8.0
热点
AI SCORE
技术实践2026-08-04 15:00
AWS智能体全栈架构实践
dev.to · AI#AWS#智能体#多智能体
Editor brief · 编辑速览
文章梳理从 Bedrock 单智能体到 AgentCore 多智能体编排的完整技术栈，并覆盖工具调用、运行基础设施与生产安全护栏。核心是将“规划—执行—观察—纠正”闭环落地到 AWS 应用。
2026 年，AI 已经从“回答问题”迈向“采取行动”。Agentic AI——能够自主规划、推理、使用工具并执行多步骤任务的系统——已经成为在 AWS 上构建智能应用的主流模式。
本文将介绍 AWS 上完整的 Agentic AI 技术栈：从单 Agent 基础、多 Agent 编排，到承载这些 Agent 的基础设施，以及保障它们在生产环境中安全运行的 Guardrails。
传统 AI：用户提出问题 → 模型生成答案 → 结束。
Agentic AI：用户描述目标 → Agent 规划步骤 → Agent 调用工具 → Agent 评估结果 → Agent 迭代执行 → 实现目标。
二者的区别在于自主性。Agent 会自行决定该做什么、执行相应操作并进行自我纠正，无需人类在每一步介入。
┌─────────────────────────────────────────────────────────────┐
│ AGENTIC AI LOOP │
│ │
│ User Goal → Plan → Act → Observe → Reason → Act → Done │
│ ↑ │ │
│ └───────── iterate ──────────────┘ │
└─────────────────────────────────────────────────────────────┘
┌─────────────────────────────────────────────────────────────────┐
│ APPLICATION LAYER │
│ Amazon Q (Business & Developer) | Custom agents via Bedrock │
├─────────────────────────────────────────────────────────────────┤
│ AGENT FRAMEWORKS │
│ Bedrock Agents | Strands Agents SDK | LangGraph on AgentCore │
├─────────────────────────────────────────────────────────────────┤
│ AGENT INFRASTRUCTURE (AgentCore) │
│ Runtime | Memory | Identity | Observability | Code Interpreter │
├─────────────────────────────────────────────────────────────────┤
│ TOOLS & KNOWLEDGE │
│ AgentCore Gateway (MCP) | Knowledge Bases (RAG) | Action Groups│
├─────────────────────────────────────────────────────────────────┤
│ SAFETY & GOVERNANCE │
│ Guardrails | IAM | CloudTrail | Model Evaluation │
├─────────────────────────────────────────────────────────────────┤
│ FOUNDATION MODELS │
│ Claude | Nova | Llama | Mistral | DeepSeek (via Bedrock) │
└─────────────────────────────────────────────────────────────────┘
Bedrock Agents 是构建 AI Agent 的全托管方案。你只需定义 Agent 的指令，连接工具和知识，Bedrock 就会负责处理编排循环，也就是 ReAct 风格的推理过程。
用户向 Agent 发送消息。
Agent 的基础模型根据指令和上下文，推理接下来应该做什么。
Agent 决定调用工具（Action Group），或者查询知识（RAG）。
工具执行操作并返回结果。
Agent 评估结果，判断目标是否已经实现，或者是否还需要执行更多步骤。
重复上述过程，直到实现目标或达到最大迭代次数。
Agent 向用户返回最终响应。
选择模型：复杂推理可以使用 Claude Sonnet 或 Nova Pro。简单的路由 Agent 可以使用 Haiku 或 Nova Micro。
指令设计：明确说明 Agent 的角色、不应该做什么，以及遇到歧义时应该如何处理。模糊的指令会导致不可预测的行为。
工具设计：每个工具都应该专注做好一件事。工具名称必须清晰，因为模型会根据名称和描述判断何时调用它们。同时还要提供输入和输出 schema。
# Example: Defining an action group tool
{
"actionGroupName": "OrderManagement",
"description": "Manages customer orders - lookup, modify, cancel",
"apiSchema": {
"payload": "openapi-schema.json"
},
"actionGroupExecutor": {
"lambda": "arn:aws:lambda:us-east-1:123456789:function:order-api"
}
}
面对复杂问题时，单个 Agent 往往不够。多 Agent 协作可以让多个专业 Agent 分工配合。
┌──────────────────┐
│ Supervisor Agent │
User ────────→│ (Routes tasks) │
└────────┬─────────┘
│
┌──────────────┼──────────────┐
│ │ │
▼ ▼ ▼
┌──────────────┐ ┌───────────┐ ┌──────────────┐
│ Research Agent│ │ Code Agent│ │ Review Agent │
│ (RAG + Web) │ │ (CodeGen) │ │ (Validation) │
└──────────────┘ └───────────┘ └──────────────┘
Supervisor Agent——接收用户请求、分析任务复杂度，并将任务路由给专业 Agent。
Collaborator Agent——每个 Agent 都拥有特定的工具和知识，负责执行各自擅长的任务，然后将结果返回给 Supervisor。
Supervisor 汇总——将各个 Collaborator 的输出整合为最终响应。
经验法则：如果一个 Agent 需要使用 10 个以上的工具，或者承担 3 种以上彼此不同的职责，就应该将其拆分成多个 Agent。
AgentCore 是用于大规模部署 Agent 的运行时基础设施。它提供了 Agent 在生产环境中所需的那些“乏味但至关重要”的能力。
Gateway 尤其强大。它可以将现有 API 转换为工具，让任何 Agent 都能通过 Model Context Protocol（MCP）发现并使用这些工具：
将 Gateway 指向 OpenAPI spec 或 Lambda function。
Gateway 自动生成兼容 MCP 的工具定义。
Agent 在运行时发现工具，无需 hard-coding。
安全性：基于 IAM 对每个工具实施访问控制。
这意味着 Agent 无需将工具直接内置在代码中。它们可以动态发现能力：只需向 Gateway 添加一个新 API，所有与之连接的 Agent 就能立即使用。
对于希望获得更多控制权的团队，AWS 发布了 Strands Agents SDK。这是一个用于构建 Agent 的开源 Python 框架，可以运行在 AgentCore 上：
与模型无关——可以配合任意 Bedrock 模型或外部模型使用。
工具优先——通过 @tool decorator 定义工具，并自动生成 schema。
内置 Memory——与 AgentCore Memory 集成，实现持久化。
原生支持 MCP——在运行时从 MCP server 发现工具。
可观测——内置 tracing，并与 AgentCore Observability 兼容。
from strands import Agent, tool
from strands.models.bedrock import BedrockModel
@tool
def get_weather(city: str) -> str:
"""Get current weather for a city."""
# Call weather API
return f"Weather in {city}: 22°C, sunny"
@tool
def create_ticket(title: str, priority: str) -> str:
"""Create a support ticket in the ticketing system."""
# Call ticketing API
return f"Created ticket: {title} (priority: {priority})"
agent = Agent(
model=BedrockModel(model_id="anthropic.claude-sonnet-4-20250514"),
tools=[get_weather, create_ticket],
system_prompt="You are a helpful assistant that can check weather and create tickets."
)
response = agent("Check the weather in London and create a ticket if it's raining")
没有知识支撑，Agent 就会产生幻觉。Knowledge Bases 提供了 RAG（Retrieval-Augmented Generation）能力：
摄取——将文档（PDF、HTML、Markdown、Word、CSV）上传到 S3。
分块和嵌入——Knowledge Base 将文档拆分成多个 chunk，并生成 embedding。
存储——将 embedding 存储到 vector database 中，可以使用 OpenSearch Serverless、Aurora、Pinecone 或 Managed KB。
检索——当 Agent 需要信息时，系统会检索相关 chunk，并将其注入 prompt。
生成——模型根据检索到的事实生成响应。
这是最新的选择，无需预置任何资源，即可使用完全托管的 RAG：
无需管理 vector database。
检索能力自动扩缩容。
支持多模态摄取，包括文本、图像和表格。
内置 re-ranking，提高相关性。
Agentic retrieval，可跨文档进行多跳推理。
能够执行操作的 Agent 必须受到安全边界约束。Bedrock Guardrails 提供了以下能力：
Guardrails 可以附加到：
Agent 本身，对所有交互进行过滤。
特定的 Knowledge Base 查询。
Bedrock Flow 中的单个节点。
关键要点：必须同时对输入（用户发送的内容）和输出（Agent 返回的内容）应用 Guardrails。用户可能会精心构造 prompt 来绕过指令，而 Guardrails 正是应对这类风险的防御层。
最适合：客户支持、跨领域查询。由一个 Supervisor 将任务路由给专业 Worker，Worker 之间不直接通信。
最适合：文档处理、内容创作。Agent A → Agent B → Agent C，每个阶段都会进一步丰富输出。
最适合：研究任务、从多个来源收集数据。多个 Agent 同时工作，最后汇总结果。
最适合：高风险决策、代码审查。Generator Agent 生成输出，Critic Agent 评估质量，双方反复迭代，直到满足标准。
将 Agent 部署到生产环境之前，需要检查以下事项：
[ ] 已配置 Guardrails——内容过滤器、禁止主题和 PII masking。
[ ] 已限定 IAM 范围——Agent 的 execution role 只拥有完成任务所需的最小权限。
[ ] 已限制工具权限——每个工具只能访问特定资源。
[ ] 已启用 Observability——记录每次 Agent 调用的 trace，以便调试失败的推理过程。
[ ] 已设置成本控制——限制每次调用的最大迭代次数和 token budget。
[ ] 已定义 fallback 行为——当 Agent 无法解决问题时，应该怎么处理？
[ ] 已设置 human-in-the-loop——对于删除、购买、部署等高影响操作，必须要求人工审批。
[ ] 已完成测试——在生产部署前，使用已知的正确和错误输入进行评估。
[ ] 已配置 rate limiting——防止失控的 Agent 向 API 发送海量请求。
[ ] 已建立 audit trail——使用 CloudTrail 记录所有 Agent 操作和工具调用。
AWS 上的 Agentic AI 领域正在快速演进：
Bedrock Flows——通过可视化构建器串联 Agent、prompt 和条件，无需编写代码。
Agent-to-agent communication——Agent 可以自主发现其他 Agent，并将任务委派给它们。
Long-running Agent——Agent 可以跨数小时甚至数天持续运行，而不再局限于简单的 request-response。
AgentCore Memory 改进——提供包含实体关系的结构化 Memory，而不只是保存对话历史。
MCP 生态系统增长——为数据库、API、SaaS 平台等常用服务提供更多预构建的 tool server。
2026 年在 AWS 上构建 Agentic AI：
从 Bedrock Agents 开始，使用托管式编排——原型开发速度快，并且已经具备生产就绪能力。
当你需要自定义编排逻辑或高级模式时，使用 Strands SDK。
将 Agent 部署到 AgentCore，获得生产级基础设施能力，包括 Memory、Identity 和 Observability。
通过 AgentCore Gateway 连接工具——基于 MCP 动态发现，无需 hard-coding。
使用 Knowledge Bases 提供事实依据——RAG 可以防止幻觉。
使用 Guardrails 提供保护——在每次交互中执行内容过滤、PII masking 和 grounding check。
通过多 Agent 模式实现扩展——复杂领域使用 Supervisor-Worker，需要顺序处理的任务使用 Pipeline。
从“能够回答问题的 chatbot”到“能够采取行动的 Agent”，是 2026 年云端 AI 最具代表性的转变。基础设施已经准备就绪，接下来的问题是：你要在它之上构建什么？
Alpesh Kumbhare 是 Atos 的 AWS Architect，专注于 AWS 基础设施自动化和云端 AI 解决方案。你可以在 LinkedIn 上与他联系。
如果需要采取进一步措施，可以考虑屏蔽此人和／或举报滥用行为。