← Financial Cloud Cloud Cloud Club · AWS Re:cap

極點宏觀|Financial Cloud Cloud · AWS Re:cap

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

講者: AWS re:Invent 2025

場次: 11

場次
Summit Dev Lounge2026 Re:cap
01 把架構寫成 Steering,引導 AI Agent
02 Agent Harness 才是真正的工程護城河
03 用白話詢問可觀測性資料
04 以 Bedrock AgentCore 打造 Serverless AR 遊戲
05 AgentCore 上的多 Agent 量化回測
06 三分鐘用 Kiro 把部落格變簡報
AWS Community Day Hong Kong 2025 Re:cap
02 使用 Terraform 實現 AWS 合規
03 從新手到開發者:一段精彩的 AWS 雲端旅程
04 以團隊為優先:使用 Laravel 與 Bref 進行無伺服器工程
05 活動開幕
06 Agent-to-Agent:在 AWS 上打造可互通的 AI
07 運用另一種遙測資料,透過 AI Agent 加速改善
08 告別 Vibe Coding:運用 Kiro 實踐規格驅動開發(Spec-Driven Development)
09 運用 MCP 與 AI 代理進行自動化測試
10 以 ML 驅動的方法實現電信安全現代化
11 重新思考 GenAI Agent:RAG 與 MCP
12 運用 TAK 與 AWS 進行災害及緊急應變
13 從測試角度重新思考 Serverless 應用程式工作流程
14 運用實務 AWS FinOps 邁向雲端成功
15 運用 AWS 打造 AI 驅動的全球 Pure-Alpha 宏觀交易:革新風險調整後資產報酬
FSI Recap
01 現代交易生命週期:從交易到結算
02 Goldman Sachs:透過 Fast Track 將應用程式移至雲端 - AWS Re:cap Q1/2023
03 Zurich Insurance Group:在 AWS 上建置有效的日誌管理解決方案
04 FSI Meetup 2025 Q4 - Brex 資料庫災難復原
05 FSI Meetup 2025 Q4 - Graviton 遷移成功案例
06 FSI Meetup 2025 Q4 - Stifel 現代化資料平台
07 FSI Meetup 2025 Q4 - PayPal 金融交易資料對帳器
08 FSI Meetup 2025 Q4 - 擴展韌性
09 最大化 AI 推論成本效益:策略性採用 AWS GPU 執行個體
10 進階代理式 AI 設計模式
11 在 AWS 上建置全新現代化應用程式
AWS re:Invent 2025
01 Coinbase re:Invent 回顧 (IND3312)
02 利用 AI 和 AWS 構建未來交易平臺
03 交易創新:Jefferies 在 Amazon Bedrock 上的 AI 助理 (IND3315)
04 FSI 如何運用代理式 AI 徹底改造 HFT 分析 (GBL302)
05 透過 Amazon Time Sync 改善分散式系統,Nasdaq 專題分享
06 Amazon Aurora HA 與 DR 的全球韌性設計模式 (DAT442)
07 建構代理式 AI:Amazon Nova Act 與 Strands Agents 實務應用 (DEV327)
08 深入探討 Amazon Aurora 及其創新 (DAT441)
09 深入探討 Amazon S3 (STG407)
10 Nasdaq:為全球金融服務打造具彈性的基礎設施(HMC327)
11 AWS Lambda 的最新功能 (CNS376)
12 使用 Kiro 進行規格驅動開發 (DEV314)
13 Amazon 的 FinOps:全球電子商務巨擘的雲端成本經驗 (AMZ308)
14 AWS 上的 Tick-to-trade 延遲交易平台
政務資料
01 The AI Era: The Boundary Between Development and Design Is Disappearing
02 裝置端多模態 AI 與智慧城市實踐
03 大模型能力評測與 AI 專案落地方法論
04 基於雲端代理的政府開發全鏈路受控自動化
05 從多智能體看 Agent 時代軟體新生態
06 AI 驅動的宏觀量化研究與智慧治理
07 公共數據授權營運與智慧政務實踐
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技術賦能心理健康公益:可信平台的治理、架構與實踐
Amarathon 2025 回顧
01 開發人員的代理架構設計路線圖
02 Amazon Bedrock 資料自動化
03 AgentCore 上的多代理
04 實務建置代理式 AI:Nova Act 與 Strands Agents
04 運用規格驅動開發,以 Kiro 加速移轉專案
06 從「比對」到「理解」:由 AgentCore Memory 驅動的個人化 AI 搜尋實踐
07 從觀察到最佳化:從 LLM 可觀測性邁向 AIOps,將即時洞察轉化為智慧自動化
08 部署 TEAM 並打造最佳工程團隊
09 五年來所謂無伺服器資料庫帶來的五個慘痛教訓
14 如果 AI 替我工作會怎樣:Q Developer CLI 與 Kiro 如何改變我的日常工作
16 兼顧速度與警覺:Amazon Bedrock Agent 開發的安全要點
26 在單張 H100 上執行 OSS LLM:更聰明、更便宜、更快速
28 現代化統一中繼資料架構:打破資料孤島的新方法
29 無伺服器 MediaOps:運用 Amazon Web Services 上的 AI 自動化影片工作流程
30 透過大規模效能測試建構兼具效率與可靠性的架構
31 透過開放原始碼連結世界:技術、社群與全球開發者關係的實踐歷程
33 建置串流 Iceberg 資料表以進行即時物流分析
34 加速大規模機器人策略訓練:以 Kiro、Trainium 與 EKS 為基礎的自動化閉環架構
35 透過規格驅動開發,從 Vibe 走向可行方案
36 讓雲端成本分析更智慧:使用 Strands 與 AgentCore 建置 FinOps 智慧 Agent
37 使用 CNCF Kagent、K8sGPT 與 Nova Sonic,轉型 K8s 對話式 Agentic AIOps

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

Lambda 的主要差異化優勢:速度

● 主要願景:為客戶與建置者提供速度

● 速度涵蓋程式碼產生以及整個交付週期

● 更快的交付能帶來更吸引人的應用程式與使用者回饋

● 應用程式預設即採用良好架構,能處理可擴展性、可用性與可靠性

● 主要優點:無須管理基礎設施,可減少維運並提升速度

發布項目分為 3 個群組

1 個新原語

● 推出 Lambda 的受管執行個體

2 個受管執行個體

● 心智模型:Lambda 在針尖型工作負載(流量大幅暴增)方面表現出色

● 對於穩定狀態流量,建置者會尋求最佳化效能與成本

● 可選擇運算執行個體、網路或記憶體,以最佳化效能

● 保留完整的監管作業與開發人員體驗

● 事件來源整合、修補、路由與擴展皆由 Lambda 處理

● 推出多重並行,以更有效率地處理請求

● 納入 EC2 的定價優惠(Savings Plans、Reserved Instances)以降低成本

最佳化

3 個容量供應者

● 額外要求:建立容量供應者

10.指定運算執行個體、記憶體執行個體或擴展設定檔的偏好

11.也可選擇讓 Lambda 做決定,並持續改善價格效能

使用案例與功能

● 穩定狀態應用程式:由 Lambda 順暢處理

● 針尖型暴增/流量管理:交由 Lambda 處理以提供功能

● 穩定狀態/普及使用:移至受管執行個體以進行最佳化

● 效能關鍵應用程式:提供專用執行個體

● 多種應用程式:媒體資料處理、Web 應用程式、事件驅動應用程式

● 法規要求:受管執行個體可設定運算區域偏好

租戶隔離功能

● 使用案例:需要隔離不同請求的情境

● 優點:傳遞唯一租戶 ID 或 JWT token,以取得乾淨且隔離的執行環境

● 改善:CICD 週期,並且不再需要自訂工具

預設即採用良好架構

● 價值主張:採用具有效能與安全性修正的最新程式語言

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

● 優點:提升開發人員生產力,並能安全、更快速地交付軟體

● 心智模型:在社群發布後 90 天內提供新的執行階段

其他功能與優點

執行階段升級

● 自動化修補:處理 Log4j 等漏洞

● 挑戰:函式數量龐大時,升級執行階段需要投入大量心力

● 解決方案:AWS Transform Custom(以生成式 AI 為基礎的升級)

● 優點:最多可減少 85% 的技術債,並順暢整合至開發週期

● Snapstart:

● 問題:函式初始化期間的冷啟動

● 解決方案:建立執行環境快照,讓後續叫用更快速

● 優點:縮短冷啟動時間,不需要變更程式碼或自訂工具

● Fault Injection Service (FIS) 整合:

● 用途:測試應用程式在壓力條件下的韌性

● 功能:指定延遲增加或下游服務無法使用等條件

● 優點:協助規劃並預防服務中斷,提高對正式環境情境的信心

● 改善的可觀測性:

● 挑戰:無法掌握事件來源輪詢機制

● 解決方案:啟用額外的 CloudWatch 指標,用於計數、日誌與節流

● 優點:立即偵測問題並縮短解決時間,無須自訂工具

AWS Transform custom

由 AWS 管理、開箱即用的轉換,是預先建置且經 AWS 審查的轉換

適用於常見的升級情境。這些轉換無須任何額外設定即可使用。

目前可用的轉換

● Java 8 至 17 遷移(適用於 Gradle 與 Maven)

● Node.js 12 至 22 升級(包括 Lambda 環境)

● Python 執行階段更新至 3.11/3.12/3.13(標準與 Lambda)

● AWS SDK 遷移(v1 至 v2)

● 主要特性:

● 經 AWS 驗證 - 這些轉換已由 AWS 審查,確保高品質

● 可直接使用 - 無須額外設定

● 持續增加 - 持續新增其他轉換

● 可自訂 - 可使用符合貴組織需求的特定規則強化預先建置的轉換(例如,新增處理內部程式庫或程式碼標準的規則)

● 實驗性支援 - 某些轉換在進一步測試期間可能標示為實驗性

其他功能與優點

其他 CloudWatch 指標

● 問題:無法掌握事件來源輪詢機制(Kafka、SQS)

● 解決方案:啟用額外指標,用於 polar 計數、延遲與節流

● 優點:立即偵測問題並縮短解決時間,無須自訂工具

● 支援 Avro 格式的 Schema Registry:

● 問題:建置者必須手動加入 Avro 序列化/還原序列化的樣板程式碼

● 解決方案:新增自動序列化與還原序列化 Avro 事件的功能

● 優點:程式碼更少、錯誤更少、支援結構描述演進,無須自訂工具

● SQS 的佈建模式:

● 問題:客戶需要更快速地擴展,並控制輪詢的並行

● 解決方案:佈建模式可預先暖機容量,以立即處理流量暴增

● 優點:消除流量暴增期間的延遲、協助達成 SLA、最佳化成本,無須自訂工具

● 加速開發人員:

● 目標:協助開發人員更快速地交付軟體

● 開發人員偏好:完成初步主控台測試後,在本機/IDE 中進行開發

● 重點:簡化開發流程以縮短上市時間

加速開發週期的功能

從主控台順暢轉移至 IDE

● 功能:按一下即可在主控台建置最基本的應用程式

● 優點:封裝相依性、在本機 IDE 中啟用,以便立即撰寫程式碼,無須手動作業

● 使用 LocalStack 進行本機測試:

● 合作夥伴:LocalStack 模擬 AWS 服務(儲存、資料庫、網路)

● 優點:完全在本機離線開發與測試,能更快速地反覆調整商業邏輯,無須自訂工具

● 遠端偵錯:

● 功能:按兩下即可啟用檢查點/中斷點

● 優點:程式碼在正式環境執行時,可在本機分析變數與原始程式碼,測試 IAM 政策、角色、資料庫連線、VPC 與網路設定,無須自訂工具

● 最佳實務 MCP Server:

● 功能:內建最佳實務(輸入驗證、錯誤處理、狀態碼)

● 優點:產生品質更好且一致的程式碼、減少程式碼審查週期、加快開發速度

● 支援:Web 應用程式與事件驅動應用程式(Kafka 觸發程序、事件驅動架構)