关键字: [亚马逊云科技， 生成式AI， Amazon Q， 亚马逊云科技， Amazon Q Cli， 跨云迁移， 资源配置， 架构评估]

导读

在这场演讲中，演讲者介绍了如何利用Amazon Q CLI这款强大的生成式人工智能工具来实现跨云迁移。他们探讨了一个将业务从某云平台香港区域迁移到亚马逊云香港节点的场景，利用Amazon Q CLI完成了资源获取、迁移方案评估、自动化迁移和架构评估等四个主要阶段。Amazon Q CLI通过理解外部环境、执行复杂任务等能力，大大提高了迁移效率，降低了人工操作风险。演讲者还分享了在实际应用中遇到的一些挑战和未来计划，展望了生成式AI在云计算领域的广阔应用前景。

演讲精华

以下是小编为您整理的本次演讲的精华。

亚马逊云科技推出了一款名为Amazon Q的强大人工智能助手，主要分为两个使用场景:Amazon Q Developer面向开发者和技术人员，Amazon Q Business面向企业的非技术人员。对于开发者而言，Amazon Q Developer可以协助完成从编码到测试、部署、故障排查、执行安全扫描，以及实现现代化应用改造的整个流程，可谓是研发运维的智能助手。另一方面，Amazon Q Business则将企业的内部各种数据集成在一起，帮助企业提高业务效率，获取企业各种信息，并快速做出决策，被视为一款懂得企业内部数据的智能助手。使用Amazon Q的方式多种多样，包括控制台、IDE、命令行和聊天应用程序。

小数科技作为亚马逊云科技的合作伙伴，在使用Amazon Q的过程中经历了以下几个阶段:最初，他们在控制台的边栏中使用Amazon Q，把它当成一个非常懂亚马逊云知识的助手，通过这个知识库来加速对亚马逊云的了解，帮助快速找到对应文档、配置方法等。随后，在研发过程中，他们逐步开始使用Q Developer，通过集成在本地和云上的IDE来大幅提高开发和测试过程的效率。然而，前两个过程都存在局限性，因为当时的Amazon Q缺乏对外部环境上下文的理解，无法与外部环境直接交互，所以它只在部分业务场景中实现了局部加速。直到Amazon Q CLI的发布，满足了小数科技的期望，因为Q CLI可以通过命令行与外部环境交互。

在命令行中，由于Amazon Q本身可执行脚本，所以实现了AI代理最重要的两个功能:对外部环境的感知能力和使用工具的能力。一个实现了从外部到内部的信息流输入，让Amazon Q理解外部环境;另一个实现了从内部到外部的执行流输出，使代理控制外部环境。这一进一出将Amazon Q与外部世界联系在一起，大大扩展了这款生成式人工智能的能力边界。相比传统CLI工具，Amazon Q CLI提供了AI驱动的智能交互，可理解外部上下文，执行复杂任务，通过自然语言协助开发运维，大大提高了效率和灵活性。

官方统计显示，Amazon Q具有50%的代码接受率，同时小数科技最看重的是它内置托管的50多个数据连接器，对于Amazon Q理解企业内外部数据非常有用。基于Amazon Q强大的功能，小数科技认为它在跨云迁移场景也是非常好的助手，因此将Amazon Q引入到迁移场景中，希望它能帮助解决迁移过程中常见的问题，包括不同云上资源存在差异、配置参数也不一样，以及人工配置容易出错等。

探索的场景是:客户需求是将原先部署在某云平台香港区域的业务迁移到亚马逊云香港节点。客户原云上资源包含云主机、对象存储、RDS等，共同支撑一个用Flask开发的典型网站应用，前后端存储在云主机，数据库存储在RDS，静态数据存储在对象存储。本次迁移的目标是利用Amazon Q来提升整个迁移的效率，简化迁移过程，减少人工可能出现的各种问题。

整个迁移阶段与人工迁移一样，也分为四个主要阶段:原资源获取、迁移方案评估、自动化迁移、验证评估。不同的是，这四个阶段都利用了Amazon Q CLI这款强大的生成式人工智能工具来进行迁移。整个实现过程是通过Amazon Q CLI的Prompt，再加上各个云平台的SDK来实现的。

在探索之前，小数科技清晰地认识到一个问题，那就是大模型的能力相对于传统机器学习或基于规则编码能力，对任务的理解和泛化能力大大加强，但随之而来的问题是，它的推理过程的可解释性降低，存在随机性，容易出现幻觉等。所以为了规避这些问题，他们首先写了一份非常完整的迁移文档，以Markdown的方式呈现，来告诉并约束Amazon Q。

在整个迁移的过程中，首先是迁移的步骤:每一个步骤应该怎么做、标准动作是什么、每一个步骤的输出是什么样的、下一个步骤的输入又是怎样的，全部通过迁移文档来实现，来约束大模型的随机性问题。小数科技在文档中提前告诉了大模型本次迁移的目标、分解步骤，以及每一步需要做什么。后续的所有迁移阶段都是以这个Markdown文档为依据，告诉大模型该怎么去做，并将这些上下文和Prompt位给大模型。

下面详细介绍四个迁移阶段:

1.           原资源获取阶段:Amazon Q阅读了某云平台的API规范文档及获取密钥后，开始推理，写了一个脚本去获取原平台上对应的资源，并输出了JSON格式的资源配置文件。

2.           迁移方案评估阶段:除了需要通过自动化方式帮客户做迁移之外，还需要输出一些文书工作，如架构图、迁移方案等，以便与客户汇报。在这个阶段，小数科技使用Amazon Q CLI基于某云平台生成了详细的资源说明、迁移方案说明，以及Draw.io格式的架构图。Amazon Q能够理解某云和亚马逊云科技云资源之间的对应关系，并根据亚马逊云科技的最佳实践提供合理建议。

3.           自动化迁移阶段:以第一阶段输出的某云资源配置JSON文件为输入，通过提示词让Amazon Q CLI生成亚马逊云科技的CloudFormation模板。生成模板后，又通过Amazon Q CLI将生成的模板直接部署到亚马逊云上。在这个阶段，Amazon Q CLI还可以自己让自己Sleep 5分钟，过了5分钟后自动检查部署是否完成，展现出很高的智能性。

4.           验证评估阶段:部署完成后，通过提示词让Amazon Q CLI检查整个业务在亚马逊云香港节点的部署情况，包括各项亚马逊云科技资源是否正常创建、外部应用连接是否正常、数据库连接是否正常、存储资源是否已完全迁移到S3且可用等。当各项都正常后，再次利用Amazon Q CLI对基于亚马逊云科技的良好架构实践的六大支柱，对迁移后的整个应用进行评估，并生成评估结果，指导后续优化。

整个迁移的架构是:在亚马逊云上开通一台EC2作为控制器，部署了VSCode和Amazon Q CLI，并配置了原平台和亚马逊云香港节点的密钥，让它能够直接对这两个平台进行操作。

第一阶段，Amazon Q去学习了某云平台上的SDK和API，开始检查资源，生成了检查资源的脚本文件，最后输出配置JSON文件。第二阶段，利用内建的亚马逊云科技能力，输出了整个方案的评估、评估建议、迁移建议，同时输出方案文档，便于做文书工作。第三阶段，根据第一阶段输出的配置JSON文件，一对一对应输出迁移脚本文件，并利用该文件输出CloudFormation模板，最后通过CLI环境直接部署模板，协助输出报告。第四阶段，Amazon Q使用亚马逊云科技工具检查亚马逊云科技资源创建情况、应用和数据库连接情况、存储资源迁移情况等，并基于亚马逊云科技良好架构实践的六大支柱对迁移后应用进行评估，生成评估结果指导优化。后续还有录屏展示了Amazon Q在每个阶段的具体执行过程。

小数科技在探索中获得了以下成果:Amazon Q可自动获取原环境资源配置并格式化输出，因为它最初不太理解其他云平台的API、SDK和CLI，所以通过提供文档让它预先学习;根据资源配置自动生成架构图和迁移方案，减轻文书工作;根据资源配置自动生成目标环境CloudFormation模板;自动部署CloudFormation模板，生成亚马逊云科技端资源;帮助进行基于亚马逊云科技良好架构实践的评估。Amazon Q CLI还展现出很高的智能性，可自主Sleep等待部署完成后自动检查部署情况。

当然，探索也面临一些挑战:虽然通过大量SOP文档约束了大模型的随机化能力，但执行过程中仍出现了部分幻觉需要手工调整;部分脚本需要手工验证才能进一步操作;需要将原云和亚马逊云科技云的密钥暴露给Amazon Q，才能作为代理执行整个迁移过程。

综合来看，Amazon Q CLI为跨云迁移带来了革命性变化，不仅简化了技术复杂性，同时大大提高了工作效率，降低了人为错误风险。通过这个案例，可以看到生成式AI如何在云计算领域发挥实际价值，帮助企业管理多云环境。

随着各个云平台逐步发布自己的MCP服务，小数科技准备将MCP服务集成到Amazon Q CLI中，因为有了MCP服务后，就可以大大提高Amazon Q CLI对其他云平台的操作理解、提升资源操作的可解释性、透明性和可靠性，进一步释放Amazon Q在开发运维、架构设计等场景的价值。

最后，小数科技推出了AI搜索产品，可让大模型和AI代理实时获取外部互联网信息，有助于提升AI代理的上下文理解能力。

总的来说，本次分享介绍了Amazon Q及其在跨云迁移场景的应用实践，展示了生成式AI如何在云计算领域发挥实际价值，帮助企业管理多云环境。小数科技作为亚马逊云科技的合作伙伴，分享了他们利用Amazon Q CLI实现跨云迁移的探索过程，包括四个主要阶段:资源获取、方案评估、自动化迁移和验证评估。他们通过编写完整的迁移文档作为Prompt约束Amazon Q，规避了大模型的随机性和幻觉问题，最终实现了高效、安全的跨云业务迁移，并获得了一些成果和挑战。在探索中，Amazon Q CLI展现出很高的智能性，如能自主Sleep等待部署完成后自动检查部署情况等。未来，他们计划将各云平台的MCP服务集成到Amazon Q CLI中，以进一步提升其对其他云平台的理解和操作能力，释放Amazon Q在更多场景的价值。

下面是一些演讲现场的精彩瞬间：

Amazon Q CLI将集成多个云平台的MCP服务，提高对其他云平台资源操作的理解和可靠性。

总结

亚马逊云科技推出了强大的生成式人工智能助手Amazon Q，可助力跨云迁移。Amazon Q CLI通过命令行与外部环境交互，实现了对外部环境的感知和使用工具的能力，大大扩展了其边界。

本次探索利用Amazon Q CLI实现了从某云平台到亚马逊云香港节点的业务迁移。首先获取原云资源配置，生成JSON文件;其次根据配置生成迁移方案和架构图;再通过配置生成CloudFormation模板，自动部署到亚马逊云;最后进行Well-Architected评估，生成优化建议。整个过程自动化程度高，减少人工错误风险。

虽然仍存在一些挑战，如需约束大模型随机性、手工验证部分脚本等，但Amazon Q CLI为跨云迁移带来革命性变化，简化复杂性、提高效率。未来将集成其他云平台的MCP服务，进一步提升Amazon Q CLI的能力，释放其在开发运维、架构设计等场景的价值。

我们正处在Agentic AI爆发前夜。2025亚马逊云科技中国峰会提出，企业要从“成本优化”转向“创新驱动”，通过完善的数据战略和AI云服务，把握全球化机遇。亚马逊将投入1000亿美元在AI算力、云基础设施等领域，通过领先的技术实力和帮助“中国企业出海“和”服务中国客户创新“的丰富经验，助力企业在AI时代突破。