← Financial Cloud Cloud Cloud Club · AWS Re:cap

极点宏观|Financial Cloud Cloud · AWS Re:cap

AWS Re:cap 11: AWS Lambda 新功能 (CNS376)

讲者: AWS re:Invent 2025

场次: 11

场次
Summit Dev Lounge2026 Re:cap
01 把架构写成 Steering,引导 AI Agent
Summit Dev Lounge2026 Re:cap
02 Agent Harness 才是真正的工程护城河
Summit Dev Lounge2026 Re:cap
03 用白话询问可观测性数据
Summit Dev Lounge2026 Re:cap
04 以 Bedrock AgentCore 打造 Serverless AR 游戏
Summit Dev Lounge2026 Re:cap
05 AgentCore 上的多 Agent 量化回测
Summit Dev Lounge2026 Re:cap
06 三分钟用 Kiro 把博客变成幻灯片
Summit Dev Lounge2026 Re:cap
AWS Community Day Hong Kong 2025 Re:cap
02 使用 Terraform 实现 AWS 合规
AWS Community Day Hong Kong 2025 Re:cap
03 从初学者到构建者:一段精彩的 AWS 云之旅
AWS Community Day Hong Kong 2025 Re:cap
04 以团队为先:使用 Laravel 与 Bref 开展无服务器工程
AWS Community Day Hong Kong 2025 Re:cap
05 活动开幕式
AWS Community Day Hong Kong 2025 Re:cap
06 智能体到智能体:在 AWS 上构建可互操作的 AI
AWS Community Day Hong Kong 2025 Re:cap
07 利用另一类遥测数据,借助 AI 智能体更快改进
AWS Community Day Hong Kong 2025 Re:cap
08 告别氛围编程:使用 Kiro 进行规格驱动开发
AWS Community Day Hong Kong 2025 Re:cap
09 使用 MCP 与 AI 智能体进行自动化测试
AWS Community Day Hong Kong 2025 Re:cap
10 使用机器学习方法实现电信安全现代化
AWS Community Day Hong Kong 2025 Re:cap
11 重新思考生成式 AI 智能体:RAG 与 MCP
AWS Community Day Hong Kong 2025 Re:cap
12 使用 TAK 和 AWS 开展灾难与应急响应
AWS Community Day Hong Kong 2025 Re:cap
13 从测试视角重新思考无服务器应用程序工作流
AWS Community Day Hong Kong 2025 Re:cap
14 Practical AWS FinOps for Cloud Success
AWS Community Day Hong Kong 2025 Re:cap
15 基于 AWS 的 AI 驱动全球纯 Alpha 宏观交易:重塑风险调整后资产收益
AWS Community Day Hong Kong 2025 Re:cap
FSI Recap
01 现代交易生命周期:从交易到结算
FSI Recap
02 Goldman Sachs:通过 Fast Track 加速应用程序上云 - AWS Re:cap Q1/2023
FSI Recap
03 Zurich Insurance Group:在 AWS 上构建高效的日志管理解决方案
FSI Recap
04 FSI Meetup 2025 年第四季度 - Brex 数据库灾难恢复
FSI Recap
05 FSI Meetup 2025 Q4 - Graviton 迁移成功案例
FSI Recap
06 FSI Meetup 2025 Q4 - Stifel 现代数据平台
FSI Recap
07 FSI Meetup 2025 Q4 - PayPal 金融交易数据对账系统
FSI Recap
08 FSI Meetup 2025 Q4 - 规模化提升韧性
FSI Recap
09 最大限度提高 AI 推理成本效益:战略性采用 AWS GPU 实例
FSI Recap
10 高级智能体 AI 设计模式
FSI Recap
11 在 AWS 上构建全新的现代化应用
FSI Recap
AWS re:Invent 2025
01 Coinbase re:Invent 回顾 (IND3312)
AWS re:Invent 2025
02 利用 AI 和 AWS 构建未来交易平台
AWS re:Invent 2025
03 交易创新:Jefferies 基于 Amazon Bedrock 构建的 AI 助手 (IND3315)
AWS re:Invent 2025
04 FSI 如何通过 Agentic AI (GBL302) 彻底改变 HFT 分析
AWS re:Invent 2025
05 使用 Amazon Time Sync 改进分布式系统(采用 Nasdaq)
AWS re:Invent 2025
06 Amazon Aurora HA 和 DR 全球弹性设计模式 (DAT442)
AWS re:Invent 2025
07 构建智能体式 AI:Amazon Nova Act 与 Strands Agents 实践 (DEV327)
AWS re:Invent 2025
08 深入探讨 Amazon Aurora 及其创新 (DAT441)
AWS re:Invent 2025
09 深入探讨 Amazon S3(STG407)
AWS re:Invent 2025
10 Nasdaq:为全球金融服务构建弹性基础设施 (HMC327)
AWS re:Invent 2025
11 AWS Lambda 新功能 (CNS376)
AWS re:Invent 2025
12 使用 Kiro 进行规范驱动开发 (DEV314)
AWS re:Invent 2025
13 Amazon 的 FinOps:全球电商巨头的云成本管理经验 (AMZ308)
AWS re:Invent 2025
14 AWS 上交易平台的 Tick-to-Trade 延迟
AWS re:Invent 2025
政务数据
01 The AI Era: The Boundary Between Development and Design Is Disappearing
政务数据
02 端侧多模态 AI 与智慧城市实践
政务数据
03 大模型能力评测与 AI 项目落地方法论
政务数据
04 基于云代理的政府开发全链路受控自动化
政务数据
05 从多智能体看 Agent 时代软件新生态
政务数据
06 AI 驱动的宏观量化研究与智慧治理
政务数据
07 公共数据授权运营与智慧政务实践
政务数据
08 数据资产化落地实践:确权合规、工程治理与数字政府案例
政务数据
09 AI技术赋能心理健康公益:可信平台的治理、架构与实践
政务数据
Amarathon 2025 回顾
01 开发者的智能体架构设计路线图
Donnie Prakoso
02 Amazon Bedrock 数据自动化
Hafiz Syed Ashir Hassan
03 AgentCore 上的多智能体
Tan Xin
04 实践中构建智能体式 AI:Nova Act 与 Strands Agents
Haowen Huang
04 使用规格驱动开发,通过 Kiro 加速迁移项目
Sanchit Dilip Jain
06 从「匹配」到「理解」:由 AgentCore Memory 驱动的个性化 AI 搜索实践
Liu Cao
07 从观察到优化:从 LLM 可观测性迈向 AIOps,将实时洞察转化为智慧自动化
Jimmy Soh
08 部署 TEAM 并打造最佳工程团队
Yuji Oshima
09 五年来所谓无服务器数据库带来的五个惨痛教训
Renato Losio
14 如果 AI 替我工作会怎样:Q Developer CLI 与 Kiro 如何改变我的日常工作
Miguel Angel Muñoz
16 兼顾速度与警觉:Amazon Bedrock Agent 开发的安全要点
Brian Tarbox
26 在单张 H100 上运行 OSS LLM:更智能、更便宜、更快速
Adit Modi Adit Modi
28 现代统一元数据架构:打破数据孤岛的新方法
Shaofeng Shi
29 无服务器 MediaOps:使用 Amazon Web Services 上的 AI 自动化视频工作流
Luis Valdivia
30 通过大规模性能测试构建兼具效率与可靠性的架构
Luis Guirigay
31 通过开源连接世界:技术、社区与全球开发者关系的实践历程
Richard Lin
33 构建流式 Iceberg 表以进行实时物流分析
Fahad Shah
34 加速大规模机器人策略训练:基于 Kiro、Trainium 和 EKS 的自动化闭环架构
Junjie Tang
35 通过规格驱动开发,从 Vibe 走向可行方案
Ricardo Sueiras
36 让云成本分析更智能:使用 Strands 和 AgentCore 构建 FinOps 智能体
Xiaofei Li
37 使用 CNCF Kagent、K8sGPT 和 Nova Sonic 转型 K8s 对话式智能体 AIOps
Shaoyi Li

视频: https://www.youtube.com/watch?v=Ce9lJzpHBJ0

Lambda 的关键差异化优势:速度

● 主要愿景:为客户和构建者提供速度

● 速度涵盖代码生成和整个交付周期

● 更快的交付会带来更具吸引力的应用程序和更多用户反馈

● 应用程序默认遵循良好架构,能够处理可扩展性、可用性和可靠性

● 主要优势:无需管理基础设施,从而减少运维工作并提高速度

发布内容分为 3 组

1 新原语

● 引入 Lambda 托管实例

2 托管实例

● 心智模型:Lambda 在尖峰型工作负载(流量急剧攀升)中表现出色

● 对于稳态流量,构建者会寻求优化性能和成本

● 允许选择计算实例、网络或内存以优化性能

● 保留完整的监控运维能力和开发者体验

● 事件源集成、补丁、路由和扩展均由 Lambda 处理

● 引入多并发,以更高效地处理请求

● 纳入 EC2 的定价优惠(Savings Plans、Reserved Instances),以实现成本

优化

3 容量提供程序

● 额外要求:创建容量提供程序

10.指定对计算实例、内存实例或扩展配置文件的偏好

11.也可以让 Lambda 进行选择,并持续提升性价比

使用案例和功能

● 稳态应用程序:由 Lambda 无缝处理

● 尖峰突发/流量管理:留给 Lambda 处理,以获得相应功能

● 稳态/高人气场景:迁移到托管实例进行优化

● 性能关键型应用程序:提供专用实例

● 各类应用程序:媒体数据处理、Web 应用程序、事件驱动型应用程序

● 监管要求:托管实例允许设置对计算区域的偏好

租户隔离功能

● 使用案例:请求之间需要隔离的场景

● 优势:传入唯一租户 ID 或 JWT 令牌,以获得干净、隔离的执行环境

● 改进:改善 CICD 周期,并消除对定制工具的需要

默认遵循良好架构

● 价值主张:提供包含性能和安全修复的最新编程语言

● 最近新增:Python 3.14、Java 2.5、Node.js 24

● 优势:提高开发者生产力,并支持安全、更快速地交付软件

● 心智模型:在社区发布后的 90 天内提供新运行时

其他功能和优势

运行时升级

● 自动补丁:处理 Log4j 等漏洞

● 挑战:当函数数量很多时,升级运行时需要大量工作

● 解决方案:AWS Transform Custom(基于生成式 AI 的升级)

● 优势:将技术债务最多减少 85%,无缝集成到开发周期中。

● Snapstart:

● 问题:函数初始化期间的冷启动

● 解决方案:为执行环境创建快照,加快后续调用

● 优势:缩短冷启动时间,无需更改代码或使用定制工具。

● Fault Injection Service (FIS) 集成:

● 目的:测试应用程序在压力条件下的弹性

● 功能:指定延迟增加或下游服务不可用等条件

● 优势:帮助规划并防止停机,增强对生产场景的信心。

● 改进可观测性:

● 挑战:无法了解事件源轮询机制

● 解决方案:启用其他 CloudWatch 指标,用于统计计数、日志和限流

● 优势:即时发现问题并缩短解决时间,无需使用定制工具

AWS Transform custom

由 AWS 管理、开箱即用的转换,这些转换针对常见升级场景预先构建并经过 AWS 审查。

无需任何额外设置即可使用。

当前可用的转换

● Java 8 到 17 迁移(同时适用于 Gradle 和 Maven)

● Node.js 12 到 22 升级(包括 Lambda 环境)

● Python 运行时更新至 3.11/3.12/3.13(标准环境和 Lambda)

● AWS SDK 迁移(v1 到 v2)。

● 主要特征:

● 经 AWS 验证——这些转换经过 AWS 审查,质量很高

● 随时可用——无需额外设置

● 持续扩充——不断添加更多转换

● 可定制——可以使用组织特定的规则增强预构建转换(例如,添加处理内部库或编码标准的规则)

● 实验性支持——某些转换在接受进一步测试期间可能会被标记为实验性

其他功能和优势

其他 CloudWatch 指标

● 问题:无法了解事件源轮询机制(Kafka、SQS)

● 解决方案:启用其他指标,用于统计轮询次数、延迟和限流

● 优势:即时发现问题并缩短解决时间,无需使用定制工具。

● Avro 格式的 Schema Registry 支持:

● 问题:构建者必须手动添加 Avro 序列化/反序列化的样板代码

● 解决方案:添加自动序列化和反序列化 Avro 事件的能力

● 优势:代码更少、错误更少、支持 schema 演进,无需使用定制工具。

● SQS Provision Mode:

● 问题:客户需要更快扩展,并控制轮询并发

● 解决方案:Provision Mode 允许预热容量,以立即处理流量峰值

● 优势:消除峰值期间的延迟,帮助满足 SLA,优化成本,无需使用定制工具。

● 加速开发者:

● 目标:帮助开发者更快交付软件

● 开发者偏好:在控制台进行初始测试后,在本地计算机/IDE 中开发

● 重点:简化开发流程,缩短产品上市时间

加速开发周期的功能

从控制台无缝过渡到 IDE

● 功能:单击即可在控制台上构建最简应用程序

● 优势:打包依赖项,并在本地 IDE 中启用项目,无需手动操作即可立即编码。

● 使用 LocalStack 进行本地测试:

● 合作伙伴:LocalStack 模拟 AWS 服务(存储、数据库、网络)

● 优势:完全在本地计算机上离线开发和测试,从而更快迭代业务逻辑,无需使用定制工具。

● 远程调试:

● 功能:单击两次即可启用检查点/断点

● 优势:代码在生产环境中运行时,可在本地分析变量和源代码,测试 IAM 策略、角色、数据库连接、VPC 和网络配置,无需使用定制工具。

● 最佳实践 MCP Server:

● 功能:内置最佳实践(输入验证、错误处理、状态代码)

● 优势:生成质量更高、更一致的代码,减少代码审查周期并加快开发速度

● 支持:Web 应用程序和事件驱动型应用程序(Kafka 触发器、事件驱动型架构)