← 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 04:实践中构建智能体式 AI:Nova Act 与 Strands Agents

演讲者: Haowen Huang

场次: 04

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

智能体式 AI 的未来趋势

● 生成式 AI 的演进遵循着清晰的发展进程,每个阶段都为企业带来新的优先事项和挑战。

● 系统的自主性从低(基于规则、高度人工监督)到高(独立运行、战略决策)不等。

● 目前,大多数系统仍处于智能体式 AI 的早期阶段。

更高的自主性需要先进的技术、治理、信任和组织准备度。展望 AI 智能体驱动的未来

● Sequoia Capital 预测,未来的 AI 系统将演进为自主运行的智能体,具备推理、规划、协作和高度自主的能力。

● 预测中的 2030 年代智能体经济将像全球神经网络一样运行,由众多智能体操作组成一个互联网络。

● 这为开发者提供了占据该网络关键节点的机会;如果他们的 AI 智能体被广泛采用,可能会带来可观的财务收益。

● Sequoia Capital 还预测将出现“单人独角兽”——由一个人创建和运营、估值达 10 亿美元的公司。这一转变将催生新的组织模式,创始人将协调 AI 智能体工作流,而不是组建传统团队。

● 创始人的角色将转变为战略编排者,决定哪些职能应自动化、委派,以及在哪里引入人工监督。

随机性思维与规格驱动开发

● AI 智能体的世界需要随机性思维,这是一种不同的思考方式。开发者可能需要调整与大语言模型沟通的方式,以提高输出准确性。

● Kiro 等未来的 AI IDE 将支持规格驱动开发,这凸显出我们需要在组织结构和思维框架等新领域做好心理准备。

智能体式 AI 的基础设施

● 未来智能体式 AI 世界的基础设施正在建设中,其中包括实现 AI 智能体及其工具之间互操作性所必需的通信协议。

● MCP 和 A2A 等新兴标准正在应对这一互操作性挑战,并已被 Amazon、Anthropic、Meta 和 Google 等行业领导者采用。

● 这些协议有助于连接智能体应用、模型和各种资源。

● AWS 积极参与 MCP 和 A2A 的标准委员会,贡献其在分布式系统方面的经验,以改进这些协议。


智能体式 AI 实际应用:获取本地天气信息

场景概述

● 演示一个使用 MCP 协议、Amazon Bedrock 和香港天文台网站开发的本地天气应用。

● AI 智能体使用 Nova Act 构建,并通过自然语言提示与天气网站交互。

功能

● 用户向智能体提供特定天气网站的 URL。

● 智能体会响应“香港目前天气如何?”之类的自然语言提示。

● 智能体像真人网页抓取工程师一样工作,自主从香港天文台网站找到天气信息。

● 智能体式 AI 时代已经到来,我们必须为未来做好准备。

● Nova Act 等 AWS 服务可以帮助完成这一转型。

技术细节

● 使用 Nova Act 设计智能体应用。

● 使用 MCP 实现 AI 智能体,展示 MCP 如何弥合 AI 模型与现实世界数据源之间的鸿沟,从而创建功能更强大的应用。


使用 Strands Agents 构建自定义智能体式

AI 应用 构建自定义智能体面临的挑战

● 输入端:需要连接器让智能体与各种企业系统交互、拉取实时数据,并调用 API 执行工作流(例如预订、更新、触发流程)。工具和 MCP 有助于编排这些输入。

● 记忆:同时需要短期记忆(会话上下文)和长期记忆(随时间学习和改进),才能让智能体具备适应能力和上下文感知能力。

● 大脑 (LLM):需要使用 ReAct、Reflexion 和 Chain-of-Thought 等推理框架进行扩展,以支持规划、反思和逐步推理;这对可靠性和可追溯性至关重要。

● Persona:每个智能体都需要一套明确定义的角色和指令(persona),以区分功能(例如 HR 智能体 vs. DevOps 智能体)。

● 可观测性和防护机制:自定义 AI 智能体需要相应机制,以确保安全性、可调试性并与目标保持一致。

Strands Agents

● Amazon 推出的 SDK,可用最少的代码构建 AI 智能体。

● 通过处理复杂的编排来简化开发,并利用最先进的模型进行规划、思维链推理、工具调用和反思。

● 开发者在代码中定义提示和工具列表,在本地测试,然后部署到云端。

演示:使用 Manim 制作数学动画

● 展示如何使用 Manim 创建数学动画;Manim 是一个用于高质量数学可视化的 Python 库。

● Strands Agents 处理用户提示、编写 Manim 脚本并生成动画。

● 要点:

● Strands Agents 简化了复杂的现实世界智能体式 AI 应用的创建过程。

● 该演示凸显了将智能体工作流与专业开源工具相结合所产生的强大能力。


核心实现代码分析 1

导入必要组件

● 代码从 strands 模块导入 Agent 类,并从 strands.tools.mcp 导入 MCPClient 类

● 这些导入项为在 Strands 框架内使用智能体和消息控制协议的系统提供了必要组件。

2 设置与 Manim MCP 服务器的连接

● 代码使用标准输入/输出 (stdio) 作为传输机制,设置与 Manim MCP 服务器的连接。

3 建立交互上下文

● 代码建立与 Manim MCP 服务器交互的上下文。

● 它使用 MCP 客户端从服务器获取可用工具。

● 使用这些工具初始化 Agent,为接下来的聊天循环做好准备。

4 处理自然语言提示

● 代码使用 Agent 处理请求制作 Manim 动画的自然语言提示。

● 该提示要求对一个特定的三次函数从 x=-3 到 x=3 绘图,生成 9 秒的可视化内容。


演示流程

环境设置

● 使用 VS Studio 中的两个终端窗口:

● 左侧终端:运行 MCP Server,该服务器连接到 Manim MCP Server — MCP 的本地实现模式。

● 右侧终端:运行 MCP Client 程序,启动视频生成聊天界面。

用户交互

● 用户通过聊天界面输入自然语言命令,以生成数学公式动画。

● 命令示例:"Create a Manim scene that draws a cubic function from some x range in 9

seconds." 智能体处理

● 提交后,右侧终端会显示智能体正在处理自然语言请求。

● 智能体发起第一次工具调用 "execute manim

code"。自适应问题解决

● 检测到本地环境中的编译问题后,智能体会智能地创建一个简化版本来完成任务,展现其自适应问题解决能力。

任务完成与输出

● 智能体成功完成任务并提供输出摘要,将其表现评为 "Perfect!",同时提供其实现的主要功能详情。

● AI Agent 最终生成的 MP4 视频文件位于 "videos" 目录中。

● 视频确认智能体已为所要求的数学函数创建了动画视频。

● 值得注意的是,智能体主动添加了按比例缩放的 X 轴和 Y 轴;自然语言输入并未直接要求这一功能,展现了 AI Agent 的智能以及预判用户需求的能力。


AWS 智能体式 AI

产品组合架构 三层服务

[ 1 ] 基础设施层:

● 提供运行智能体式 AI 应用所需的基础资源和能力。

[ 2 ] AI 与智能体开发软件及服务层:

● 包含专为开发和管理 AI 智能体而设计的工具、SDK 和服务。

[ 3 ] 子层:智能体 SDK

● 包含 Amazon Nova 和 Bedrock Agents。

[ 4 ] 应用层:

● 包含使用较低层提供的 AI 智能体和基础设施构建的最终用户应用及服务。

专业服务类别

● 每一层都包含更专业的服务类别,专门满足智能体式 AI 开发和部署的需求。