← Financial Cloud Cloud Cloud Club · AWS Re:cap

极点宏观|Financial Cloud Cloud · AWS Re:cap

AWS Re:cap 07: 构建智能体式 AI:Amazon Nova Act 与 Strands Agents 实践 (DEV327)

讲者: AWS re:Invent 2025

场次: 07

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

视频: https://www.youtube.com/watch?v=yxLzAKsAAjo

构建智能体式 AI:Amazon Nova Act 与 Strands Agents 实践

简介

● 本场会议介绍智能体式 AI 如何成为当前 AI 领域的关键主题

● 面向具有前瞻思维、希望超越基础理解并探索实际应用和创新的开发者 智能体式 AI 的未来趋势

● 概述生成式 AI 的演进,重点说明其从低自主性(基于规则、需要高度人工监督)向高自主性(独立运行、战略决策)的发展

● 认识到智能体式 AI 当前所处的发展阶段,并强调要实现更高级别的自主性,需要先进技术、治理、信任以及组织就绪度。Sequoia Capital 的预测

● Sequoia Capital 在 2025 年 AI 主题演讲中展望了这样一个未来:AI 系统将超越工具式属性,进化为能够自主运行的智能体。

● 这些智能体将具备推理、规划、协作和高度自主运行的能力。

● 对 2030 年代经济的展望

● Sequoia Capital 预测,2030 年代的经济,尤其是亚洲经济,将像一个全球神经网络一样运行,由大量 AI 智能体的运作组成一个互联网络。

● 个人成功的潜力

● 设计出一个获得广泛采用、尤其是在全球范围内普及的 AI 智能体,可能带来巨大的个人财务成功,甚至可能让一个人变得极其富有。

● 该预测的重要性

● 这一预测对于指导开发者并理解未来 AI 发展需要实现的目标至关重要。

● 单人独角兽的兴起

● Sequoia Capital 预测,“单人独角兽”将会兴起,即由一个人创建并运营、估值达 10 亿美元的公司。

● 这一趋势将推动劳动力结构转变,并催生由一个人运营整家初创公司的新型组织模式。

● 随机性思维的必要性

● AI 智能体的世界要求开发者采用新的思维方式,摆脱传统的准确性预期,转向更具随机性的思维模式。

● 这涉及调整开发者与大语言模型及 AI 技术建立联系和加以利用的方式。

● 为智能体式 AI 新时代做好准备

● 要在智能体式 AI 时代取得成功,不仅需要技术准备,也需要在思维和组织层面做出调整。

● 开发者必须为组织结构和思维框架的变化做好准备,才能在这个新时代蓬勃发展。

● 2025 年智能体式 AI 的基础设施

● MCP 和 A2A 等通信协议正在开发中,以实现 AI 智能体及其工具之间的互操作性。

● AWS 正积极参与 MCP 和 A2A 的标准委员会,并贡献数十年的分布式系统经验,以完善这些面向未来的协议。

● AWS 智能体式 AI 产品组合

● 由一个全面的架构组成,其中服务分为三层:

● 基础设施

● AI 与智能体开发软件

● 应用层

● 重点关注 AI 与智能体开发软件和服务,包括 Amazon Nova Act 和 Street Agents 等智能体 SDK。

智能体式 AI 实际应用:本地天气信息

● 演示一个实用的 AI 智能体场景:使用 MCP 协议、Amazon Nova Act 和香港天文台网站开发本地天气信息应用。

● 本地天气信息智能体

● 该 AI 智能体基于 Amazon Bedrock 构建,由 Emerald 提供支持,并配置了一个特定的网站 URL(香港天文台)。

● 用户可以使用自然语言(英语、西班牙语或中文)与智能体交互,查询香港当前的天气。

● 智能体会自主在指定网站上查找信息并保存截图以供验证,展示了像人类网页抓取工程师一样工作的能力。

● 对网页抓取工程师的影响

● 智能体式 AI 时代已经到来,可能会影响传统的网页抓取岗位。开发者可能需要借助 Nova Act 等 AWS 服务为这一转型做好准备。

● AI 智能体的实现细节

● Nova Act 的 forecast 函数会指导它应捕获哪些网页以及执行哪些操作。

● 使用自然语言分配任务,例如读取并提取香港天文台网站上的 9 天天气预报信息。

● 开发者的抱负

● 许多开发者希望从零开始构建自己的智能体式 AI 应用,并在源代码层面保持完全控制。

● 开源 Strands Agents 可以帮助实现这一目标,让开发者控制每一行代码。

● 构建自定义智能体面临的挑战

● 开发者需要连接器,使智能体能够与各种企业系统交互。

定制化 AI 智能体系统所需的组件

● 工具和 MCP(消息控制协议)对于支持智能体执行预订酒店、更新信息或触发流程等工作流至关重要。

● 记忆:智能体同时需要短期记忆和长期记忆。短期记忆在会话中维持上下文,而长期记忆使智能体能够随着时间推移不断学习和改进。

● 大脑(大语言模型):可以使用 ReACT(推理、行动与协同沟通)、反思和思维链等技术,将 LLM 扩展到更复杂的框架中,使模型能够逐步规划、反思和推理。

● 角色设定:每个智能体都有一个角色设定,即一组定义其身份和行为的规则或指令,使其区别于其他类型的智能体(例如 HR 智能体与 DevOps 智能体)。

● 可观测性与防护机制:通过定制 AI 智能体来提供可观测性和防护机制,可确保它们保持安全、可讨论且与目标一致。

● 构建实用 AI 智能体面临的挑战

● 构建真正实用的 AI 智能体需要大量工作,其中可能有 80–90% 的工作与独特的业务逻辑和流程无关。

AWS 解决方案:Strands Agents

● Strands Agents:由 AWS 贡献的开源 SDK,使开发者只需极少量代码即可构建 AI 智能体。它利用最先进的大语言模型进行规划和思维链推理,从而简化开发。

● 演示:使用 Strands Agents 创建数学动画

● 使用 Manim 库并结合 Strands Agents 和 Python 库制作数学可视化。

● 核心实现代码:

● 从 Strands 模块导入 Agent 类,并导入 MCPClient 类,以建立在该框架中使用智能体和 MCP 所需的基本组件。

● 使用 send_input 和 output 作为传输机制,建立与 Manim MCP 服务器的连接。

● 建立与 Manim MCP 服务器交互的连接,检索可用工具,并使用这些工具初始化智能体。

● 使用智能体处理请求数学动画的自然语言提示,具体是将 X 从 -3 到 3 的三次函数图像可视化。

● 使用 Strands Agents SDK 进行数学可视化

● 在 Visual Studio 中使用两个终端窗口:

● 左侧窗口运行 MCP(消息控制协议)服务器,通过 STDIO 传输连接到 Manim MCP 服务器。

● 右侧窗口运行 MCP 客户端程序,启动视频生成聊天界面。

● 用户可以通过界面输入自然语言命令,例如创建一个场景,在 9 秒内绘制指定范围内的三次函数。

● 智能体会处理自然语言请求,展示自适应问题解决能力:如果出现问题,它会创建简化版本来完成任务。

多智能体协作的优势

● 专业化:专业智能体在特定领域工作,可以提高精确度并提供更准确的答案。组合这些智能体可以获得更出色的结果。

● 可扩展性:系统可以添加或移除智能体,而不会影响整个系统,因此具备可扩展性。

● 可维护性:与大型单体代码库相比,较小的智能体更容易控制、监控、调试和测试。

● 成本效益:多智能体系统允许针对特定任务选择合适的模型,在智能程度、速度和成本效益之间实现优化。

● 类比:单智能体与多智能体系统

● 单智能体:就像独自工作的专项技能人员。

● 多智能体系统:就像一个协调良好的团队,不同角色(分析师、量化人员、交易员、风险经理、IT)共同协作,以取得更出色的绩效。

● 成功条件:协作

● 多智能体系统要取得成功,智能体必须有效协同工作。

● 多智能体协作模式

● 智能体即工具:一个智能体可以将另一个智能体用作工具。

● 图工作流:智能体可以连接成图状结构来执行复杂任务。

● 编排器智能体:编排器智能体接收用户需求、理解意图,并调用专业智能体执行特定任务。

● 示例:旅行规划

● 编排器智能体:接收用户的旅行需求(例如前往拉斯维加斯)。

● 研究智能体:搜索景点和活动(例如羚羊峡谷)。

● 产品推荐智能体:根据研究智能体的输出提供建议。

● 智能体工作流:一个智能体的输出成为下一个智能体的输入,从而形成无缝工作流。

现实案例:量化对冲基金

● 量化方法对于量化研究人员至关重要,可以帮助他们快速验证交易想法并更快找到合适的交易策略。

● 示例:使用移动平均线交叉策略时,研究人员可以输入股票详情(例如 Amazon)、回测窗口,并获得盈亏和夏普比率等指标。

● 系统提供买入和卖出条件、回测结果以及改进交易策略的建议,包括风险评估和警报。

● 移动平均线交叉策略

● 移动平均线(MA)交叉策略在图表上使用两条 MA(一条快速/短期均线和一条慢速/长期均线)生成买入/卖出信号:当快速 MA 向上穿过慢速 MA(看涨趋势)时出现买入信号;当快速 MA 向下穿过慢速 MA(看跌趋势)时出现卖出信号。

● 工作原理

● 设置:在价格图表上绘制两条时间周期不同的移动平均线(例如简单移动平均线 (SMA) 或指数移动平均线 (EMA))。

● 买入信号(看涨):较短周期的 MA 向上穿过较长周期的 MA。

● 卖出信号(看跌):较短周期的 MA 向下穿过较长周期的 MA。

● 常见 MA 组合

● 短期:9 周期 EMA/SMA。

● 中期:21 周期 EMA/SMA。

● 长期:50 日、100 日或 200 日 MA(通常用于判断主要趋势)。

● 关键交叉形态

● 黄金交叉:50 日 MA 向上穿过 200 日 MA 的看涨信号,表明可能出现强劲上涨趋势。

● 死亡交叉:50 日 MA 向下穿过 200 日 MA 的看跌信号,预示可能出现下跌趋势。

● 局限性与改进

● 滞后指标:MA 基于过去的价格,因此交叉通常发生在价格走势已经开始之后,导致入场/出场较晚。

● 震荡市场:该策略在横盘或盘整市场中会产生许多虚假信号(反复止损)。

● 架构图

● 编排智能体(量化研究智能体)调用不同的工具和子智能体。

● 工具:市场数据工具和回测工具。

● 子智能体:策略生成智能体和结果摘要智能体。

● Bedrock Core Agent Gateway

● 通过将 API、Lambda 函数或现有服务封装为与 MCP 兼容的工具,为开发者构建智能体工具提供安全方式。

● 步骤

● 使用 Lambda 函数将历史市场数据存储在 S3 表中,并将其定义为网关的目标。

● 使用名为 gateway create MCP gateway command 的智能体创建网关。

● 将 Lambda 函数定义为网关的目标。

● 使用 Cognito 进行身份验证,以确保安全访问。

● 定义工具的输入和输出参数(例如 get market data)。

使用 Agent Gateway 构建工具

● 使用 Agent RAM 托管策略生成智能体,并将其作为量化研究智能体的工具。

● 将 Gateway 集成为工具

● 创建网关后,可以将其作为当前研究智能体的工具。

● 步骤:

● 指定参数和返回类型。

● 使用 Cognito 进行身份验证。

● 使用 HTTP 客户端调用网关,检索用于回测的历史市场数据。

● 定义和部署策略生成智能体

● 部署策略生成智能体,以安全、快速地托管智能体。

● 步骤:

● 使用 strengths import agent 定义智能体。

● 指定使用 backtrader 框架生成交易策略代码的指令。

● 将智能体部署到运行时。

● 指定入口点,并在端口 8080 上运行智能体。

● 使用 agent call config 指定文件和依赖项。

● 使用 agent call launch 启动运行时智能体

● 使用 agent get status 检查其状态

● 将智能体作为工具

● 定义工具(市场数据工具)和策略生成智能体后,将该智能体作为工具。

● 步骤:

● 生成交易策略。

● 指定参数(例如买入和卖出条件)。

● 调用智能体。

● 编排器智能体(量化研究智能体)

● 编排器智能体协调各种工具和智能体。

● 步骤:

● 导入智能体。

● 为量化研究智能体定义系统提示,使其获取历史市场数据、生成策略、运行回测并分析结果。

● 使用“智能体即工具”模式集成以下四种工具:

● 市场数据,

● 生成策略,

● 运行回测,

● 创建结果摘要。

● 如果出现问题,量化研究智能体将重新学习结果。

Kiro CLI

● 使用 Kiro CLI 运行命令;它允许快速验证输出,因此对于调试非常有用。

● 使用 Kiro CLI 运行量化智能体

● Kiro CLI 用于运行量化智能体,其中使用 tool execute patch 和一个 JSON 文件来指定 10 日周期简单移动平均线与 30 日简单移动平均线的交叉策略。

● 智能体大约在 6 秒内生成交易策略。

● 随后,智能体通过 HTTP 请求从网关获取市场数据。

● 获取约 200 个数据点用于回测。

● 使用 backtrader 框架运行回测。

● 输出包括初始值、利润、总回报以及改进交易策略的建议。

● 回测结果保存在名为 memory 的智能体中,并在最后一步从中提取。

群体模式

● 与“智能体即工具”模式不同,群体模式涉及智能体在没有单一编排器的情况下动态沟通和协作。

● 群体维护一个所有智能体均可访问的共享上下文,其中包括其他智能体的信息、输入、输出和历史交互。

● 导入 Swarm 类,并为四个智能体定义最大移交次数和重复移交检测,以防止无限循环。

● “重复移交”是指在不同个人、团队、系统或网络接入点之间频繁且不必要地转移任务或职责。

● 示例:

● 使用四个智能体撰写博客:

● 研究智能体:开展研究。

● 创意智能体:创作内容。

● 批判智能体:质疑所创作的内容。

● 摘要智能体:总结最终结果。

● 群体模式的关键组件

● 共享上下文:所有智能体都可以访问共享上下文。

● 动态协作:智能体在没有中央编排器的情况下进行沟通和协作。

● 移交限制:设置最大交互次数和重复移交检测,以防止无限循环。

● 独特智能体参与:确保最近一次移交至少涉及三个不同的智能体,以保持多样性并防止重复交互。

● 群体模式实践

● 任务:创建一篇介绍智能体式 AI 的博客文章,以及一份用于社交媒体帖子的摘要。

● 工作流:

● 研究智能体:收集必要的信息和事实。

● 创意智能体:创作引人入胜的博客文章。

● 摘要智能体:生成社交媒体摘要。

● 迭代过程:摘要智能体向创意智能体请求更多细节,以创建有效的摘要。

● 最终输出:经过 5 次交互后,摘要智能体成功创建了博客文章和社交媒体摘要。

● 将群体作为工具

● 群体模式可以在更大的框架内用作工具。

● 示例:导入群体工具,使用一组智能体分析或执行任务。

图模式

● 将智能体关系定义为图网络,其中每个智能体都是一个节点,边定义关系和信息流。

● 主要优势:

● 可预测性:智能体之间的通信路径定义清晰。

● 控制:完全控制信息流。

● 演示

● 首先定义智能体,以确定它们在图中的角色和交互。

● 示例:智能体式基金经理

● 定义投资组合架构师智能体将如何构建投资组合。

● 定义基金经理智能体将如何根据构建好的投资组合管理基金。

● 投资组合架构师智能体:构建投资组合以满足客户需求。根据投资组合架构师智能体构建的投资组合管理基金。

● 在图模式中定义节点和边

● 在图中,节点被定义为触发特定操作或部署智能体。

● 示例:

● 定义将调用智能体的投资组合节点。

● 步骤:

● 定义状态图并输入该状态图。

● 添加金融、投资组合和风险节点。

● 定义从金融到投资组合、从投资组合到风险的边,并将风险节点作为终止节点。

工作流模式

● 工作流是定义明确的任务序列或模式。

● 示例:定义研究智能体、分析智能体和报告智能体的序列。

● 步骤:

● 导入工作流工具。

● 定义任务及其依赖关系(例如,报告生成依赖于趋势分析)。

● 设置优先级,以确定并行子智能体的执行顺序。

● 工作流模式用例

● 非常适合需要封装为单一可靠工具的复杂且可重复流程。

● 示例:

● 涉及数据提取、转换 (ETL) 以及加载到数据仓库的自动化数据管道。

多智能体协作模式的示例用例

智能体即工具

● 客户服务聊天机器人:经编排的智能体调用技术客户经理、竞价智能体和摘要智能体,向客户提供输出。

● 群体模式:

● 多学科事件响应:智能体在局部交互,在没有集中控制的情况下产生复杂的涌现行为。示例:网络问题先传递给网络智能体,必要时再传递给数据库智能体。

● 图模式:

● 带错误路径的数据验证:定义一个图,由智能体判断是否存在错误,然后传递到无错误的数据验证路径,或传递到带错误路径的数据智能体。

● 工作流模式:

● 通过定义清晰、具有依赖关系和优先级的任务序列,维持受控的信息流和执行顺序。