在 Amazon Bedrock AgentCore 中，系统提示词优化（optimization）提供了一条从生产环境反馈回到智能体配置的闭环路径：它把生产环境中积累的运行轨迹（production traces）转化为建议的配置变更，并在正式提升（promotion）之前对这些变更进行验证。这意味着被提出的改动不会直接生效，而是要先经过一轮校验，再决定是否采纳。
作为发布博客的技术配套文章，AWS 机器学习博客这次重点拆解了系统提示词优化器中 reflector 引擎的工作方式。按照文章的描述，reflector 引擎是这套优化机制的核心组件，负责在给定生产轨迹的前提下生成候选的配置调整方案。围绕单一智能体与子智能体两种结构，文章分别介绍了 Single Agent Reflector 与 Sub-Agent Reflector，并给出了两者的基准测试结果。
从工程视角看，这套设计的价值在于把“提示词调优”从一次性的离线试验，变成可随生产流量持续迭代的流程：线上轨迹提供真实分布下的行为证据，reflector 据此提出变更建议，验证环节则充当变更进入生产前的闸门。对于正在用 AgentCore 构建智能体、并希望减少手工反复改写系统提示词的团队，这条链路提供了一种可复用的思路。
文中的基准测试覆盖 Single Agent 与 Sub-Agent 两类 reflector，具体测试设置与数值结果详见原文。