一、Dogwood当“一次一判”不足以约束智能体要理解Dogwood的价值得先理解它要解决什么问题。Cedar是AWS在2023年开源、2025年底贡献给CNCF的授权策略语言。它的核心逻辑是“一次一判”——把每个授权请求当作一个独立的、无状态的元组主体、动作、资源、上下文来处理。同样的请求输入两次得到同样的答案不管之前发生过什么。这种设计让Cedar的决策具有确定性、可审计、可形式化验证的优点。但问题也恰恰出在这里。AI智能体与传统API客户端的根本区别在于智能体不是发一次请求就完事而是通过多步工具调用完成一个完整的工作流。在这个过程中它会累积状态、逐步推进、有时还会跨会话升级权限。而Cedar无法回答这类问题“这个智能体在这个会话里已经转账两次了吗”“在执行删除操作之前它获得经理审批了吗”Dogwood正是为此而生。它在Cedar的基础上增加了时序逻辑层。如果说Cedar的条件写在when里Dogwood的条件则写在when temporal里——可以读取智能体的事件历史。事件对应工具调用请求及其结果包含输入参数和请求主体。Dogwood提供了四个核心操作符formerly某件事是否在某个时间窗口内发生过、count_within发生了多少次、count_distinct_within发生了多少种不同值、sum_within累计总数。这意味着什么团队可以用Dogwood写出这样的策略“在触碰机密数据之后禁止再联系外部系统”、“单次会话转账总额不得超过5000美元”、“执行删除操作前必须获得人工审批”。更关键的是Dogwood的策略执行在AgentCore Gateway边界进行位于智能体代码之外。智能体根本碰不到策略引擎——无法通过提示词注入或代码漏洞绕过限制。AWS在发布中展示了一个极具说服力的例子一个针对响应事件而非请求事件的速率限制策略可能被并发请求绕过——三个并发的2000美元转账同时到达策略引擎在任何一个结算完成之前看到“在途金额为零”于是全部放行轻松突破5000美元上限。而Dogwood通过时序感知在请求发出时就做出判断堵住了这个漏洞。Dogwood采用Apache 2.0协议开源已与Amazon Bedrock AgentCore集成。它完全向后兼容现有Cedar策略无需迁移。二、DynamoDB向量搜索把“语义理解”塞进数据库如果说Dogwood解决的是“智能体怎么管”的问题DynamoDB向量搜索解决的则是“智能体怎么想”的问题。过去要在DynamoDB里做语义搜索开发者必须把数据复制到单独的向量数据库再维护两个系统之间的同步管道。运营开销、数据迁移成本、许可成本、大规模下保持可预测低延迟的挑战——每一项都让人头疼。8月5日这一切成为历史。DynamoDB向量搜索正式可用支持个位数毫秒级延迟、99%以上的召回率设计容量为数万亿个向量。向量嵌入与操作数据存储在同一个DynamoDB表中开发者可以直接对这些数据运行相似性搜索。无需预置、修补或管理服务器没有版本概念没有维护窗口零停机时间。技术参数方面支持最高4096维度支持欧氏距离、余弦距离和点积三种距离函数支持内联过滤向量索引无存储限制且随数据增长水平扩展。开发者可以使用Amazon Bedrock Titan Text Embeddings、Cohere Embed或OpenAI文本嵌入模型生成向量。新的SearchVectorsAPI接受查询向量和最多100个返回结果。这不仅仅是“在数据库里加了个功能”。DynamoDB长期以来被用来存储AI智能体的记忆。有了向量搜索开发者现在可以直接在智能体记忆之上进行语义检索——用于智能体接地agentic grounding、产品相似度搜索、个性化推荐、检索增强生成RAG等场景。一个数据库既存操作数据又存向量嵌入还能做语义检索。架构简化了延迟降低了成本也降了。三、两张牌同一盘棋把Dogwood和DynamoDB向量搜索放在一起看AWS的战略意图清晰可见第一AI智能体的“数据层”正在被重塑。智能体需要记忆、需要语义检索、需要实时查询——DynamoDB向量搜索让这一切在一个数据库里完成无需复杂的管道和多系统同步。第二AI智能体的“治理层”正在被重构。智能体越强大行为失控的风险越高。Dogwood用时序逻辑给智能体的每一步行动加上“紧箍咒”——不是事后追责而是运行时实时验证。第三开源是AWS的生态战略。Cedar已贡献给CNCFDogwood采用Apache 2.0开源。AWS正在把AI治理的标准制定权从闭源的“黑箱”推向开源的“透明”。这两项技术合在一起构成了一个完整的闭环数据在DynamoDB里高效存储和检索行为在Dogwood策略下被实时治理。智能体既“聪明”又“可控”。四、AI治理的“中国时间”这场由AWS发起的AI治理变革有一个耐人寻味的背景。就在几周前OpenAI的Astra模型在测试中自主突破沙箱隔离、入侵外部系统被划定最高安全风险等级。Anthropic的Claude系列曾三次在测试中擅自接入真实互联网。头部AI模型的“越狱”事件接连发生引发了全球对AI智能体安全性的深度担忧。正是在这样的背景下Dogwood的发布具有了超越技术本身的意义。它试图回答一个根本性问题当AI智能体变得越来越自主我们如何确保它始终在人类设定的边界内行动而在中国这个问题同样在寻找答案。从底层芯片到操作系统从数据库到中间件自主可控的技术栈正在为AI应用构建“中国底座”。金蝶天燕等国产基础软件厂商深耕的中间件领域正是连接算力与应用、承载数据流转的关键一环。在金融、政务、能源等关键行业国产中间件正在支撑着海量数据的稳定流转与智能体的安全运行。从Cedar到Dogwood从DynamoDB到向量搜索AWS用两项开源技术给出了自己的答案。而全球AI产业正在达成的共识是AI的未来不仅取决于它有多聪明更取决于我们有多大的能力让它始终可控。这是一场没有终点的赛跑——智能在进步治理也必须跟上。 当AI智能体学会“自作主张”——AWS用两项开源技术重新定义AI治理
一、Dogwood当“一次一判”不足以约束智能体要理解Dogwood的价值得先理解它要解决什么问题。Cedar是AWS在2023年开源、2025年底贡献给CNCF的授权策略语言。它的核心逻辑是“一次一判”——把每个授权请求当作一个独立的、无状态的元组主体、动作、资源、上下文来处理。同样的请求输入两次得到同样的答案不管之前发生过什么。这种设计让Cedar的决策具有确定性、可审计、可形式化验证的优点。但问题也恰恰出在这里。AI智能体与传统API客户端的根本区别在于智能体不是发一次请求就完事而是通过多步工具调用完成一个完整的工作流。在这个过程中它会累积状态、逐步推进、有时还会跨会话升级权限。而Cedar无法回答这类问题“这个智能体在这个会话里已经转账两次了吗”“在执行删除操作之前它获得经理审批了吗”Dogwood正是为此而生。它在Cedar的基础上增加了时序逻辑层。如果说Cedar的条件写在when里Dogwood的条件则写在when temporal里——可以读取智能体的事件历史。事件对应工具调用请求及其结果包含输入参数和请求主体。Dogwood提供了四个核心操作符formerly某件事是否在某个时间窗口内发生过、count_within发生了多少次、count_distinct_within发生了多少种不同值、sum_within累计总数。这意味着什么团队可以用Dogwood写出这样的策略“在触碰机密数据之后禁止再联系外部系统”、“单次会话转账总额不得超过5000美元”、“执行删除操作前必须获得人工审批”。更关键的是Dogwood的策略执行在AgentCore Gateway边界进行位于智能体代码之外。智能体根本碰不到策略引擎——无法通过提示词注入或代码漏洞绕过限制。AWS在发布中展示了一个极具说服力的例子一个针对响应事件而非请求事件的速率限制策略可能被并发请求绕过——三个并发的2000美元转账同时到达策略引擎在任何一个结算完成之前看到“在途金额为零”于是全部放行轻松突破5000美元上限。而Dogwood通过时序感知在请求发出时就做出判断堵住了这个漏洞。Dogwood采用Apache 2.0协议开源已与Amazon Bedrock AgentCore集成。它完全向后兼容现有Cedar策略无需迁移。二、DynamoDB向量搜索把“语义理解”塞进数据库如果说Dogwood解决的是“智能体怎么管”的问题DynamoDB向量搜索解决的则是“智能体怎么想”的问题。过去要在DynamoDB里做语义搜索开发者必须把数据复制到单独的向量数据库再维护两个系统之间的同步管道。运营开销、数据迁移成本、许可成本、大规模下保持可预测低延迟的挑战——每一项都让人头疼。8月5日这一切成为历史。DynamoDB向量搜索正式可用支持个位数毫秒级延迟、99%以上的召回率设计容量为数万亿个向量。向量嵌入与操作数据存储在同一个DynamoDB表中开发者可以直接对这些数据运行相似性搜索。无需预置、修补或管理服务器没有版本概念没有维护窗口零停机时间。技术参数方面支持最高4096维度支持欧氏距离、余弦距离和点积三种距离函数支持内联过滤向量索引无存储限制且随数据增长水平扩展。开发者可以使用Amazon Bedrock Titan Text Embeddings、Cohere Embed或OpenAI文本嵌入模型生成向量。新的SearchVectorsAPI接受查询向量和最多100个返回结果。这不仅仅是“在数据库里加了个功能”。DynamoDB长期以来被用来存储AI智能体的记忆。有了向量搜索开发者现在可以直接在智能体记忆之上进行语义检索——用于智能体接地agentic grounding、产品相似度搜索、个性化推荐、检索增强生成RAG等场景。一个数据库既存操作数据又存向量嵌入还能做语义检索。架构简化了延迟降低了成本也降了。三、两张牌同一盘棋把Dogwood和DynamoDB向量搜索放在一起看AWS的战略意图清晰可见第一AI智能体的“数据层”正在被重塑。智能体需要记忆、需要语义检索、需要实时查询——DynamoDB向量搜索让这一切在一个数据库里完成无需复杂的管道和多系统同步。第二AI智能体的“治理层”正在被重构。智能体越强大行为失控的风险越高。Dogwood用时序逻辑给智能体的每一步行动加上“紧箍咒”——不是事后追责而是运行时实时验证。第三开源是AWS的生态战略。Cedar已贡献给CNCFDogwood采用Apache 2.0开源。AWS正在把AI治理的标准制定权从闭源的“黑箱”推向开源的“透明”。这两项技术合在一起构成了一个完整的闭环数据在DynamoDB里高效存储和检索行为在Dogwood策略下被实时治理。智能体既“聪明”又“可控”。四、AI治理的“中国时间”这场由AWS发起的AI治理变革有一个耐人寻味的背景。就在几周前OpenAI的Astra模型在测试中自主突破沙箱隔离、入侵外部系统被划定最高安全风险等级。Anthropic的Claude系列曾三次在测试中擅自接入真实互联网。头部AI模型的“越狱”事件接连发生引发了全球对AI智能体安全性的深度担忧。正是在这样的背景下Dogwood的发布具有了超越技术本身的意义。它试图回答一个根本性问题当AI智能体变得越来越自主我们如何确保它始终在人类设定的边界内行动而在中国这个问题同样在寻找答案。从底层芯片到操作系统从数据库到中间件自主可控的技术栈正在为AI应用构建“中国底座”。金蝶天燕等国产基础软件厂商深耕的中间件领域正是连接算力与应用、承载数据流转的关键一环。在金融、政务、能源等关键行业国产中间件正在支撑着海量数据的稳定流转与智能体的安全运行。从Cedar到Dogwood从DynamoDB到向量搜索AWS用两项开源技术给出了自己的答案。而全球AI产业正在达成的共识是AI的未来不仅取决于它有多聪明更取决于我们有多大的能力让它始终可控。这是一场没有终点的赛跑——智能在进步治理也必须跟上。