← 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 36:让云成本分析更智能:使用 Strands 和 AgentCore 构建 FinOps 智能体

演讲者: Xiaofei Li

场次: 36

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

2025 年被称为“AI 智能体元年”,距离现在只剩两个月。

● 用户已经开发出自己的 AI 智能体。

● 编程智能体是 AI 智能体的一种类型。

● AI 智能体是各种利用 AI、且“看起来很智能的应用”。

● 示例包括:会议纪要智能体、面试准备智能体和编程智能体。

LLM 时代“AI 智能体”的特征

● 角色设定:可以定义角色或个性,实现个性化的行为和响应。

● 规划与反思:为了实现目标,智能体可以制定计划,并根据执行结果进行调整。

● 长期记忆:可以像人类一样保留长期交互信息或经验。

● 工具执行:不仅可以生成文本,还可以调用各种外部工具或 API 来执行操作。

● AI 智能体可以帮助解决实际问题,例如成本分析智能体。

● 如何使用 Amazon Web Services 开发成本分析智能体。

如何构建 AI 智能体

● Bedrock Agents

● AgentCore:以无服务器方式部署自行开发的智能体,并提供身份验证、工具、可观测性及其他功能。

● Strands Agents:一个 Python 框架,只需最少 3 行极其精简的代码即可实现 AI 智能体。

● 使用 Strands Agents 构建 FinOps 智能体。

开源 AI 智能体框架——Strands Agents

● 只需 3 行 Python 代码即可创建 AI 智能体

● 优点:简单、轻量,开发体验良好

● 应用于 Amazon Web Services,例如 Amazon Q Developer

● Strands 核心概念:结合“模型”和“工具”

● 随着 LLM 能力的提升,构建 AI 智能体只需指定模型和工具

● 创建智能体:设置 LLM 和系统提示词,并通过提供提示词进行调用

● 为智能体配备工具能力:Strands 提供内置工具,例如计算和文件操作

● 可以通过为 Python 函数添加 @tool 来编写自己的工具

● 获取 MCP 服务器提供的工具,兼容本地和远程 MCP 服务器

● 构建多个智能体:Agent as Tools、Swarm、Graphs、Workflows

● Agent as Tools 示例:主管—下属模型,由主管智能体分配子任务、调用子智能体执行并汇总结果

● MCP 之后的热门趋势:支持 A2A(Agent to Agent)

● 在 Strands 上构建 A2A 的示例:有专用类可以使用 Tool Use 调用远程智能体

● 智能体部署:通过 Bedrock AgentCore 快速部署


AI 智能体部署的难题

● 部署过程复杂

● 身份验证和授权问题

● 维护和监控方面的挑战

● 运行成本问题

● 是否支持流式输出

什么是 Bedrock AgentCore?

● 它是专为 AI 智能体打造的“便捷组件集”

● 包括 Runtime(无服务器基础设施)、Memory(记忆管理)、Gateway(工具集成)、Identity(身份验证/授权)和 Observability(维护和监控)等功能

● 可以与任何偏好的智能体框架搭配使用,按需选择功能,并通过 API 轻松集成

整个系统的核心是 Runtime

● 无论使用何种框架开发 AI 智能体,都可以轻松部署到无服务器环境

● 类似于专为 AI 智能体准备的容器化 Lambda

● 借助专用 CLI 工具包,可以轻松完成部署操作

● 后端部分已经完成,下一步是考虑前端的实现方案。

前端页面的可选技术

● 对初学者友好

● 生产级开发套件

● 可以使用 Python 轻松编写美观的界面

● 只需关联 Next.js 或 React 等代码仓库,即可实现自动部署

● 对不熟悉 JavaScript 的后端工程师来说,这是一个不错的选择

● Gen2 版本实现了显著演进和性能提升。


关键要点

● 云成本分析对企业和个人都至关重要。在 AI 智能体元年,可以使用 Amazon Web Services 的技术栈快速构建帮助分析云成本的 AI 智能体。

● Strands Agents 是一个可灵活构建多智能体系统的框架,只需 3 行 Python 代码即可设置 AI 智能体,具有极致的简洁性和高度可扩展性。

● Strands Agents 支持 MCP 和 A2A 协议,让智能体之间能够协作和共享工具。

● Strands Agents 可以与 Bedrock AgentCore 无缝集成,实现生产级部署。

● 使用 AgentCore 可以简化部署和维护过程。Runtime 组件提供可自动扩缩的无服务器运行时环境。

● Memory、Identity、Gateway 和 Observability 等组件提供记忆、身份验证、工具集成和监控的一体化能力。

● 通过 CLI 自动打包和部署,可以快速进入生产环境。


Amazon Bedrock AgentCore

架构 核心服务

● AgentCore Runtime:用于托管 AI 智能体或工具代码的安全无服务器执行环境。它提供完整的会话隔离以确保安全,并支持最长 8 小时的长时间异步任务。

● 框架:支持热门开源智能体框架(例如 LangGraph、CrewAI)以及任何基础模型。

● 智能体指令:定义智能体的行为和能力。

● 智能体本地工具:特定智能体用于执行任务的本地工具。

● 智能体上下文:管理对话中临时的、会话特定的状态。

● AgentCore Gateway:为智能体发现并连接工具和资源提供安全方式。它可以将现有 API(例如 Lambda 函数或 OpenAPI 规范)转换为智能体兼容工具,最大限度减少自定义集成工作。

● AgentCore Memory:通过管理短期和长期记忆,让智能体能够进行上下文感知对话。它会存储对话上下文,并提取跨会话的用户偏好等持久性知识。

● AgentCore Identity:为智能体提供安全、可扩展的身份和访问管理。它负责身份验证和授权,让智能体能够代表用户安全访问 AWS 资源和第三方服务。

● CloudWatch GenAI Observability(AgentCore Observability):为生产环境中的智能体性能提供全面的监控、跟踪和调试功能。

它由 Amazon CloudWatch 和 OpenTelemetry 兼容的遥测技术提供支持,能够深入洞察智能体工作流的运行情况。内置工具

● AgentCore Code Interpreter:让智能体能够在隔离的沙箱环境中安全地编写和执行代码,以完成数据分析或计算等复杂任务。

● AgentCore Browser:提供快速、安全、基于云的浏览器运行时,让智能体能够大规模与网站交互并提取信息。

外部交互

● 应用和模型:智能体系统与用户应用以及 Amazon Bedrock 或其他提供商提供的各种基础模型(FM)交互,以执行任务。


Amazon Bedrock AgentCore 入门工具包

● 代码:流程从 AI 智能体的源代码开始。

● 构建:工具包中的“agentcore launch”命令会自动触发 AWS CodeBuild 项目。

● 容器:CodeBuild 将智能体代码编译为针对环境优化的容器镜像(例如 ARM64 架构)。

● ECR(Elastic Container Registry):构建完成的容器镜像会被“推送”到 Amazon ECR 仓库,该仓库作为镜像的持久存储。

● AgentCore Runtime:随后将镜像部署到安全、无服务器的 Amazon Bedrock AgentCore Runtime,即 AI 智能体的执行环境。

● X-Ray:系统与 AWS X-Ray 集成以提供可观测性,并为生产环境中的智能体性能提供跟踪和调试功能。

● 自动化:底部文字表示 agentcore-starter-toolkit 会自动处理这些配置和部署步骤。