亚马逊工程师在公司规模最大的内部工单系统，使用自研 Strands Decider 决策模型替换原本的 Claude Sonnet 4.6，任务效果基本持平，但 Token 相关成本直接下降 98%，折算全年可以省下数百万美元支出，这是大模型落地中，针对简单决策任务做模型分层降本的典型案例。这套系统原本依靠 Anthropic Claude Sonnet 4.6 做工单标签分类，Sonnet 4.6 上下文窗口可达 100 万 token，擅长长文本、复杂推理与多步骤智能体任务，能力足够强，但在工单分类这种相对固定的判定场景下算力冗余严重，海量调用带来高额 Token 账单。Strands Decider 属于轻量化专用决策模型，专门面向分类、判定这类结构化选择任务，不做通用大模型的复杂推理，只输出固定 JSON 决策结果，在工单打标签任务上精度与 Sonnet 4.6 相当，单价仅为 Sonnet 4.6 的约 1/44；同时 Lambda 函数单次任务运行时长缩短，进一步降低配套计算开销。项目团队在测试时还发现一个细节：输入 JSON 字段顺序会轻微影响模型输出概率，因此上线前统一规范入参结构，保证判定结果稳定。该方案不是否定通用大模型，而是落地分层策略：复杂工单交给强推理大模型，简单分类判定交给轻量化专用决策模型，削减不必要的模型能力开销。综合来看，这次替换证明大规模企业 AI 落地不一定全部使用通用大模型，针对标准化判定场景选择轻量专用模型，能在不损失业务指标的前提下大幅压缩运营成本。
模型替换项目核心信息清单
- 业务场景：亚马逊超大规模内部工单系统，用于工单自动标签分类
- 旧模型：Claude Sonnet 4.6（Anthropic，Amazon Bedrock 提供）
- 新模型：Strands Decider，Strands Agents 推出的轻量化决策专用模型
- 成本变化：Token 成本下降 98%，价格约为 Sonnet 4.6 的 1/44
- 业务效果：工单标签判定性能保持同等水平，业务指标无明显下滑
- 额外收益：AWS Lambda 单次任务运行时间缩短，减少服务器计算费用
- 模型定位差异：Sonnet 4.6 是通用大模型，擅长长上下文、代码、多步智能体；Strands Decider 聚焦结构化选择、分类判定场景
- 关键工程细节：JSON 入参字段顺序会影响输出概率，上线前统一输入格式规范
模型替换落地操作步骤
- 业务评估：分析工单任务，确认需求仅为标签分类，不需要复杂长文本推理，判定属于结构化决策任务
- 基准测试：使用历史工单数据集，同时跑 Sonnet 4.6 和 Strands Decider，对比标签准确率、稳定性、响应延迟
- 边界校验：测试异常工单、残缺字段等边界案例，验证 Strands Decider 是否维持同等判定效果；验证 JSON 入参顺序带来的概率偏移问题，统一输入模板
- 灰度上线：小流量切换到 Strands Decider，持续监控工单判定结果、报错率、延迟指标
- 全量切换：灰度验证稳定后，将工单打标签流量完整迁移，保留 Sonnet 4.6 作为复杂工单备用模型
- 成本观测：统计 Token 消耗、Lambda 运行时长，核算整体降本效果，持续监控模型漂移
- 长期迭代：持续采集新工单样本，微调 Strands Decider，维持分类精度
Claude Sonnet 4.6 vs Strands Decider 对比
| 项目 | Claude Sonnet 4.6 | Strands Decider |
|---|---|---|
| 模型类型 | 通用大语言模型 | 轻量化专用决策模型 |
| 适用任务 | 长上下文、代码、多步推理、复杂智能体 | 分类、标签、结构化选择、二元判定 |
| 本项目效果 | 工单标签分类基准效果 | 同等业务精度，性能持平 |
| Token 成本基准 | 高，原系统主力模型 | 仅为 Sonnet 4.6 约 2%，降本 98% |
| 上下文能力 | 1M token 超大上下文 | 面向短结构化输入，不支持超长上下文 |
| 配套算力开销 | Lambda 运行耗时更长 | 单次任务 Lambda 运行时间更短，计算成本更低 |
| 适合场景 | 复杂、非标准化、需要深度推理的任务 | 大规模、标准化、固定选项的判定任务 |
【常见问题】
问题 1：亚马逊以 Strands Decider 替代 Sonnet 4.6 年省数百万，Strands Decider 是什么模型？
回答 1：亚马逊以 Strands Decider 替代 Sonnet 4.6 年省数百万，Strands Decider 是 Strands Agents 推出的轻量化专用决策模型，专门处理分类、标签这类结构化判定任务，不是通用大模型。
问题 2：亚马逊用 Strands Decider 替换 Sonnet 4.6，为什么能做到成本下降 98%？
回答 2：亚马逊用 Strands Decider 替换 Sonnet 4.6，因为 Sonnet4.6 是能力全面的通用大模型，工单标签场景算力冗余；Strands Decider 只专注简单判定任务，模型体量更小，单位 Token 价格仅为 Sonnet 4.6 的约 1/44，同时 Lambda 运行耗时减少，综合大幅降本，业务效果基本不变。
问题 3：亚马逊 Strands Decider 替代 Sonnet4.6，是不是通用大模型以后都会被轻量决策模型替代？
回答 3：亚马逊 Strands Decider 替代 Sonnet4.6，不是通用大模型被全面替代，而是分层使用策略：标准化简单判定交给轻量决策模型，复杂、需要深度推理的工单任务，仍然保留 Sonnet 这类通用大模型处理。
【参考资料】
[2026-11-09]（Amazon saves millions by replacing Sonnet 4.6 with Strands Decider）Strands Agents 官网博客
[2026-11-10]（Claude Sonnet 4.6 模型卡片）AWS Amazon Bedrock 文档
[2026-11-10]（Strands Agents 在 AWS 上构建智能体介绍）AWS Builder 中心
【免责声明】
本文资讯仅为企业 AI 降本案例科普参考，不构成模型选型、系统改造的落地建议；成本降幅、模型性能为亚马逊本次内部工单场景实测结果，其他业务场景效果会随任务类型、数据分布变化；模型能力、定价以 Strands Agents 与 AWS 官方最新文档为准。