服务对象与地域限制
PuppyIP 仅面向海外合规企业及其授权人员提供服务，不面向中国大陆地区开放或提供代理服务。本服务仅限用于中国大陆境外的合法业务活动，严禁在中国大陆境内使用本服务。
代理 IP 或服务器位于境外，不改变上述限制。不得通过中转、转接、共享或转售向中国大陆境内的最终使用者提供本服务。使用前请阅读用户服务协议。
本文要点
- 10月13日公告把AWS AI/ML skill纳入统一工具包，覆盖推理优化、模型定制、训练、MLflow、JumpStart和处理任务。它是任务指导，不是一款新模型。
- 本地路径可按官方博客准备AWS CLI 2.35+与uv，再配置Toolkit并添加aws-ai-ml。只支持MCP，不自动证明客户端能读取本地skills。
- Studio路径要核对新的Private JupyterLab space与包含该技能的镜像；预装公告不保证所有旧空间、镜像或地区自动具备。
- 技能无额外收费不等于压测免费。当前README推荐Toolkit接替旧工具，同时明确AWS Labs工具继续工作；没有强制停用日期或通用升级命令。
这次变的是技能入口和覆盖范围
AWS于2026年10月13日宣布，aws-ai-ml成为Agent Toolkit for AWS的核心skill，可与EC2、Bedrock等技能一起使用。这里的skill是一组供Agent按任务读取的指令和参考资料；它帮助现有编码Agent处理云端工作，不是另外发布一个模型。
公告列出的SageMaker AI覆盖包括推理优化、模型定制、传统机器学习与生成式AI训练、MLflow实验追踪、JumpStart模型部署及推荐，以及托管计算上的数据准备和ETL处理。具体动作仍取决于所用工具、账户权限和目标资源。
10月5日的官方博客已经介绍推理优化技能的安装与基准测试流程；10月13日公告说明统一入口和扩展覆盖。两者是同一条技能进展的不同资料，不能把旧博客中的性能例子当成这次新增的实测收益。
旧AWS Labs工具需要马上停用吗？
公告把Toolkit称为单一、受支持的集成入口，接替此前AWS Labs技能和插件。当前官方README同时明确：AWS Labs的MCP服务器、skills和插件会继续工作并接受贡献，优秀能力会逐步转入Toolkit。
所以可以把Toolkit作为新配置的推荐入口，不能据此宣布旧工具已经关闭或必须当天迁移。现有工作流应先核对所用工具与需要的能力，再决定替换；资料没有给出统一截止日或自动迁移承诺。
本地安装：先提供技能，再核对实际权限
第一步，按10月5日博客的CLI路径准备AWS CLI 2.35+与uv，再查看当前README中对应Agent的设置。README列出Claude Code、Codex、Cursor、Kiro和fx，但没有提供涵盖所有客户端版本、系统和地区的保证。
第二步，官方博客给出的工具包配置命令是aws configure agent-toolkit。该路径用于发现Agent、安装技能并配置AWS MCP Server；客户端专属设置仍按README处理，不把一种插件安装方式照搬给所有Agent。
第三步，博客明确给出目标技能安装命令：npx skills add aws/agent-toolkit-for-aws/skills/aws-ai-ml。然后在Agent中询问可用技能，确认aws-ai-ml可被发现，再开始具体任务。本文只转述安装步骤，没有执行命令或验证任何账户。
MCP是Agent与外部工具通信的接口；本地skills则是客户端从文件读取的任务指导。当前README把二者分开：本地技能不依赖MCP服务器，服务器也不提供已安装的本地技能文件。真正调用AWS API或执行云端脚本时，仍需要已配置且获得相应授权的账户凭据。
Studio预装要匹配新的Private空间和镜像
10月13日公告说明技能预装于SageMaker Studio JupyterLab。更具体的10月5日流程要求：在目标账户和AWS Region进入Studio，创建新的JupyterLab space，保持Private共享设置，并选择包含推理优化技能的预配置镜像。
博客提醒，复用已经本地修改过技能的旧空间，可能无法采用预配置镜像；技能同步还要求Private空间。不要把“Studio有预装”理解成任意已有空间、共享空间或镜像都已自动更新。
空间启动后，再按所用编码Agent完成身份授权并检查可用技能。官方示例使用Kiro，示例里的登录参数和Region不是所有客户的资格清单；按你已有的身份提供方、账户策略和目标区域核对。
技能免费，执行和遗留资源仍可能收费
公告明确技能不收额外费用，使用的AWS资源仍照常计费。推理优化博客还说明，基准测试会向真实endpoint发送流量；运行前应确认目标端点允许这种负载，并审核生成的SageMaker Python SDK v3代码、预算和资源范围。
以下是未执行的假设例子：团队想比较两种实例配置。先让Agent整理所需输入和候选测试代码，再决定是否授权在指定端点上运行。比较时固定模型与负载，读延迟、吞吐和成本；代码已生成或结果较快，都不自动证明生产效果或费用下降。
结束后，只清理由本次任务创建且确认不再需要的资源。官方博客列出测试端点、JupyterLab space和S3中的基准测试或推荐结果；先确认保留需求和资源归属，再删除或停止，避免把仍在使用的工作资源当成测试残留。
先确认能发现技能，再确认能完成任务
核对顺序可以分成三层：Agent是否读到aws-ai-ml；需要的工具是否配置正确；账户是否允许对指定资源执行计划中的动作。安装成功只回答第一部分，不能代替API权限、配额、容量和实际输出检查。
这次资料没有列出所有Region、账户方案、客户端最低版本或一条通用技能更新命令。先以当前官方README和你选择的操作路径为准，把缺失条件逐项核对；不要从示例Region、旧Studio界面的地区列表或一次插件安装推定全部可用。
资料来源
常见问题
只查AWS文档或发现技能，也必须配置账户凭据吗？
当前README区分这两类用途：文档搜索与技能发现不要求账户凭据，AWS API调用和脚本执行需要本地配置且具有相应授权的账户。能读文档不代表可以创建端点或训练任务。
装了aws-core插件，就一定已经装好aws-ai-ml吗？
不能从本次读取的README直接确认这个具体打包关系。README说明插件组合MCP配置与skills，但本文没有逐个检查插件包内文件。按目标技能的明确安装路径提供aws-ai-ml，并核对发现结果。
已经装过旧技能，应该运行哪个更新命令？
本次资料没有给出经过核实的通用aws-ai-ml更新命令。README中的Claude marketplace索引刷新用于解决Plugin not found，不等于所有技能升级。不要把再次添加技能或重新配置Toolkit说成保证保留配置的通用更新流程。
能沿用旧Studio推理推荐界面的七个Region清单吗？
不能直接沿用。那份清单对应此前的Studio界面能力，不是本次Toolkit、MCP与技能操作的完整地区范围。核对当前目标服务、账户和Region；示例中的区域值也不是可用地区清单。