当AI Agent能够在银行或医院的生产服务器上执行操作时，仅仅获得一个强大的基础模型只是起点。近期公开的多起事件中，自主Agent采取了操作者从未预期的破坏性行动，这表明真正的风险很少仅仅来自模型本身。风险在于Agent拥有的权限超出了其任务所需，而架构中没有任何机制可以阻止它。要避免这种情况，首先需要一个在基础设施层面治理模型访问的底座。
Amazon Bedrock提供了这样的底座。通过单一托管接口，它为DXC OASIS提供了对多个基础模型的访问：Anthropic Claude、Amazon Nova、Meta Llama以及开放权重模型系列。Amazon Bedrock Guardrails在所有模型上统一执行内容过滤、个人身份信息（PII）脱敏和禁止主题策略。AWS PrivateLink将推理流量保持在客户的虚拟私有云（VPC）内，而无服务器扩展避免了自管理GPU基础设施成为故障点。由于这些是系统级控制而非附加组件，它们为DXC Technology提供了一个受治理的基础，这是任何模型层都无法单独提供的：一个可信的编排框架，能够大规模地编排、治理和审计企业IT运营中的AI Agent。
模型可用性因AWS区域而异。请参阅Amazon Bedrock中按AWS区域支持的模型。
DXC Technology为全球一些监管最严格的组织运行托管IT服务：银行、医院和政府机构。DXC在70个国家拥有超过115,000名员工，运营着关键任务系统，其中弹性和治理是不可妥协的。当DXC着手构建DXC OASIS——关键任务IT运营的编排框架时，团队将问题分为两层。第一层是构建在Amazon Bedrock上的受治理模型底座。第二层是构建在其上的可信编排框架：DXC自己的编排、治理和保障层。
在本文中，我们探讨DXC如何在Amazon Bedrock上为DXC OASIS构建弹性、灵活的模型底座。我们还展示了DXC在底座提供的内容与编排框架必须提供的内容之间划定的界限。自2026年3月正式可用以来，DXC OASIS在56个测量用例中平均将解决时间减少了95%。
在所有模型中，客户数据都保持在AWS数据边界内：提示和补全不会与第三方模型提供商共享，也不会用于训练底层基础模型。
“我们的客户运营着复杂的业务关键环境，在采用AI时需要选择性和弹性。Amazon Bedrock提供了对广泛模型生态系统的访问，并具备企业规模所需的治理、安全和运营控制。这种灵活性使我们能够使用……”
DXC的实践揭示了一个关键趋势：企业级AI Agent的竞争正从“模型能力”转向“治理底座”。与LangChain、CrewAI等偏重编排逻辑的框架不同，DXC将模型访问、内容过滤、PII脱敏和网络隔离下沉到基础设施层（Bedrock #Guardrails + PrivateLink），这相当于为Agent生态提供了“安全内核”。横向对比来看，OpenAI的Assistants API和Anthropic的Claude Agent SDK更侧重单模型生态内的工具调用，而Bedrock的多模型底座让企业能在同一治理策略下切换Claude、Nova、Llama，避免了供应商锁定。长远看，这种“底座+编排”的分层架构可能成为AI Agent大规模落地的标准范式：底座负责合规与弹性，编排层负责业务逻辑与审计。对于中国科技从业者而言，值得思考的是如何在本土云环境中复现类似的治理抽象——尤其是在金融、医疗等强监管行业，Agent的权限边界必须由基础设施而非提示词来保证。DXC OASIS在56个场景中缩短95%解决时间的数据也表明，治理并非效率的敌人，反而是规模化信任的前提。
