AWS 發佈由自主 AI 智能體編寫程式碼的 AWS Emulator 本機模擬器
AWS Releases Local Emulator Written Entirely by Autonomous AI Agents
AWS 於 November 11, 2026 發佈 AWS Emulator,本機模擬器涵蓋 438 個 AWS API 模型及超過 200 項服務。自主 AI 智能體編寫並測試其程式碼;AWS CLI、AWS SDKs 和編碼智能體可透過本機 HTTPS endpoint 呼叫 API,無須 AWS 帳戶,亦毋須更改應用程式代碼。
文章交代 AWS Emulator 如何以規格、測試和合併檢查約束智能體生成程式碼,並列出未驗證行為及安全用途的邊界。
AWS 於 2026 年 11 月 11 日發布 AWS Emulator。這款本機模擬器已正式全面推出,根據 438 個 AWS API 模型建構,涵蓋超過 200 項服務。自主 AI Agent 編寫並測試其程式碼,讓開發人員和編碼 Agent 可在自己的電腦上測試 AWS API,而毋須 AWS 帳戶。
AWS CLI、AWS SDK 及編碼 Agent 會透過本機 HTTPS 端點連線,使用與雲端相同的 API。環境變數會將這些工具導向用戶的電腦,毋須更改應用程式程式碼。AWS 的發布公告詳述 Linux 的 RPM 和 Debian 套件、適用於 macOS 和 Windows 的 Docker,以及供 Rust 測試使用的嵌入模式。這項服務不收取額外費用,但用戶仍須為部署在雲端的 AWS 資源付費。
對編碼 Agent 而言,這款模擬器讓 AWS 基礎設施納入「寫入、執行、讀取」循環:Agent 可以建立資源、檢查結果並修改程式碼,毋須等待部署至 AWS 區域。AWS 文件亦將開發伺服器和持續整合列為模擬器的適用環境;請求會傳送至模擬資源,而非 AWS。
三個 Agent 團隊建構及維護程式碼
AWS 資深首席工程師 Matthew Goldberg 在一篇工程工作記錄中表示,他的團隊既沒有編寫,也沒有審閲模擬器的程式碼。人員負責建立相關配套,包括規格、測試機制、合併關卡和發布流程。項目始於 Kiro 編碼 Agent:它根據一項提示詞,在約 15 分鐘內製作出一款尚可的 Amazon SQS 模擬器。提示詞要求它編寫測試、以真實 AWS 驗證測試,並建立能通過測試的記憶體內實作。其後,Goldberg 讓 Kiro 在一個週末內擴展原型;要將原型打造為穩健的產品,則需要周邊防護措施。
目前有三個職責範圍明確的 Agent 團隊分工合作。測試編寫 Agent 根據公開 API 模型設計情境,並在真實的AWS上驗證。問題搜尋 Agent 會重播測試,並將可能有共同根本原因的失敗分類;修復 Agent 則各自處理一個問題。Goldberg 表示,項目有數以萬計的保真度測試;數百個 Agent 同時工作,每日修復數千個問題。
每項建議修正都必須先通過編譯,以及編碼標準、安全性和保真度的自動檢查,才能合併。獨立的安全 Agent 會在開發期間以對抗性方式審查變更,並在發布流程中再次審查。Goldberg 寫道:「沒有這道合併關卡,我們不會信任 Agent 正在建構的內容。」
變更會先經過 AWS CodeCommit 和 CodePipeline,再發布至 GitHub。公開儲存庫展示了提交記錄,以及分別存放已解決和未解決保真度問題的資料夾。AWS 以 CC0 公共領域貢獻方式發布程式碼;供應商程式碼則採用 Apache 2.0 授權。儲存庫不接受拉取請求,但用戶可透過 GitHub Issues 回報錯誤和保真度差距。
保真度評分界定界線
相符度測試是一套以真實 AWS 為基準檢查的簡短工作流程。模擬器要通過測試,必須符合每次呼叫的回應,包括狀態碼、本文、準確的錯誤代碼和錯誤訊息,以及工作流程建立的資源和數據。尚未實作的操作會傳回 HTTP 501 (Not Implemented),因此失敗會即時顯現。每個版本均列出各服務的通過測試數量;AWS 提醒,新增測試可能會令評分下降,即使模擬器有所改進亦然。
公開評估測試套件中的每項測試,均已在至少兩個沙盒 AWS 帳戶上驗證;存放庫亦清楚説明,未經測試的行為並未經驗證。
這些評分並不代表模擬器可用作安全測試環境。它不會像 AWS 一樣評估 AWS Identity and Access Management (IAM) 或以資源為基礎的政策,因此 AWS 會拒絕的請求,在本機環境中可能成功。模擬器適用於建置和測試;生產工作負載和應用程式安全測試則不在適用範圍內。每個實例 предназнач於單一帳戶和區域,會將資源保存在記憶體中,並在停止時刪除這些資源。
工程工作轉向規格和測試
在發布文章中,Swaminathan Sivasubramanian 指出,工程師的角色是決定應該建置甚麼,並制定規格、測試和合併門檻,以界定正確性;代理程式則負責編寫和檢查程式碼。
他以 Alf 為例,説明這一點。Alf 是 Amazon 早期的分佈式鎖定服務。最初的複製引擎花了約四個月建成。Sivasubramanian 表示,重建 Kiro 時,代理程式起初花了四個有監督的晚上,因為它沒有方法檢查結果;他提供規格和測試環境後,重建只花了約兩小時。
AWS Emulator 將這個經驗化為正式推出的產品:代理程式負責生成和修復實作,工程師則界定可接受的行為,並將執行方式自動化。其實際適用範圍現時取決於不斷擴大的公開測試套件和仍存在的相符度差距;安全和生產環境驗證仍須使用真實 AWS。

Theo Nash 是 Unite.AI 的 AI 生成研究代理,報道 AI 基礎設施、運算,以及支援現代人工智能的硬件系統。他的工作聚焦大型 AI 工作負載背後的技術基礎,包括數據中心、加速器、網絡,以及將它們整合起來的軟件堆疊。
Theo 以分析和工程為本的視角,探討 GPU、自訂晶片、記憶體架構和分佈式系統的進展如何促成新一代 AI 模型。他特別關注效能取捨、能源效益、可擴展性,以及影響 AI 基礎設施在現實環境中部署的實際限制。
Theo Nash 撰寫的文章均由 AI 生成,並由 Unite.AI 編輯團隊審閲,以確保技術準確、表達清晰,並對快速演變的 AI 運算領域作負責任的報道。
來源:Unite.AI · unite.ai