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
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。