30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度Agentic AI 的价值不在“更快”而在“复利”。这句话是理解当前 AI 应用从“玩具”走向“工具”的关键。最近亚马逊云科技在 2026 年中国峰会上将 Agentic AI 定义为“爆发拐点”并发布了一套完整的技术栈和方法论。对于开发者、技术决策者和企业而言这不再是一个遥远的概念而是一个可以立即着手评估和落地的技术体系。本文将从技术实践者的视角拆解亚马逊云科技提出的 Agentic AI 五层技术栈并重点分析其核心价值——如何通过体系化的工程能力让 AI 应用从单次、孤立的“更快”执行转变为持续创造“复利”的业务资产。我们将探讨其技术架构、部署路径、评估方法并结合实际案例为你提供一套从概念验证到生产部署的实践思路。1. 核心能力速览亚马逊云科技 Agentic AI 技术栈首先我们快速梳理一下亚马逊云科技在这次峰会上提出的 Agentic AI 全栈能力。这不仅是服务列表更是一个从基础设施到上层应用的完整工程框架。能力层核心服务/组件关键能力与价值技术门槛与启动方式AI 基础设施层Amazon EC2 (GPU实例)、Amazon Trainium/Inferentia、Amazon SageMaker提供高性能、可扩展的算力支持模型训练与推理。SageMaker 简化 ML 生命周期管理。云服务按需启动无需管理物理硬件。可通过控制台、CLI 或 SDK 快速配置实例。模型层Amazon Bedrock统一访问多种前沿大模型如 Anthropic Claude、Meta Llama、Amazon Titan等提供统一 API、内置安全与治理。无需自行托管模型通过 API 密钥即可调用。支持按需付费启动成本低。数据与知识层Amazon S3、Zero-ETL、Amazon Bedrock Knowledge Bases、Amazon Context将静态数据转化为 AI 可理解、可用的知识资产。提供向量存储、知识库构建、上下文管理能力。需要将企业数据接入云上数据湖或知识库服务进行预处理和向量化。Agentic 平台层Amazon Bedrock AgentCore提供 Agent 开发、编排、运行、监控、迭代的全生命周期管理平台。是连接模型能力与业务应用的“操作系统”。基于 Bedrock 服务构建提供可视化编排工具和 API。需要定义 Agent 的工作流和工具。Agent 应用层Amazon Kiro, Amazon Quick, Amazon Connect 等开箱即用的垂直领域 Agent 解决方案覆盖软件开发、IT运维、知识工作、客户服务等场景。可直接订阅或配置使用实现快速业务集成无需从零开发。核心特点总结全栈覆盖从底层算力到上层应用提供一站式解决方案降低了技术选型和集成的复杂度。模型即服务通过 Bedrock 屏蔽了模型获取、部署、版本管理的复杂性让开发者聚焦于应用逻辑。工程化平台AgentCore 是关键它将提示词工程、上下文工程、工具调用等能力平台化、标准化。业务结果导向强调“评估驱动的开发”提供白皮书和开源评估集引导企业从关注技术指标转向关注业务产出。对于技术团队而言最直接的切入点是模型层Bedrock和Agentic 平台层AgentCore。下面我们将重点探讨如何基于这些服务构建一个能产生“复利”的 Agent。2. 适用场景与使用边界Agentic AI 并非万能。理解其适用场景和边界是避免项目失败的第一步。适合场景复杂、多步骤的任务自动化例如自动分析销售数据、生成报告并发送邮件根据用户自然语言描述自动创建并部署云资源。需要结合外部知识和工具的决策支持例如客服 Agent 需要查询知识库、订单系统后回答客户问题代码助手需要理解项目上下文、调用 linter 和测试工具。高重复性、但规则不易硬编码的流程例如从不同格式的合同中提取关键条款并汇总审核用户上传的图片或文档内容是否符合规范。人机协同的增强场景例如设计师提出创意方向由 Agent 生成多个初步方案供选择分析师提出数据洞察问题由 Agent 执行查询和可视化。不适合场景简单、确定性的规则处理用 if-else 或简单脚本就能完美解决的任务引入 Agent 是过度设计。对实时性要求极高毫秒级的响应当前大模型推理存在延迟复杂 Agent 的思考-行动循环耗时更长。完全无需外部知识或工具调用的纯文本生成直接调用大模型 API 可能更经济高效。涉及重大法律、金融或人身安全的完全自动化决策Agent 可能存在“幻觉”或不可预测的行为必须保留人类审核环节。安全与合规边界数据隐私使用 Bedrock 等服务时需明确数据存储和处理的地理位置遵守相关法律法规如中国的数据出境安全评估。模型偏见与安全利用 Bedrock 内置的内容安全过滤器并在应用层建立额外的审核机制。工具调用授权严格控制 Agent 可访问的工具和 API 权限遵循最小权限原则。可解释性与审计利用 AgentCore 的跟踪和日志功能确保 Agent 的决策过程可追溯、可审计。3. 环境准备与前置条件在开始动手之前需要准备好以下环境。由于这是基于云服务的方案本地硬件门槛极低但账号和网络是前提。亚马逊云科技账号拥有一个有效的 AWS 账号是基础。可以访问 AWS 官网 注册。新用户通常有免费额度。IAM 权限配置为你的用户或角色配置必要的权限。至少需要包含以下服务的访问权限AmazonBedrockFullAccess(或更细粒度的权限)AmazonS3ReadOnlyAccess(如果涉及知识库)AWSCloudFormationFullAccess(如果使用快速启动模板)建议遵循最小权限原则根据实际需要创建自定义策略。启用 Bedrock 模型访问在 AWS 管理控制台进入Amazon Bedrock服务。在“模型访问”中请求启用你计划使用的基模型例如 Claude 3 Sonnet, Llama 3 等。这是一个必要的步骤通常几分钟内即可批准。开发环境本地环境安装 Python 3.8 和boto3(AWS SDK for Python)、langchain、langchain-aws等库。推荐使用虚拟环境。# 创建虚拟环境 python -m venv agentic-env source agentic-env/bin/activate # Linux/macOS # agentic-env\Scripts\activate # Windows # 安装核心库 pip install boto3 langchain langchain-aws云环境可以直接使用 Amazon SageMaker Studio 或 Cloud9 等云端 IDE环境已预配置。网络访问确保你的开发环境可以访问bedrock.region.amazonaws.com等 AWS 服务端点。如果在中国区使用请注意相关服务由西云数据或光环新网运营具体端点需参考中国区文档。4. 快速启动构建你的第一个业务 Agent我们以一个具体的场景为例“智能周报生成 Agent”。它需要完成1读取指定 S3 桶中的本周工作日志Markdown 格式2总结核心进展和问题3生成下周计划建议4将最终周报保存回 S3 并发送通知。这个例子涵盖了知识检索、内容总结、规划生成和工具调用。4.1 使用 Amazon Bedrock AgentCore 快速搭建AgentCore 提供了控制台向导可以无代码/低代码方式创建 Agent。步骤 1创建 Agent登录 AWS 控制台进入Amazon Bedrock-AgentCore。点击“创建 Agent”。输入名称如WeeklyReportAgent。在“模型”部分选择一个基础模型例如Claude 3 Sonnet。定义指令Instruction这是 Agent 的“角色设定”。输入清晰的指令例如“你是一个高效的项目助理负责帮助用户生成结构清晰、内容详实的项目周报。你会自动读取用户指定的本周工作日志总结关键成果、识别风险与问题并基于项目目标草拟下周计划。最后你需要将生成的周报保存到指定位置。”步骤 2添加工具ToolsAgent 需要工具来与外界交互。我们需要为它添加两个工具读取 S3 文件创建一个 Lambda 函数接收 S3 桶名和键名返回文件内容。在 AgentCore 中将此 Lambda 函数注册为一个工具命名为read_s3_log。写入 S3 文件创建另一个 Lambda 函数接收内容、桶名和键名执行写入操作。注册为工具save_report_to_s3。步骤 3配置知识库可选但推荐如果你有历史周报模板、项目规范文档可以创建一个Bedrock Knowledge Base。将你的文档PDF, Word, TXT上传到指定的 S3 桶。在 Bedrock 中创建知识库选择数据源你的 S3 桶并选择嵌入模型和向量数据库如 Amazon OpenSearch Serverless。创建成功后在 Agent 配置中关联此知识库。Agent 在生成周报时可以自动检索相关知识使报告更符合公司规范。步骤 4测试与部署在控制台的测试窗格中你可以直接与 Agent 对话。输入“请帮我生成基于my-project-logs桶中week_25_log.md文件的周报。” Agent 会规划步骤调用read_s3_log工具获取日志处理内容生成报告并最终调用save_report_to_s3工具保存结果。测试无误后可以部署 Agent 并获得一个唯一的Agent Alias ID用于 API 调用。4.2 通过 API 调用 Agent部署成功后你可以通过 AWS SDK 在任何应用中调用你的 Agent。import boto3 import json # 初始化 Bedrock Agent Runtime 客户端 client boto3.client( service_namebedrock-agent-runtime, region_nameus-east-1 # 替换为你的区域 ) # Agent 的 ID 和 Alias ID agent_id YOUR_AGENT_ID agent_alias_id YOUR_AGENT_ALIAS_ID def invoke_agent(prompt): 调用已部署的 Agent try: response client.invoke_agent( agentIdagent_id, agentAliasIdagent_alias_id, sessionIdtest-session-001, # 会话ID用于跟踪多轮对话 inputTextprompt, ) # 处理流式响应Agent通常返回流式事件 completion for event in response.get(completion): chunk event[chunk] if bytes in chunk: text chunk[bytes].decode(utf-8) completion text print(text, end, flushTrue) # 流式打印输出 return completion except Exception as e: print(f调用 Agent 时出错: {e}) return None # 使用示例 if __name__ __main__: user_input 请读取桶 my-company-logs 中键为 2024-Q3/week26.md 的工作日志并生成项目周报。 final_report invoke_agent(user_input) if final_report: print(f\n\nAgent 任务完成。最终报告已保存。)通过以上步骤一个具备规划、执行、工具调用能力的业务 Agent 就搭建完成了。它的价值不在于比人写周报“更快”而在于可以标准化、自动化、可持续地执行这项任务释放人力去做更高价值的分析工作——这就是“复利”的起点。5. 功能深化实现“评估驱动的开发”亚马逊云科技在峰会上强调了“评估驱动的AI Agent开发生命周期”。这意味着我们需要建立一套机制来量化 Agent 的表现而不仅仅是感觉“它好像能用”。5.1 定义评估标准对于“周报生成 Agent”我们可以定义以下评估维度完整性是否涵盖了日志中的所有关键任务项准确性总结的信息是否与原始日志一致有无捏造或误解结构规范性是否符合公司周报模板标题、摘要、成果、问题、计划可操作性提出的下周计划是否具体、可执行时效性从发起请求到收到完整报告的总耗时。5.2 利用开源评估集进行测试亚马逊云科技在 GitHub 上开源了模拟项目的评估集和代码。我们可以借鉴其方法构建自己的测试流水线。准备测试数据集收集一批历史工作日志和对应的人工撰写的高质量周报作为“标准答案”。构建评估函数结合自动评估和人工评估。import json from typing import Dict, List import boto3 # 用于调用Bedrock评估模型 bedrock boto3.client(bedrock-runtime, region_nameus-east-1) def evaluate_with_llm(agent_output: str, reference_answer: str, criteria: str) - Dict: 使用大模型如Claude作为评估器对Agent输出进行评分。 prompt f 请你扮演一个质量评估专家。请根据以下标准评估助理生成的周报 【评估标准】 {criteria} 【助理生成的周报】 {agent_output} 【参考的标准周报】 {reference_answer} 请以JSON格式输出评估结果包含以下字段 - score (整数1-10分10分为最佳) - reasoning (评估理由) - strengths (优点列表) - improvements (改进建议列表) body json.dumps({ prompt: f\n\nHuman:{prompt}\n\nAssistant:, max_tokens_to_sample: 500, temperature: 0.1, }) response bedrock.invoke_model( modelIdanthropic.claude-v2, bodybody, contentTypeapplication/json ) response_body json.loads(response[body].read()) evaluation json.loads(response_body.get(completion, {})) return evaluation def run_evaluation_pipeline(test_cases: List[Dict]): 运行批量评估流水线 results [] for case in test_cases: # 1. 调用你的 Agent agent_output invoke_agent(case[input_log_s3_path]) # 2. 进行自动评估例如使用LLM作为裁判 evaluation evaluate_with_llm( agent_output, case[reference_report], case[evaluation_criteria] ) # 3. 记录结果 results.append({ test_case_id: case[id], agent_output: agent_output, evaluation: evaluation, latency: case.get(latency, None) }) # 4. 可选将结果存入数据库如 Amazon DynamoDB用于后续分析 # save_to_dynamodb(results[-1]) # 5. 生成评估报告 generate_report(results) return results持续监控与迭代将评估流水线集成到 CI/CD 流程中。每次对 Agent 的指令Instruction、工具或知识库进行修改后都自动运行评估集确保核心指标没有退化并追踪改进效果。这种“开发-评估-迭代”的闭环是 Agent 能力产生“复利”增长的引擎。它确保了 Agent 的优化是数据驱动的、可衡量的。6. 架构扩展从单点 Agent 到协同网络单个 Agent 的能力有限。真正的“复利”来自于多个 Agent 的协同工作以及 Agent 与人类员工的顺畅配合。亚马逊云科技的 AgentCore 平台为此提供了基础。场景示例一个智能客服工单处理系统分类与路由 Agent接收用户原始工单文本、语音转文本判断问题类型如“账号问题”、“技术故障”、“账单咨询”和紧急程度并添加工单标签。查询与检索 Agent对于常见问题自动从知识库中检索标准答案和解决方案并尝试直接回复用户。专家分配 Agent对于复杂问题根据问题类型、技能矩阵和工程师负载将工单分配给最合适的人类工程师或专家 Agent。总结与归档 Agent在工单解决后自动总结问题根因和解决步骤更新知识库并生成服务报告。在 AgentCore 中你可以通过编排Orchestration功能来设计这样的多 Agent 工作流。工作流中的每个节点可以是一个 Agent、一个 Lambda 函数或一个决策点。平台负责处理节点间的状态传递、错误处理和日志记录。7. 成本与性能观察使用托管服务成本透明且易于控制。你需要关注以下几点模型调用成本Bedrock 按输入/输出 Token 数计费。不同模型单价不同。优化提示词、使用缓存、对长文档进行智能分块检索可以有效降低成本。知识库成本主要涉及向量数据的存储和检索请求。合理设置索引刷新频率和选择性价比高的向量数据库类型。Lambda 与 API 网关成本如果你的工具大量使用 Lambda 和 API Gateway这部分成本也需要纳入考量。性能监控利用 Amazon CloudWatch 监控 Agent 的调用延迟、错误率和工具执行时间。设置警报当 P95 延迟超过阈值或错误率升高时及时通知。关键指标InvocationLatency,InvocationSuccessRate,ToolUseLatency。优化方向对于延迟敏感的场景可以考虑使用更快的模型如 Claude 3 Haiku或对知识库进行索引优化。8. 常见问题与排查方法在开发和运行 Agent 过程中你可能会遇到以下典型问题问题现象可能原因排查方式解决方案Agent 调用返回“AccessDeniedException”IAM 权限不足。检查调用角色的 IAM 策略是否包含bedrock:InvokeAgent等必要权限。为执行角色附加正确的托管策略或自定义策略。Agent 无法调用自定义 Lambda 工具Lambda 函数权限或网络配置问题。1. 检查 Lambda 函数的执行角色权限。2. 检查 Lambda 是否在 VPC 内以及安全组/网络 ACL 规则。3. 查看 CloudWatch Logs 中的 Lambda 执行错误。1. 确保 Lambda 角色有权限执行其操作如 S3读写。2. 确保 AgentCore 服务可以访问该 Lambda通常需要配置 VPC 或使用公有 Lambda。知识库检索返回无关内容文档分块策略不佳或嵌入模型不匹配。1. 检查知识库同步任务状态是否成功。2. 在知识库控制台测试检索观察返回片段的关联性。3. 调整文档分块大小和重叠度。1. 优化文档预处理确保分块有语义完整性。2. 尝试不同的嵌入模型。3. 在检索时调整 top-K 参数和相似度阈值。Agent 输出不符合预期或出现“幻觉”指令Instruction不清晰或上下文不足。1. 仔细审查 Agent 的指令确保角色、目标和约束明确。2. 检查会话历史是否被正确传递和维护。3. 在测试窗格中观察 Agent 的推理步骤如果模型支持。1. 迭代优化指令加入更具体的示例和约束条件。2. 确保相关上下文如知识库检索结果被正确提供给模型。3. 考虑使用更强大的模型或启用链式思考Chain-of-Thought。多轮对话中 Agent 忘记之前的内容会话Session未正确管理或上下文窗口已满。1. 确认调用 API 时使用了相同的sessionId。2. 检查模型上下文窗口大小估算当前会话是否超长。1. 确保在客户端逻辑中维护并传递sessionId。2. 实现会话摘要或选择性遗忘机制将超长上下文进行压缩。9. 最佳实践与使用建议基于亚马逊云科技的方法论和社区经验以下最佳实践能帮助你更好地驾驭 Agentic AI始于业务目标而非技术先明确要解决的业务问题如“将客服平均处理时间降低20%”再设计 Agent 的工作流和评估指标。采用“评估驱动”的开发流程在编写第一行代码或配置第一个 Agent 之前先定义好如何评估它的成功。将评估集作为代码库的一部分。人类在环Human-in-the-loop对于关键决策或高风险操作设计审批环节。让 Agent 提供建议由人类做最终决定。工具设计要稳健给 Agent 调用的工具API/Lambda必须有完善的错误处理和日志返回结构化的、清晰的结果。指令工程至关重要花时间精心打磨 Agent 的指令。好的指令应包含清晰的角色、明确的任务、输出格式约束、行为规范如“如果你不确定请询问用户”。从小处着手快速迭代不要试图一开始就构建一个全能的超级 Agent。从一个定义清晰、范围有限的子任务开始验证可行性再逐步扩展其能力和职责范围。安全与治理先行在项目早期就考虑数据安全、模型安全、工具调用权限和操作审计。利用 Bedrock 和 IAM 提供的原生安全能力。10. 总结与下一步Agentic AI 的“复利”价值体现在它能够将一次性的智能投入转化为一个可自主运行、持续学习、并与其他系统协同的“数字员工”。亚马逊云科技通过其五层全栈技术特别是Bedrock模型即服务和AgentCoreAgent 操作系统大幅降低了构建这类“数字员工”的门槛。对于技术团队最直接的下一步行动是注册/登录 AWS启用 Bedrock这是零成本的起点。在控制台亲手创建一个简单 Agent用 30 分钟体验从定义指令、添加工具到测试部署的全过程。下载《企业生产级智能体开发指南白皮书》深入研究评估驱动的方法论和最佳实践。在 GitHub 上探索开源评估集将其作为你第一个 Agent 项目的测试基准。识别一个高重复、可定义的内部流程将其作为首个试点场景用本文的步骤进行验证。技术的拐点已经到来但价值的兑现取决于实践的深度。与其观望不如现在就开始构建你的第一个生产级 Agent感受从“更快”到“复利”的范式转变。 30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度
30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度Agentic AI 的价值不在“更快”而在“复利”。这句话是理解当前 AI 应用从“玩具”走向“工具”的关键。最近亚马逊云科技在 2026 年中国峰会上将 Agentic AI 定义为“爆发拐点”并发布了一套完整的技术栈和方法论。对于开发者、技术决策者和企业而言这不再是一个遥远的概念而是一个可以立即着手评估和落地的技术体系。本文将从技术实践者的视角拆解亚马逊云科技提出的 Agentic AI 五层技术栈并重点分析其核心价值——如何通过体系化的工程能力让 AI 应用从单次、孤立的“更快”执行转变为持续创造“复利”的业务资产。我们将探讨其技术架构、部署路径、评估方法并结合实际案例为你提供一套从概念验证到生产部署的实践思路。1. 核心能力速览亚马逊云科技 Agentic AI 技术栈首先我们快速梳理一下亚马逊云科技在这次峰会上提出的 Agentic AI 全栈能力。这不仅是服务列表更是一个从基础设施到上层应用的完整工程框架。能力层核心服务/组件关键能力与价值技术门槛与启动方式AI 基础设施层Amazon EC2 (GPU实例)、Amazon Trainium/Inferentia、Amazon SageMaker提供高性能、可扩展的算力支持模型训练与推理。SageMaker 简化 ML 生命周期管理。云服务按需启动无需管理物理硬件。可通过控制台、CLI 或 SDK 快速配置实例。模型层Amazon Bedrock统一访问多种前沿大模型如 Anthropic Claude、Meta Llama、Amazon Titan等提供统一 API、内置安全与治理。无需自行托管模型通过 API 密钥即可调用。支持按需付费启动成本低。数据与知识层Amazon S3、Zero-ETL、Amazon Bedrock Knowledge Bases、Amazon Context将静态数据转化为 AI 可理解、可用的知识资产。提供向量存储、知识库构建、上下文管理能力。需要将企业数据接入云上数据湖或知识库服务进行预处理和向量化。Agentic 平台层Amazon Bedrock AgentCore提供 Agent 开发、编排、运行、监控、迭代的全生命周期管理平台。是连接模型能力与业务应用的“操作系统”。基于 Bedrock 服务构建提供可视化编排工具和 API。需要定义 Agent 的工作流和工具。Agent 应用层Amazon Kiro, Amazon Quick, Amazon Connect 等开箱即用的垂直领域 Agent 解决方案覆盖软件开发、IT运维、知识工作、客户服务等场景。可直接订阅或配置使用实现快速业务集成无需从零开发。核心特点总结全栈覆盖从底层算力到上层应用提供一站式解决方案降低了技术选型和集成的复杂度。模型即服务通过 Bedrock 屏蔽了模型获取、部署、版本管理的复杂性让开发者聚焦于应用逻辑。工程化平台AgentCore 是关键它将提示词工程、上下文工程、工具调用等能力平台化、标准化。业务结果导向强调“评估驱动的开发”提供白皮书和开源评估集引导企业从关注技术指标转向关注业务产出。对于技术团队而言最直接的切入点是模型层Bedrock和Agentic 平台层AgentCore。下面我们将重点探讨如何基于这些服务构建一个能产生“复利”的 Agent。2. 适用场景与使用边界Agentic AI 并非万能。理解其适用场景和边界是避免项目失败的第一步。适合场景复杂、多步骤的任务自动化例如自动分析销售数据、生成报告并发送邮件根据用户自然语言描述自动创建并部署云资源。需要结合外部知识和工具的决策支持例如客服 Agent 需要查询知识库、订单系统后回答客户问题代码助手需要理解项目上下文、调用 linter 和测试工具。高重复性、但规则不易硬编码的流程例如从不同格式的合同中提取关键条款并汇总审核用户上传的图片或文档内容是否符合规范。人机协同的增强场景例如设计师提出创意方向由 Agent 生成多个初步方案供选择分析师提出数据洞察问题由 Agent 执行查询和可视化。不适合场景简单、确定性的规则处理用 if-else 或简单脚本就能完美解决的任务引入 Agent 是过度设计。对实时性要求极高毫秒级的响应当前大模型推理存在延迟复杂 Agent 的思考-行动循环耗时更长。完全无需外部知识或工具调用的纯文本生成直接调用大模型 API 可能更经济高效。涉及重大法律、金融或人身安全的完全自动化决策Agent 可能存在“幻觉”或不可预测的行为必须保留人类审核环节。安全与合规边界数据隐私使用 Bedrock 等服务时需明确数据存储和处理的地理位置遵守相关法律法规如中国的数据出境安全评估。模型偏见与安全利用 Bedrock 内置的内容安全过滤器并在应用层建立额外的审核机制。工具调用授权严格控制 Agent 可访问的工具和 API 权限遵循最小权限原则。可解释性与审计利用 AgentCore 的跟踪和日志功能确保 Agent 的决策过程可追溯、可审计。3. 环境准备与前置条件在开始动手之前需要准备好以下环境。由于这是基于云服务的方案本地硬件门槛极低但账号和网络是前提。亚马逊云科技账号拥有一个有效的 AWS 账号是基础。可以访问 AWS 官网 注册。新用户通常有免费额度。IAM 权限配置为你的用户或角色配置必要的权限。至少需要包含以下服务的访问权限AmazonBedrockFullAccess(或更细粒度的权限)AmazonS3ReadOnlyAccess(如果涉及知识库)AWSCloudFormationFullAccess(如果使用快速启动模板)建议遵循最小权限原则根据实际需要创建自定义策略。启用 Bedrock 模型访问在 AWS 管理控制台进入Amazon Bedrock服务。在“模型访问”中请求启用你计划使用的基模型例如 Claude 3 Sonnet, Llama 3 等。这是一个必要的步骤通常几分钟内即可批准。开发环境本地环境安装 Python 3.8 和boto3(AWS SDK for Python)、langchain、langchain-aws等库。推荐使用虚拟环境。# 创建虚拟环境 python -m venv agentic-env source agentic-env/bin/activate # Linux/macOS # agentic-env\Scripts\activate # Windows # 安装核心库 pip install boto3 langchain langchain-aws云环境可以直接使用 Amazon SageMaker Studio 或 Cloud9 等云端 IDE环境已预配置。网络访问确保你的开发环境可以访问bedrock.region.amazonaws.com等 AWS 服务端点。如果在中国区使用请注意相关服务由西云数据或光环新网运营具体端点需参考中国区文档。4. 快速启动构建你的第一个业务 Agent我们以一个具体的场景为例“智能周报生成 Agent”。它需要完成1读取指定 S3 桶中的本周工作日志Markdown 格式2总结核心进展和问题3生成下周计划建议4将最终周报保存回 S3 并发送通知。这个例子涵盖了知识检索、内容总结、规划生成和工具调用。4.1 使用 Amazon Bedrock AgentCore 快速搭建AgentCore 提供了控制台向导可以无代码/低代码方式创建 Agent。步骤 1创建 Agent登录 AWS 控制台进入Amazon Bedrock-AgentCore。点击“创建 Agent”。输入名称如WeeklyReportAgent。在“模型”部分选择一个基础模型例如Claude 3 Sonnet。定义指令Instruction这是 Agent 的“角色设定”。输入清晰的指令例如“你是一个高效的项目助理负责帮助用户生成结构清晰、内容详实的项目周报。你会自动读取用户指定的本周工作日志总结关键成果、识别风险与问题并基于项目目标草拟下周计划。最后你需要将生成的周报保存到指定位置。”步骤 2添加工具ToolsAgent 需要工具来与外界交互。我们需要为它添加两个工具读取 S3 文件创建一个 Lambda 函数接收 S3 桶名和键名返回文件内容。在 AgentCore 中将此 Lambda 函数注册为一个工具命名为read_s3_log。写入 S3 文件创建另一个 Lambda 函数接收内容、桶名和键名执行写入操作。注册为工具save_report_to_s3。步骤 3配置知识库可选但推荐如果你有历史周报模板、项目规范文档可以创建一个Bedrock Knowledge Base。将你的文档PDF, Word, TXT上传到指定的 S3 桶。在 Bedrock 中创建知识库选择数据源你的 S3 桶并选择嵌入模型和向量数据库如 Amazon OpenSearch Serverless。创建成功后在 Agent 配置中关联此知识库。Agent 在生成周报时可以自动检索相关知识使报告更符合公司规范。步骤 4测试与部署在控制台的测试窗格中你可以直接与 Agent 对话。输入“请帮我生成基于my-project-logs桶中week_25_log.md文件的周报。” Agent 会规划步骤调用read_s3_log工具获取日志处理内容生成报告并最终调用save_report_to_s3工具保存结果。测试无误后可以部署 Agent 并获得一个唯一的Agent Alias ID用于 API 调用。4.2 通过 API 调用 Agent部署成功后你可以通过 AWS SDK 在任何应用中调用你的 Agent。import boto3 import json # 初始化 Bedrock Agent Runtime 客户端 client boto3.client( service_namebedrock-agent-runtime, region_nameus-east-1 # 替换为你的区域 ) # Agent 的 ID 和 Alias ID agent_id YOUR_AGENT_ID agent_alias_id YOUR_AGENT_ALIAS_ID def invoke_agent(prompt): 调用已部署的 Agent try: response client.invoke_agent( agentIdagent_id, agentAliasIdagent_alias_id, sessionIdtest-session-001, # 会话ID用于跟踪多轮对话 inputTextprompt, ) # 处理流式响应Agent通常返回流式事件 completion for event in response.get(completion): chunk event[chunk] if bytes in chunk: text chunk[bytes].decode(utf-8) completion text print(text, end, flushTrue) # 流式打印输出 return completion except Exception as e: print(f调用 Agent 时出错: {e}) return None # 使用示例 if __name__ __main__: user_input 请读取桶 my-company-logs 中键为 2024-Q3/week26.md 的工作日志并生成项目周报。 final_report invoke_agent(user_input) if final_report: print(f\n\nAgent 任务完成。最终报告已保存。)通过以上步骤一个具备规划、执行、工具调用能力的业务 Agent 就搭建完成了。它的价值不在于比人写周报“更快”而在于可以标准化、自动化、可持续地执行这项任务释放人力去做更高价值的分析工作——这就是“复利”的起点。5. 功能深化实现“评估驱动的开发”亚马逊云科技在峰会上强调了“评估驱动的AI Agent开发生命周期”。这意味着我们需要建立一套机制来量化 Agent 的表现而不仅仅是感觉“它好像能用”。5.1 定义评估标准对于“周报生成 Agent”我们可以定义以下评估维度完整性是否涵盖了日志中的所有关键任务项准确性总结的信息是否与原始日志一致有无捏造或误解结构规范性是否符合公司周报模板标题、摘要、成果、问题、计划可操作性提出的下周计划是否具体、可执行时效性从发起请求到收到完整报告的总耗时。5.2 利用开源评估集进行测试亚马逊云科技在 GitHub 上开源了模拟项目的评估集和代码。我们可以借鉴其方法构建自己的测试流水线。准备测试数据集收集一批历史工作日志和对应的人工撰写的高质量周报作为“标准答案”。构建评估函数结合自动评估和人工评估。import json from typing import Dict, List import boto3 # 用于调用Bedrock评估模型 bedrock boto3.client(bedrock-runtime, region_nameus-east-1) def evaluate_with_llm(agent_output: str, reference_answer: str, criteria: str) - Dict: 使用大模型如Claude作为评估器对Agent输出进行评分。 prompt f 请你扮演一个质量评估专家。请根据以下标准评估助理生成的周报 【评估标准】 {criteria} 【助理生成的周报】 {agent_output} 【参考的标准周报】 {reference_answer} 请以JSON格式输出评估结果包含以下字段 - score (整数1-10分10分为最佳) - reasoning (评估理由) - strengths (优点列表) - improvements (改进建议列表) body json.dumps({ prompt: f\n\nHuman:{prompt}\n\nAssistant:, max_tokens_to_sample: 500, temperature: 0.1, }) response bedrock.invoke_model( modelIdanthropic.claude-v2, bodybody, contentTypeapplication/json ) response_body json.loads(response[body].read()) evaluation json.loads(response_body.get(completion, {})) return evaluation def run_evaluation_pipeline(test_cases: List[Dict]): 运行批量评估流水线 results [] for case in test_cases: # 1. 调用你的 Agent agent_output invoke_agent(case[input_log_s3_path]) # 2. 进行自动评估例如使用LLM作为裁判 evaluation evaluate_with_llm( agent_output, case[reference_report], case[evaluation_criteria] ) # 3. 记录结果 results.append({ test_case_id: case[id], agent_output: agent_output, evaluation: evaluation, latency: case.get(latency, None) }) # 4. 可选将结果存入数据库如 Amazon DynamoDB用于后续分析 # save_to_dynamodb(results[-1]) # 5. 生成评估报告 generate_report(results) return results持续监控与迭代将评估流水线集成到 CI/CD 流程中。每次对 Agent 的指令Instruction、工具或知识库进行修改后都自动运行评估集确保核心指标没有退化并追踪改进效果。这种“开发-评估-迭代”的闭环是 Agent 能力产生“复利”增长的引擎。它确保了 Agent 的优化是数据驱动的、可衡量的。6. 架构扩展从单点 Agent 到协同网络单个 Agent 的能力有限。真正的“复利”来自于多个 Agent 的协同工作以及 Agent 与人类员工的顺畅配合。亚马逊云科技的 AgentCore 平台为此提供了基础。场景示例一个智能客服工单处理系统分类与路由 Agent接收用户原始工单文本、语音转文本判断问题类型如“账号问题”、“技术故障”、“账单咨询”和紧急程度并添加工单标签。查询与检索 Agent对于常见问题自动从知识库中检索标准答案和解决方案并尝试直接回复用户。专家分配 Agent对于复杂问题根据问题类型、技能矩阵和工程师负载将工单分配给最合适的人类工程师或专家 Agent。总结与归档 Agent在工单解决后自动总结问题根因和解决步骤更新知识库并生成服务报告。在 AgentCore 中你可以通过编排Orchestration功能来设计这样的多 Agent 工作流。工作流中的每个节点可以是一个 Agent、一个 Lambda 函数或一个决策点。平台负责处理节点间的状态传递、错误处理和日志记录。7. 成本与性能观察使用托管服务成本透明且易于控制。你需要关注以下几点模型调用成本Bedrock 按输入/输出 Token 数计费。不同模型单价不同。优化提示词、使用缓存、对长文档进行智能分块检索可以有效降低成本。知识库成本主要涉及向量数据的存储和检索请求。合理设置索引刷新频率和选择性价比高的向量数据库类型。Lambda 与 API 网关成本如果你的工具大量使用 Lambda 和 API Gateway这部分成本也需要纳入考量。性能监控利用 Amazon CloudWatch 监控 Agent 的调用延迟、错误率和工具执行时间。设置警报当 P95 延迟超过阈值或错误率升高时及时通知。关键指标InvocationLatency,InvocationSuccessRate,ToolUseLatency。优化方向对于延迟敏感的场景可以考虑使用更快的模型如 Claude 3 Haiku或对知识库进行索引优化。8. 常见问题与排查方法在开发和运行 Agent 过程中你可能会遇到以下典型问题问题现象可能原因排查方式解决方案Agent 调用返回“AccessDeniedException”IAM 权限不足。检查调用角色的 IAM 策略是否包含bedrock:InvokeAgent等必要权限。为执行角色附加正确的托管策略或自定义策略。Agent 无法调用自定义 Lambda 工具Lambda 函数权限或网络配置问题。1. 检查 Lambda 函数的执行角色权限。2. 检查 Lambda 是否在 VPC 内以及安全组/网络 ACL 规则。3. 查看 CloudWatch Logs 中的 Lambda 执行错误。1. 确保 Lambda 角色有权限执行其操作如 S3读写。2. 确保 AgentCore 服务可以访问该 Lambda通常需要配置 VPC 或使用公有 Lambda。知识库检索返回无关内容文档分块策略不佳或嵌入模型不匹配。1. 检查知识库同步任务状态是否成功。2. 在知识库控制台测试检索观察返回片段的关联性。3. 调整文档分块大小和重叠度。1. 优化文档预处理确保分块有语义完整性。2. 尝试不同的嵌入模型。3. 在检索时调整 top-K 参数和相似度阈值。Agent 输出不符合预期或出现“幻觉”指令Instruction不清晰或上下文不足。1. 仔细审查 Agent 的指令确保角色、目标和约束明确。2. 检查会话历史是否被正确传递和维护。3. 在测试窗格中观察 Agent 的推理步骤如果模型支持。1. 迭代优化指令加入更具体的示例和约束条件。2. 确保相关上下文如知识库检索结果被正确提供给模型。3. 考虑使用更强大的模型或启用链式思考Chain-of-Thought。多轮对话中 Agent 忘记之前的内容会话Session未正确管理或上下文窗口已满。1. 确认调用 API 时使用了相同的sessionId。2. 检查模型上下文窗口大小估算当前会话是否超长。1. 确保在客户端逻辑中维护并传递sessionId。2. 实现会话摘要或选择性遗忘机制将超长上下文进行压缩。9. 最佳实践与使用建议基于亚马逊云科技的方法论和社区经验以下最佳实践能帮助你更好地驾驭 Agentic AI始于业务目标而非技术先明确要解决的业务问题如“将客服平均处理时间降低20%”再设计 Agent 的工作流和评估指标。采用“评估驱动”的开发流程在编写第一行代码或配置第一个 Agent 之前先定义好如何评估它的成功。将评估集作为代码库的一部分。人类在环Human-in-the-loop对于关键决策或高风险操作设计审批环节。让 Agent 提供建议由人类做最终决定。工具设计要稳健给 Agent 调用的工具API/Lambda必须有完善的错误处理和日志返回结构化的、清晰的结果。指令工程至关重要花时间精心打磨 Agent 的指令。好的指令应包含清晰的角色、明确的任务、输出格式约束、行为规范如“如果你不确定请询问用户”。从小处着手快速迭代不要试图一开始就构建一个全能的超级 Agent。从一个定义清晰、范围有限的子任务开始验证可行性再逐步扩展其能力和职责范围。安全与治理先行在项目早期就考虑数据安全、模型安全、工具调用权限和操作审计。利用 Bedrock 和 IAM 提供的原生安全能力。10. 总结与下一步Agentic AI 的“复利”价值体现在它能够将一次性的智能投入转化为一个可自主运行、持续学习、并与其他系统协同的“数字员工”。亚马逊云科技通过其五层全栈技术特别是Bedrock模型即服务和AgentCoreAgent 操作系统大幅降低了构建这类“数字员工”的门槛。对于技术团队最直接的下一步行动是注册/登录 AWS启用 Bedrock这是零成本的起点。在控制台亲手创建一个简单 Agent用 30 分钟体验从定义指令、添加工具到测试部署的全过程。下载《企业生产级智能体开发指南白皮书》深入研究评估驱动的方法论和最佳实践。在 GitHub 上探索开源评估集将其作为你第一个 Agent 项目的测试基准。识别一个高重复、可定义的内部流程将其作为首个试点场景用本文的步骤进行验证。技术的拐点已经到来但价值的兑现取决于实践的深度。与其观望不如现在就开始构建你的第一个生产级 Agent感受从“更快”到“复利”的范式转变。 30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度
![[C++]内存管理：串顺序存储的内存回收](http://pic.xiahunao.cn/yaotu/[C++]内存管理：串顺序存储的内存回收)
