使用 Amazon Bedrock AgentCore 构建实用 AI 代理

Source: Dev.to

我在 AWS User Group Chennai 的聚会上度过了星期六，其中一个环节让我印象深刻：深入了解 Amazon Bedrock AgentCore 以及它如何帮助创建真实的 AI 代理。

演讲者 Muthukumar Oman（Intellect Design Arena 的副总裁 – 工程主管兼 AWS Community Builder）清晰有序地阐述了如何将 AI 模型从基础演示转化为完整可用的 AI 代理。

当天还有其他精彩的演讲，但这一场尤为突出，因为它解答了我们许多人一直在思考的一个问题：

我们如何超越简单的聊天机器人，真正构建一个可靠的、能够与我们的系统协同工作的 AI 代理？

什么是 Amazon Bedrock AgentCore？

用通俗的方式理解 AgentCore

• AgentCore 充当您在 AWS 上的 AI 代理的主要控制中心。
• 它帮助您：
  • 安全且大规模 地部署和运行代理。
  • 在代理调用工具和 API 时确保 可信赖性和可靠性。
  • 使用内置工具，如 代码解释器 和 浏览器。
  • 保持 框架和模型无关，因此您可以使用自己喜欢的技术栈。
  • 以 结构化的方式 测试和监控代理。

类比：如果普通的大语言模型（LLM）像是一个聪明的实习生，AgentCore 就是帮助该实习生使用各种应用、跟踪工作并确保一切安全的 IT、安全和支持团队。

AgentCore 在 AI 堆栈中的位置

其中一张幻灯片展示了 AWS 上完整的 AI 结构：

Applications
 └─ AI & Agent Development Tools & Services
      └─ Amazon Bedrock (models, features, AgentCore)
           └─ Underlying Infrastructure
                ├─ Amazon SageMaker
                └─ AI compute resources (Trainium, Inferentia, GPUs)

换句话说：

Source: …

AgentCore 的核心构建块

AgentCore Runtime – 代理背后的引擎

AgentCore Runtime 幻灯片的要点：

• 框架无关 – 不会被锁定在特定的代理框架中。
• 模型灵活性 – 可根据需要插入不同的模型。
• 支持 多种协议、扩展执行时间以及增强的负载处理。
• 提供 会话隔离、内置身份验证和代理专属可观测性。
• 提供 统一的代理专属能力集合。

部署流程（简化版）

1. 将你的代理或工具代码（例如 Python 框架） 打包为容器。
2. 将容器镜像 推送到 Amazon ECR。
3. 通过 AgentCore 端点 将其 暴露。
4. 端点将容器连接到模型和 Bedrock AgentCore runtime。

类比：部署微服务——打包代码、推送镜像，AgentCore 再把它接入所需的模型和工具。

Memory – 短期记忆 vs. 长期记忆

AgentCore 将记忆分为两个独立层次：

工作原理

• 短期记忆 以原始数据形式存储。
• 长期记忆 使用向量存储。
• 记忆提取模块 根据事件/策略检索相关信息，进行组合，并生成可搜索的嵌入版本。

类比：

• 短期记忆 = 你当前正在进行的对话。
• 长期记忆 = 代理随时间对你所学到的所有内容。

示例用例（银行/电商助理）

• 记住用户偏好的语言。
• 回忆用户通常购买的商品类型。
• 存储重要事实，例如 “该用户偏好电子发票”。

内置工具：代码解释器和浏览器

代码解释器 – 让代理安全运行代码

架构流程

1. 用户 向代理发送查询。
2. 代理 调用 LLM。
3. LLM 选择 代码解释器 工具并创建会话。
4. 代码在 沙箱环境 中运行，拥有独立的文件系统和 shell。
5. 遥测 数据流入可观测性系统。
6. 结果返回给用户。

能力

• 安全的沙箱执行。
• 多语言支持。
• 可扩展的数据处理。
• 增强的问题解决能力。
• 结构化数据格式。
• 能够处理复杂工作流。

类比: 为你的代理提供一台临时的、安全的笔记本电脑，它可以执行脚本、处理 CSV 文件或进行数据处理——而你可以全程监控。

浏览器工具 – 让代理浏览网页或应用

流程图

1. 用户 发送查询（例如，“在 Amazon 上购买鞋子”）。
2. 代理 调用 LLM。
3. LLM 选择 浏览器工具。
4. 工具生成类似 click left at (x, y) 的指令。
5. 一个库（例如浏览器自动化框架）将这些指令转换为真实操作。
6. 浏览器执行这些操作并将 截图/结果 发送回代理。

能力

• 资源和会话管理。
• 使用 AWS DCV Web 客户端 渲染实时视图。
• 可观测性和会话回放。

通俗来说: 你的代理实际上可以与用户界面交互——而不仅仅是描述它。这对缺乏 API 的旧系统尤为关键。

Source: …

网关、身份与可观测性 – 生产就绪的关注点

AgentCore 网关 – 所有工具的统一入口

AgentCore 网关 为代理提供统一的入口，以连接任何工具或 API。它负责：

• 请求路由 到相应的工具（例如代码解释器、浏览器、自定义 API）。
• 身份验证与身份管理，确保每个代理以正确的权限运行。
• 可观测性（指标、日志、追踪），用于监控性能和排查问题。

这种设计确保代理能够大规模部署，同时保持安全、可审计且易于管理。

AgentCore 身份 – 这个代理到底是谁？

身份通过 AgentCore 身份 管理，重点包括：

• 集中式代理身份管理
• 凭证存储
• OAuth 2.0
• 身份与访问控制
• SDK 集成
• 请求验证安全

这类似于 IAM，但专为代理量身定制：它们使用适当的身份验证、受限访问凭证并验证请求来调用 API。

AgentCore 可观测性 – 看见你的代理在做什么

可观测性特性包括：

• 与 OTEL 兼容的仪表化
• 运行时、内存、网关和工具指标
• 会话、追踪和跨度

简而言之，你可以追踪代理如何处理一次请求、使用了哪些工具、每一步耗时多久以及出现问题的具体位置。

Strands Agents 与 Bedrock Agents 与 AgentCore

如何将所有这些整合到真实世界的应用中

从“玩具聊天机器人”到生产代理

演讲者展示了一个应用与 AgentCore Runtime 通信的示意图，随后它与以下组件交互：

• 模型
• 内存
• 网关
• 身份
• 可观测性

示例用例

1. 客服代理 – 跟踪过去的对话和用户偏好。
2. 金融助理 – 使用浏览器工具访问内部系统并安全检索数据。
3. 开发者助理 – 通过代码解释器运行代码，并记录所有操作以供审查。

为什么这对构建者很重要

如果你正在打造初创产品或在大型公司工作，你会面临类似的挑战：

• “我该如何可靠地处理会话和内存？”
• “我如何在不引发安全问题的情况下将代理链接到不同的工具？”
• “当出现故障时，我该如何找出问题所在？”

AgentCore 通过以下方式解决这些问题：

• 结构化的运行时和内存
• 网关 + 身份验证，实现安全的工具访问
• 深度可观测性，提供追踪和指标

最终，它将 AI 代理从临时的副项目提升为运营、安全和合规团队真正可信赖并可使用的解决方案。

结论

Amazon Bedrock AgentCore 表明，构建强大的 AI 代理并不仅仅是再做一个聊天机器人。这关乎把基础做好——记忆、工具、安全性和可观测性。当运行时、网关、身份以及内置工具协同工作时，它们形成了坚实的基础，使项目从快速的周末实验转变为可靠的生产级 AI 体验。

关于作者

作为 AWS Community Builder，我喜欢通过自己的经验和活动分享所学，并乐于帮助他人在道路上前行。如果您觉得这有帮助或有任何问题，请随时联系！

🚀 在 LinkedIn 上与我联系

参考

• 事件： AWS 用户组 Chennai 见面会
• 主题： 使用 Amazon Bedrock AgentCore 构建实用 AI 代理
• 日期： 2025年9月27日

亦发布于

• AWS Builder Center
• Hashnode