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

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)