← Financial Cloud Cloud 云端社群 · Amarathon 2025 回顾

极点宏观|Financial Cloud Cloud · AWS Amarathon 2025

极点宏观|Amarathon 2025 回顾 01:开发者的智能体架构设计路线图

演讲者: Donnie Prakoso

场次: 01

场次
Summit Dev Lounge2026 Re:cap
01 把架构写成 Steering,引导 AI Agent
02 Agent Harness 才是真正的工程护城河
03 用白话询问可观测性数据
04 以 Bedrock AgentCore 打造 Serverless AR 游戏
05 AgentCore 上的多 Agent 量化回测
06 三分钟用 Kiro 把博客变成幻灯片
AWS Community Day Hong Kong 2025 Re:cap
02 使用 Terraform 实现 AWS 合规
03 从初学者到构建者:一段精彩的 AWS 云之旅
04 以团队为先:使用 Laravel 与 Bref 开展无服务器工程
05 活动开幕式
06 智能体到智能体:在 AWS 上构建可互操作的 AI
07 利用另一类遥测数据,借助 AI 智能体更快改进
08 告别氛围编程:使用 Kiro 进行规格驱动开发
09 使用 MCP 与 AI 智能体进行自动化测试
10 使用机器学习方法实现电信安全现代化
11 重新思考生成式 AI 智能体:RAG 与 MCP
12 使用 TAK 和 AWS 开展灾难与应急响应
13 从测试视角重新思考无服务器应用程序工作流
14 Practical AWS FinOps for Cloud Success
15 基于 AWS 的 AI 驱动全球纯 Alpha 宏观交易:重塑风险调整后资产收益
FSI Recap
01 现代交易生命周期:从交易到结算
02 Goldman Sachs:通过 Fast Track 加速应用程序上云 - AWS Re:cap Q1/2023
03 Zurich Insurance Group:在 AWS 上构建高效的日志管理解决方案
04 FSI Meetup 2025 年第四季度 - Brex 数据库灾难恢复
05 FSI Meetup 2025 Q4 - Graviton 迁移成功案例
06 FSI Meetup 2025 Q4 - Stifel 现代数据平台
07 FSI Meetup 2025 Q4 - PayPal 金融交易数据对账系统
08 FSI Meetup 2025 Q4 - 规模化提升韧性
09 最大限度提高 AI 推理成本效益:战略性采用 AWS GPU 实例
10 高级智能体 AI 设计模式
11 在 AWS 上构建全新的现代化应用
AWS re:Invent 2025
01 Coinbase re:Invent 回顾 (IND3312)
02 利用 AI 和 AWS 构建未来交易平台
03 交易创新:Jefferies 基于 Amazon Bedrock 构建的 AI 助手 (IND3315)
04 FSI 如何通过 Agentic AI (GBL302) 彻底改变 HFT 分析
05 使用 Amazon Time Sync 改进分布式系统(采用 Nasdaq)
06 Amazon Aurora HA 和 DR 全球弹性设计模式 (DAT442)
07 构建智能体式 AI:Amazon Nova Act 与 Strands Agents 实践 (DEV327)
08 深入探讨 Amazon Aurora 及其创新 (DAT441)
09 深入探讨 Amazon S3(STG407)
10 Nasdaq:为全球金融服务构建弹性基础设施 (HMC327)
11 AWS Lambda 新功能 (CNS376)
12 使用 Kiro 进行规范驱动开发 (DEV314)
13 Amazon 的 FinOps:全球电商巨头的云成本管理经验 (AMZ308)
14 AWS 上交易平台的 Tick-to-Trade 延迟
政务数据
01 The AI Era: The Boundary Between Development and Design Is Disappearing
02 端侧多模态 AI 与智慧城市实践
03 大模型能力评测与 AI 项目落地方法论
04 基于云代理的政府开发全链路受控自动化
05 从多智能体看 Agent 时代软件新生态
06 AI 驱动的宏观量化研究与智慧治理
07 公共数据授权运营与智慧政务实践
08 数据资产化落地实践:确权合规、工程治理与数字政府案例
09 AI技术赋能心理健康公益:可信平台的治理、架构与实践
Amarathon 2025 回顾
01 开发者的智能体架构设计路线图
02 Amazon Bedrock 数据自动化
03 AgentCore 上的多智能体
04 实践中构建智能体式 AI:Nova Act 与 Strands Agents
04 使用规格驱动开发,通过 Kiro 加速迁移项目
06 从「匹配」到「理解」:由 AgentCore Memory 驱动的个性化 AI 搜索实践
07 从观察到优化:从 LLM 可观测性迈向 AIOps,将实时洞察转化为智慧自动化
08 部署 TEAM 并打造最佳工程团队
09 五年来所谓无服务器数据库带来的五个惨痛教训
14 如果 AI 替我工作会怎样:Q Developer CLI 与 Kiro 如何改变我的日常工作
16 兼顾速度与警觉:Amazon Bedrock Agent 开发的安全要点
26 在单张 H100 上运行 OSS LLM:更智能、更便宜、更快速
28 现代统一元数据架构:打破数据孤岛的新方法
29 无服务器 MediaOps:使用 Amazon Web Services 上的 AI 自动化视频工作流
30 通过大规模性能测试构建兼具效率与可靠性的架构
31 通过开源连接世界:技术、社区与全球开发者关系的实践历程
33 构建流式 Iceberg 表以进行实时物流分析
34 加速大规模机器人策略训练:基于 Kiro、Trainium 和 EKS 的自动化闭环架构
35 通过规格驱动开发,从 Vibe 走向可行方案
36 让云成本分析更智能:使用 Strands 和 AgentCore 构建 FinOps 智能体
37 使用 CNCF Kagent、K8sGPT 和 Nova Sonic 转型 K8s 对话式智能体 AIOps

开发者路线图

● 未来架构师(future architect)

● 内容生成

● 学习 RAG

● 增强开发技能

● 构建 AI 智能体

● 集成 MCP

● 智能体通信

● 正在快速发展……

智能体式开发

● 与智能体一起开发

● 代码生成

● AI-DLC(AI-Driven Development Lifecycle,AI 驱动开发生命周期,一种将人工智能定位为核心协作者的现代软件开发方法)

● 智能体式 IDE

● 氛围编程

● 规格驱动

面向智能体开发

● 扩展

● 部署

开发智能体

● 单智能体 vs 多智能体

● MCP

● 防护机制

● 可观测性

● 最佳实践

● API

智能体式 AI 系统

● 使用以下项目构建

● 智能体

● 自主决策

● 迭代式问题解决

● 目标导向行为

智能体模式

● 模式类型

● 反思

● 工具使用

● 规划

● 多智能体

内容生成

● 选择模型

● 提示工程

● 参数

● 如何与 Bedrock API 交互

使用 Amazon Bedrock Knowledge Base 的 RAG

● 使用 RetrieveAndGenerate API

● 设置 RAG

● 选择合适的模型


KIRO

● 从原型到生产环境的 AI IDE

● 规格驱动开发

● Steering(引导或控制 AI 系统的行为、响应和发展,使其朝预期方向发展的过程;这可能包括针对特定任务微调模型)

● 使用 Agent Hooks 实现自动化(开发环境(IDE)中的自动触发器,会响应特定事件并执行预定义的 AI 智能体操作,例如保存或创建文件。其设计目的是自动执行重复性任务、确保一致性并简化开发工作流)

● 创建检查点

● 基于属性的测试 PBT(一种软件测试方法,侧重于验证被测系统的一般属性或不变量,而不是使用预定义的输入和预期输出来检查特定示例。PBT 使用生成引擎自动创建多样化的随机输入,以全面探索输入空间。)

通过智能体运行的 AI 正在改变开发方式

● 智能体式开发

● 与智能体一起开发

● 面向智能体开发

● 开发智能体

多智能体模式全景

● 图

● 工作流

● Swarm(让专业化智能体通过相互移交控制权来协同工作,创建比单个智能体更复杂、更稳健的工作流。)

多智能体 — Swarm

● 专业化智能体之间的动态移交

● 涌现路径 - 智能体自行决定下一步移交给谁

● 所有智能体共享上下文和工作记忆

● 只需极少编排的自主协作

● 使用案例:开发项目、研究项目

“GenAI 的未来会是什么样?”

● 微服务的未来不只是更好的 API,而是通过 AI 智能体进行通信的智能服务

● GenAI 可以编写代码并运行工作流,但无法取代你对系统最初为何需要存在的理解。


智能体通信概念验证

● 此架构图展示了一个基于 AWS 的智能体式 AI 应用系统,使用 Amazon Bedrock AgentCore Runtime 和 Strands Agents SDK。该系统使用 Model Context Protocol (MCP),与通过 AWS Lambda 实现的各种微服务集成,并使用 Amazon DynamoDB。

● AgentCore Runtime:运行 AI 智能体的核心执行平台,具备会话隔离(使用 microVM)、可扩展性和可观测性等企业级功能。

● Strands Agents:开源、代码优先的 Python SDK,用于构建智能体逻辑,包括状态处理、工具编排和多步推理。

● AgentCore Gateway:提供安全的入站连接和统一接口,让智能体能够访问工具,包括现有的 MCP 服务器、REST API 和 Lambda 函数。

● Model Context Protocol (MCP):一种开放标准和客户端-服务器架构,使 AI 模型能够与外部数据源及工具通信。

● MCP 服务器:向 AI 智能体提供特定能力(工具)的轻量级程序。

● 微服务:该系统由多个无服务器微服务组成),每个微服务均使用 AWS Lambda 函数实现,并由 Amazon DynamoDB 提供数据持久化支持。

● 工作流:在 AgentCore Runtime 中运行的 Strands Agents 可以通过 AgentCore Gateway 通信,调用各个 MCP 服务器,进而触发相关微服务,以进行决策并使用工具。