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在实际企业级AI应用开发中构建一个能理解复杂意图、调用工具、处理多步骤任务的智能体Agent是核心挑战。传统的单一大模型调用往往只能完成一次性的问答或生成而真正的业务自动化如订单处理、客户服务、数据分析需要AI能够自主规划、决策并执行一系列动作。Amazon Bedrock Agents 正是为解决这类“多步骤任务自动化”而设计的服务它让开发者能够基于强大的基础模型FM快速构建、部署和管理具备推理、记忆和工具调用能力的AI智能体。本文将以一个贴近实战的“代码秀”场景为例带你从零开始完整拆解如何使用 Amazon Bedrock Agents 构建一个能在技术峰会上进行现场代码演示的AI团队。这个团队将由多个分工明确的Agent组成例如一个负责理解用户需求的“需求分析师Agent”一个负责生成代码片段的“程序员Agent”以及一个负责解释代码逻辑的“讲解员Agent”。我们将深入探讨其核心概念、配置步骤、代码实现、多Agent协作机制并重点分析在实际部署中可能遇到的配置、权限、推理逻辑等问题及其排查路径。无论你是希望将AI能力集成到现有系统的开发者还是对Agentic AI智能体AI架构感兴趣的技术决策者本文都将提供一套可落地、可复现的工程实践指南。1. 理解 Amazon Bedrock Agents 的核心工作机制在开始动手之前必须厘清几个关键概念这决定了你能否正确设计和使用Agent。1.1 Agent 是什么不仅仅是聊天机器人一个AI Agent智能体是一个能够感知环境、进行推理、制定计划并执行行动以实现特定目标的软件实体。在Amazon Bedrock的语境下一个Agent由以下几个核心部分组成基础模型Foundation ModelAgent的“大脑”负责理解用户输入的自然语言指令并进行推理和规划。Bedrock支持多种模型如Anthropic Claude、Meta Llama等。指令Instructions用自然语言描述Agent的角色、职责和行为边界。例如“你是一个专业的Python后端开发专家专注于生成高效、可读的代码。你会先分析需求再给出代码示例和简要解释。”行动组Action Groups定义了Agent可以执行的具体操作。每个行动组对应一个或多个API调用通过OpenAPI Schema定义。例如一个“代码执行”行动组可能包含“运行Python代码片段”和“获取执行结果”两个API。知识库Knowledge Bases可选组件。Agent可以连接到企业数据源如S3、数据库通过检索增强生成RAG技术在回答问题时引用最新的、特定的公司知识而不是仅依赖模型的通用知识。记忆MemoryAgent能够保留跨对话轮次的历史信息从而实现连续、连贯的多步骤任务处理。与简单的聊天机器人不同一个配置了行动组的Bedrock Agent在收到用户请求后其内部工作流程是理解 - 规划 - 执行 - 汇总。它会自动判断是否需要调用工具API、需要调用哪个工具、传递什么参数并在获得工具执行结果后综合所有信息生成最终回复。1.2 多Agent协作构建一个“AI团队”单个Agent的能力是有限的。复杂的业务场景如我们设想的“代码秀”需要多个Agent协同工作。这就是Bedrock的多Agent协作功能。监督员AgentSupervisor Agent负责接收用户的总任务并将其分解为子任务然后分配给最合适的专业Agent。专业AgentSpecialist Agent每个专业Agent负责一个特定领域。在我们的场景中需求分析Agent擅长将模糊的用户描述如“帮我写一个快速排序”转化为结构化的技术需求文档。代码生成Agent精通特定编程语言如Python、Java根据结构化需求生成代码。代码审查/解释Agent负责分析生成的代码解释其逻辑、复杂度或指出潜在问题。监督员Agent协调整个流程决定任务流转顺序并汇总各专业Agent的输出最终呈现给用户一个完整的结果。这种架构模拟了真实世界的团队协作极大地提升了处理复杂任务的可靠性和质量。1.3 为什么选择 Bedrock Agents关键特性与工程价值特性描述工程价值托管服务AWS全托管无需管理底层基础设施、模型服务器或扩展性。开发者聚焦业务逻辑而非运维降低入门门槛和长期成本。安全与合规与AWS IAM、KMS、私有VPC等深度集成数据无需离开AWS环境。满足企业级安全、隐私和合规性要求这是使用开源框架自建时的主要挑战。便捷的工具集成通过标准的OpenAPI (Swagger) Schema定义APIAgent可自动学习调用。快速将现有企业内部系统CRM、ERP、数据库的能力暴露给AI实现业务流程自动化。记忆与状态管理内置对话记忆支持长上下文和多轮复杂交互。简化了开发难度无需自行实现会话状态存储和上下文管理逻辑。多Agent协作原生支持定义和监督多个Agent协同工作流。为复杂场景提供了官方、稳定的架构范式避免自行设计通信和协调机制的复杂性。2. 环境准备与项目初始化在开始构建“代码秀”AI团队之前需要完成基础环境搭建。这里假设你已拥有一个AWS账户并具备基本的IAM操作权限。2.1 AWS 环境与权限配置启用 Bedrock 服务首次使用前需要在AWS管理控制台搜索并进入“Amazon Bedrock”服务在概览页点击“启用模型访问”。根据需求选择需要使用的模型例如Claude 3 Sonnet。创建IAM策略与角色这是最关键也最容易出错的一步。Agent要调用Lambda函数或外部API需要一个具有相应权限的执行角色。策略示例创建一个名为BedrockAgentExecutionPolicy的内联策略。{ Version: 2012-10-17, Statement: [ { Effect: Allow, Action: [ bedrock:InvokeModel, bedrock:ListFoundationModels ], Resource: * }, { Effect: Allow, Action: [ lambda:InvokeFunction ], Resource: arn:aws:lambda:region:account-id:function:code-show-* }, { Effect: Allow, Action: [ s3:GetObject ], Resource: arn:aws:s3:::code-show-knowledge-base/* } ] }创建角色在IAM控制台创建角色信任实体选择“Bedrock”。将上述策略附加到该角色。记下角色的ARN后续创建Agent时需要。2.2 定义“代码秀”的业务流程与Agent职责在编码之前必须明确设计。我们的“代码秀”场景流程如下用户提出请求“用Python演示一下快速排序算法并比较其与冒泡排序的性能。”监督员Agent接收请求识别出其中包含多个子任务a) 生成快速排序代码b) 生成冒泡排序代码c) 性能比较。监督员将任务a和b分配给代码生成Agent将任务c分配给代码分析Agent。代码生成Agent调用一个“代码执行Lambda函数”实际运行生成的排序代码获取执行时间等数据。代码分析Agent接收两份代码和性能数据生成一份对比分析报告。监督员Agent汇总代码片段、执行结果和分析报告形成最终回复给用户。基于此我们需要创建三个Agent并为其准备两个后端工具Lambda函数。2.3 创建后端工具Lambda函数Agent通过API调用工具。我们将创建两个简单的Lambda函数作为工具。工具1code-executor-python(Python代码执行器)功能接收一段Python代码在一个安全的沙箱环境例如使用subprocess中执行并返回输出或错误信息。Lambda代码示例 (Python 3.12)import json import subprocess import sys import tempfile import os def lambda_handler(event, context): # 从Agent的请求中解析代码 # Agent调用时参数会放在 event[parameters] 列表中 code_to_run None for param in event.get(parameters, []): if param.get(name) code: code_to_run param.get(value) break if not code_to_run: return { statusCode: 400, body: json.dumps({error: No code provided in parameters}) } # 使用临时文件和安全配置执行代码 with tempfile.NamedTemporaryFile(modew, suffix.py, deleteFalse) as f: f.write(code_to_run) temp_file_path f.name try: # 限制执行时间和资源 result subprocess.run( [sys.executable, temp_file_path], capture_outputTrue, textTrue, timeout10, # 超时10秒 cwdtempfile.gettempdir() ) output { stdout: result.stdout, stderr: result.stderr, returncode: result.returncode } return { statusCode: 200, body: json.dumps(output) } except subprocess.TimeoutExpired: return { statusCode: 408, body: json.dumps({error: Code execution timeout}) } except Exception as e: return { statusCode: 500, body: json.dumps({error: fExecution failed: {str(e)}}) } finally: # 清理临时文件 try: os.unlink(temp_file_path) except: pass注意生产环境需要更严格的沙箱隔离考虑使用容器或专用安全服务。工具2code-analyzer(代码分析器)功能接收两段代码及其运行性能数据生成简单的文本对比报告。Lambda代码示例import json def lambda_handler(event, context): # 解析参数 code_a None code_b None perf_a None perf_b None for param in event.get(parameters, []): name param.get(name) value param.get(value) if name code_a: code_a value elif name code_b: code_b value elif name perf_a: perf_a value elif name perf_b: perf_b value # 简单的分析逻辑实际可集成更复杂的静态分析工具 analysis f 代码分析报告 1. 代码A (快速排序) - 行数{len(code_a.splitlines())} - 时间复杂度平均 O(n log n)最坏 O(n^2) - 空间复杂度O(log n) - 实测执行时间{perf_a if perf_a else N/A} 2. 代码B (冒泡排序) - 行数{len(code_b.splitlines())} - 时间复杂度O(n^2) - 空间复杂度O(1) - 实测执行时间{perf_b if perf_b else N/A} 3. 对比结论 - 对于大规模数据快速排序通常远快于冒泡排序。 - 冒泡排序实现简单但效率低仅适用于极小数据集教学。 return { statusCode: 200, body: json.dumps({analysis: analysis}) }创建Lambda后记下它们的ARN。同时需要为每个Lambda创建一个别名Alias如PRODAgent将调用该别名便于未来无缝更新函数版本。3. 构建“代码秀”AI团队配置与集成我们将通过AWS管理控制台或AWS CLI/SDK逐步配置三个Agent。控制台操作直观适合首次理解流程。3.1 配置代码生成 Agent进入Bedrock控制台导航至“Agents”部分点击“Create agent”。基础设置Agent name:CodeGeneratorAgentDescription: “专业Python代码生成与执行Agent。”IAM role: 选择在2.1步骤中创建的角色。Model: 选择Claude 3 Sonnet平衡性能与成本。指令Instructions这是Agent的“人格”设定至关重要。你是一个专业的Python开发专家。你的职责是根据用户需求生成正确、高效、可读的Python代码。 如果用户的需求描述不够具体你应该主动询问澄清例如询问输入数据的格式、函数的签名、或性能要求。 你拥有一个可以执行Python代码的工具。在生成代码后如果条件允许且用户未明确禁止你应该主动调用该工具来验证代码是否能正常运行并将执行结果一并返回。 你的回复应包含1) 生成的代码用代码块包裹2) 对代码逻辑的简要说明3) 代码的执行结果如果执行了的话。 不要生成有害代码或执行危险操作。行动组Action Group配置点击“Add action group”。Action group name:ExecutePythonCodeDescription: “在一个安全沙箱中执行提供的Python代码并返回结果。”Action group type: 选择 “Define with API schemas”。Lambda function: 选择之前创建的code-executor-python函数及其PROD别名。API schema: 这是定义工具接口的OpenAPI Schema。你需要提供一个JSON或YAML。这里提供一个简化示例openapi: 3.0.0 info: title: Python Code Executor API version: 1.0.0 paths: /execute: post: summary: Execute Python code operationId: executePythonCode requestBody: required: true content: application/json: schema: $ref: #/components/schemas/ExecuteRequest responses: 200: description: Code execution result content: application/json: schema: $ref: #/components/schemas/ExecuteResponse components: schemas: ExecuteRequest: type: object properties: code: type: string description: The Python code snippet to execute. ExecuteResponse: type: object properties: stdout: type: string stderr: type: string returncode: type: integerBedrock会根据此Schema自动生成一个“Function definition”描述executePythonCode这个动作并映射到Lambda函数。知识库可选本例暂不添加。如果你希望Agent能参考公司内部的代码规范文档可以在此处连接一个包含文档的S3知识库。记忆Memory保持默认启用。这允许Agent在单次对话中记住之前的上下文例如用户之前要求生成排序代码现在要求“优化它”。完成创建点击“Create agent”。Bedrock需要几分钟来初始化Agent。3.2 配置代码分析 Agent重复类似步骤创建第二个Agent。Agent name:CodeAnalyzerAgentDescription: “分析代码逻辑、复杂度并提供对比报告。”Model:Claude 3 Haiku分析任务相对简单可用更轻量、更快的模型。Instructions:你是一个代码审查和分析专家。你的任务是分析给定的代码片段解释其算法逻辑、时间和空间复杂度并对比不同代码之间的优劣。 你会收到两段代码及相关数据如执行时间。你需要生成一份结构清晰、语言专业的分析报告。 报告应包含1) 各代码的独立分析2) 横向对比3) 适用场景建议。 只基于提供的事实和分析不要虚构信息。Action Group:Name:AnalyzeCodeLambda function: 选择code-analyzer的PROD别名。API Schema(YAML示例):openapi: 3.0.0 info: title: Code Analyzer API version: 1.0.0 paths: /analyze: post: summary: Analyze and compare two code snippets operationId: analyzeCode requestBody: required: true content: application/json: schema: $ref: #/components/schemas/AnalyzeRequest responses: 200: description: Analysis report content: application/json: schema: $ref: #/components/schemas/AnalyzeResponse components: schemas: AnalyzeRequest: type: object properties: code_a: type: string code_b: type: string perf_a: type: string perf_b: type: string AnalyzeResponse: type: object properties: analysis: type: string3.3 配置监督员 Agent这是协调整个团队的核心。Agent name:CodeShowSupervisorDescription: “协调代码生成与代码分析Agent完成完整的代码演示任务。”Model:Claude 3 Sonnet或Opus需要较强的任务分解和协调能力。Instructions:你是“代码秀”项目的总指挥。用户会提出涉及代码生成、执行和分析的复合需求。 你的工作流程是 1. 理解用户的完整请求。 2. 将请求拆解为独立的子任务a) 生成特定代码b) 分析/对比代码。 3. 将代码生成类子任务委托给 CodeGeneratorAgent。 4. 将代码分析类子任务委托给 CodeAnalyzerAgent。 5. 收集并整合所有专业Agent的回复形成一份完整、连贯的最终答案回复给用户。 如果用户的需求不明确你需要与用户交互以澄清。 你本身不直接生成代码或进行深度分析你的价值在于任务规划和结果合成。多Agent协作配置在Agent配置页面找到“Multi-agent collaboration”部分。点击“Add agent”分别添加之前创建好的CodeGeneratorAgent和CodeAnalyzerAgent。你需要为每个被协调的Agent提供一个简短的描述帮助监督员理解何时调用谁。例如CodeGeneratorAgent: “用于生成和验证Python代码片段。”CodeAnalyzerAgent: “用于分析和对比不同代码片段的逻辑与性能。”行动组监督员Agent通常不需要自己的行动组它的工具就是其他专业Agent。但如果你有需要所有Agent共享的通用工具如查询数据库可以在这里配置。4. 运行、测试与验证配置完成后我们进入最关键的验证环节确保每个Agent能独立工作并且监督员能正确协调它们。4.1 独立测试专业Agent在Bedrock控制台每个Agent都有一个“Test”窗口。测试CodeGeneratorAgent:在Agent详情页点击“Test”。输入“写一个Python函数计算斐波那契数列的第n项。”预期行为Agent应生成一个Python函数例如使用递归或循环然后自动识别到它有一个“执行代码”的工具并尝试调用它。由于我们的Lambda需要code参数而生成的代码本身是确定的Agent可能会尝试用n10这样的默认值去执行然后将代码和结果一并返回。查看日志在测试窗口下方打开“Trace”视图。你可以清晰看到Agent的推理链条Thought理解请求 - 决定生成代码 - 决定调用工具 - 准备参数 - 调用Lambda - 接收结果 - 组织最终回复。这是排查问题的黄金位置。测试CodeAnalyzerAgent:输入“请分析以下两段排序代码。[这里粘贴快速排序和冒泡排序的代码]”预期行为Agent应识别出需要调用AnalyzeCode工具并尝试从输入中提取code_a和code_b参数。由于我们没有提供性能数据perf_a和perf_b可能为空。它应返回一份基于代码静态分析的报告。4.2 端到端测试监督员Agent这是检验整个系统是否成功的关键。发起复合请求在CodeShowSupervisor的测试窗口输入“请用Python演示快速排序和冒泡排序并比较它们的性能。”观察多Agent协作流程在“Trace”中你应该看到CodeShowSupervisor的推理过程“用户请求涉及代码生成和性能比较。我需要将任务分解。首先让CodeGeneratorAgent生成快速排序代码并执行其次让CodeGeneratorAgent生成冒泡排序代码并执行最后将两段代码和性能数据交给CodeAnalyzerAgent进行分析。”接着Trace会显示它调用CodeGeneratorAgent的子会话。进入子会话的Trace你能看到代码生成Agent独立工作的完整过程。完成后监督员会发起对CodeAnalyzerAgent的调用。最终监督员汇总所有信息生成类似这样的回复“我已为您完成了快速排序和冒泡排序的演示与比较。1. 快速排序代码及结果[生成的代码块] 执行结果[Lambda返回的执行输出]2. 冒泡排序代码及结果[生成的代码块] 执行结果[Lambda返回的执行输出]3. 性能对比分析[CodeAnalyzerAgent生成的分析报告]总结...”验证输出检查最终回复是否包含了所有预期的部分两段可运行的代码、各自的执行结果、一份专业的对比分析。这证明多Agent协作管道是通的。4.3 通过API进行集成测试控制台测试通过后便可以通过Bedrock的Runtime API将Agent集成到你的应用程序中。以下是使用AWS SDK for Python (Boto3) 调用Agent的示例import boto3 import json # 初始化Bedrock Agent Runtime客户端 bedrock_agent_runtime boto3.client( service_namebedrock-agent-runtime, region_nameus-east-1 # 替换为你的区域 ) # 监督员Agent的ID agent_id YOUR_SUPERVISOR_AGENT_ID agent_alias_id TSTALIASID # 或你创建的别名ID def invoke_agent_with_session(prompt, session_id): 调用Agent并维持会话。 try: response bedrock_agent_runtime.invoke_agent( agentIdagent_id, agentAliasIdagent_alias_id, sessionIdsession_id, # 用于维持多轮对话记忆 inputTextprompt, enableTraceTrue # 启用追踪便于调试 ) # 处理流式响应Agent回复可能是流式的 completion for event in response.get(completion, []): chunk event.get(chunk, {}) if bytes in chunk: text chunk[bytes].decode(utf-8) completion text print(text, end) # 实时输出 print() # 换行 # 获取追踪信息需要从另一个API获取此处简化 # 实际应处理 response[trace] 或调用 get_agent_trace API return completion except Exception as e: print(fError invoking agent: {e}) return None # 模拟一个多轮对话 session_id code-show-session-001 print(用户: 请演示快速排序和冒泡排序并比较性能。) result1 invoke_agent_with_session(请演示快速排序和冒泡排序并比较性能。, session_id) print(f\nAgent: {result1[:200]}...) # 打印前200字符 print(\n用户: 能把快速排序改成非递归的吗) result2 invoke_agent_with_session(能把快速排序改成非递归的吗, session_id) # 由于有记忆Agent应该能理解“快速排序”指的是上一轮对话中的代码并在此基础上修改。5. 常见问题、排查路径与最佳实践构建和运行此类AI Agent应用时会遇到各种问题。以下是基于经验的排查清单和优化建议。5.1 常见问题与排查路径问题现象可能原因检查点与解决方案Agent 回复“我不知道如何做这个”或直接拒绝执行1. 指令Instructions不清晰或约束过强。2. 模型能力不足以理解任务。3. 未正确配置或启用行动组。1.检查Instructions确保角色描述清晰并明确告知Agent“你拥有XX工具可以执行YY操作”。使用积极引导如“你应该...”。2.简化请求用更简单、直接的语言测试。3.检查行动组状态在Agent编辑页面确认行动组已“Enabled”且API Schema解析无误无报错。4.查看Trace在测试窗查看推理链看Agent是否识别到了任务并尝试规划工具调用。Agent 识别到任务但调用工具失败1. IAM角色权限不足。2. Lambda函数执行出错超时、内存不足、代码异常。3. API Schema定义与Lambda实际接口不匹配。4. 参数映射错误。1.检查CloudWatch日志首先查看Lambda函数的CloudWatch日志这是最直接的错误来源。2.检查IAM权限确认Bedrock Agent执行角色拥有lambda:InvokeFunction权限且资源ARN正确。3.验证API Schema确保Schema中的operationId、请求体结构、参数名与Lambda handler期望的event格式匹配。Bedrock调用Lambda时参数会被包装在event[parameters]里。4.本地测试Lambda上传一个测试事件模拟Bedrock的调用格式确保Lambda能正确处理。多Agent协作中监督员不调用专业Agent1. 监督员的Instructions未明确描述协作流程。2. 专业Agent未成功添加到协作列表中。3. 模型如Haiku的复杂推理能力不足无法正确分解任务。1.强化监督员Instructions用更明确的步骤描述协作逻辑例如“首先将代码生成任务交给CodeGeneratorAgent然后将分析任务交给CodeAnalyzerAgent”。2.确认协作配置在监督员Agent的“Multi-agent collaboration”部分确认专业Agent已添加且描述准确。3.升级模型为监督员使用能力更强的模型如Claude 3 Opus。4.分步测试先确保监督员能正确理解任务分解看Trace再确保它能成功调用一个专业Agent。工具调用结果未被正确整合到最终回复中Agent在收到工具返回的原始JSON后未能很好地解析和总结。1.优化工具输出让Lambda返回结构更清晰、包含自然语言摘要的JSON。例如不仅返回stdout还返回一个summary字段。2.调整Instructions在Agent的Instructions中强调“在调用工具后你需要将工具返回的结果用用户友好的方式解释并呈现出来”。3.使用Post-Processing Lambda高级可以为行动组配置一个后处理Lambda在模型生成最终回复前先对工具返回的原始数据进行格式化。5.2 生产环境最佳实践版本控制与别名对Agent配置、Instructions、API Schema进行版本控制如使用AWS CloudFormation或CDK。Lambda函数务必使用别名如PROD,STAGING供Agent调用而不是直接使用$LATEST。这样可以在发布新版本函数时先更新别名指向新版本进行测试稳定后再切换实现蓝绿部署。监控与可观测性启用Bedrock Trace在调用API时设置enableTraceTrue并将Trace日志发送到CloudWatch Logs或S3用于分析Agent的决策过程和排查问题。监控Lambda指标关注Lambda的调用次数、持续时间、错误率和并发数。为代码执行类函数设置合理的超时和内存限制。使用CloudWatch自定义指标记录业务相关的指标如“用户请求复杂度”、“工具调用成功率”、“最终用户满意度”可通过后续评分反馈。安全与权限最小权限原则Agent执行角色的权限应精确到所需的具体Lambda函数和S3路径避免使用*。输入验证与清理在Lambda函数中务必对来自Agent的参数进行严格的验证和清理特别是执行用户代码的沙箱环境要防止注入攻击和资源滥用。使用Bedrock Guardrails为Agent配置Guardrails过滤不当的输入和输出防止生成有害内容或泄露敏感信息。性能与成本优化模型选型根据任务复杂度选择合适的模型。轻量任务用Haiku复杂推理用Sonnet或Opus。可以在不同Agent上使用不同模型。缓存对于频繁且结果固定的工具调用如查询静态数据考虑在Lambda层或API Gateway层增加缓存。设置会话超时对于非对话型应用可以设置较短的会话超时以控制记忆功能带来的上下文长度和成本。Instructions工程清晰具体Instructions是Agent的“宪法”。指令要明确、无歧义。明确说明Agent的角色、目标、可用工具以及如何/何时使用它们。迭代优化通过测试窗不断与Agent对话发现其误解或无效行为然后精炼Instructions。这是一个持续的过程。提供示例在Instructions中提供一两个输入输出的示例Few-shot Learning能显著提升Agent对复杂任务的理解。通过以上步骤你不仅能够搭建起一个用于“代码秀”演示的多Agent系统更能掌握构建企业级AI智能体应用的核心方法论。从明确业务流程、设计Agent职责到配置工具集成、测试协作流程再到最后的投产优化与监控每一步都需要细致的工程化思考。Amazon Bedrock Agents 提供了一个强大的托管平台但成功的关键仍在于对业务逻辑的深刻理解和对AI智能体工作模式的精准把握。 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