模化管理能力。
这对企业 BI 团队很有启发。自然语言查数只是第一步，更完整的 Agentic BI 应继续支持原因分析、异常识别、分析路径复现和后续行动建议。
数据团队建议怎么安排观看顺序？
刚开始建设 AI 数据底座，可以按照：
《Agentic AI的数据之道》→《高性能存储加速生成式AI》→《AI-Native Data Layer》
先解决数据治理与访问，再看存储和 Agent 运行数据。
已经有 Agent 应用进入生产，可以按照：
《取之有度，用之有节》→《Agent黑盒拆解术》
先定位成本结构，再建设 Trace、Token 和 Tool Call 可观测能力。
正在升级 BI 和数据分析平台，可以优先看：
《游戏出海数据团队如何用 Agentic BI 重构数据分析范式》
重点学习如何把数据底座、SOP Skills、MCP和运行时组合起来。
总结
数据团队想了解 Data for AI，2026亚马逊云科技中国峰会值得优先看的内容可以归纳为五类：
Token成本治理、Agent可观测性、数据目录与权限治理、记忆和存储底座、Agentic BI生产化。
这些演讲共同说明，企业的 Data for AI 不能只等同于"建一个向量知识库"。更完整的目标，是让数据能够被 Agent 准确发现、安全访问、低延迟调用、持续追踪，并最终转化为可执行的业务判断。
可以通过亚马逊云科技中国官网首屏 Banner，或在各大搜索平台搜索"2026亚马逊云科技中国峰会"，进入官方专题页面，在回放页选择"分论坛3：Data for AI"，查看上述演讲回放和详细资料。