← Financial Cloud Cloud Cloud Club · AWS Re:cap

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

AWS Re:cap 10: 高级智能体 AI 设计模式

演讲者: Clifford Duke

场次: 10

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

@ AWSome Day Hong Kong 2025

本场活动介绍了从生成式 AI 助手到自主智能体 AI 系统的演进,涵盖反思、工具使用、规划和多智能体协作四种核心设计模式,并演示了开源 Strands Agents SDK 如何支持智能体开发。


向智能体 AI 演进

生成式 AI 助手:

● 遵循一组明确的规则。

● 自动执行重复性任务。

● 模仿人类逻辑和推理的某些方面。

生成式 AI 智能体:

● 通过推理和行动实现特定目标。

● 与基于规则的助手相比,可以处理更广泛的任务。

● 能够与工具及其环境交互。

智能体 AI 系统:

● 具有更高程度的自主性。

● 协调推理、规划、工具、记忆和行动。

● 可以自动完成整个工作流,而不仅仅是单个任务。


什么是 AI 智能体?

● AI 智能体是一种自主软件系统,使用人工智能(尤其是大语言模型)代表人员或其他系统进行推理、规划并完成任务。

● 智能体观察环境、朝目标推进、选择行动,并在需要时使用工具。

● 记忆提供以往观察和交互的上下文。

● 工具将智能体连接到外部能力。

● 行动使智能体能够影响或查询其环境。


智能体 AI 的核心设计模式

反思:

● 使 AI 系统能够评估自身的输出、决策和推理。

● 帮助识别错误和不一致之处。

● 生成改进建议。

● 支持通过多个周期进行迭代优化。

工具使用:

● 将智能体的能力扩展到语言生成之外。

● 将智能体连接到 API、数据库、计算器、搜索系统和图像处理服务。

● 支持与外部系统进行动态交互。

● 支持数据检索、计算和系统操作等任务。

规划:

● 将复杂目标拆分为可管理的子任务。

● 将各个步骤组织成结构化策略。

● 按顺序执行任务,同时监控进度。

● 在新信息或故障要求调整时修订计划。

多智能体协作:

● 将复杂问题分解给多个智能体。

● 为每个智能体分配专门的角色或能力。

● 允许智能体交换信息并共享中间结果。

● 将各自的输出整合为最终结果。


模式 1:反思

自我评估:

● 模型审查自己的响应或拟采取的行动。

错误识别:

● 模型查找事实错误、遗漏、矛盾和薄弱之处。

改进建议:

● 模型提出改进结果的具体修改建议。

迭代改进:

● 系统重复执行评估和修订,直至得到可接受的结果或达到配置的上限。

反思可以提高质量,但每次迭代都会增加延迟和模型成本。因此,应用应定义停止条件并避免无界循环。


模式 2:工具使用

利用外部资源:

● 智能体可以调用 API、查询数据库、检索文档或调用其他软件。

扩展能力:

● 工具可执行语言模型自身无法可靠完成的精确计算和操作。

动态交互:

● 智能体根据当前任务选择工具,并使用工具返回的结果确定下一步。

典型应用:

● 检索最新数据或私有数据。

● 执行计算。

● 处理图像或文件。

● 创建工单或更新业务系统。

● 执行受控的基础设施操作。

智能体生成的工具输入不可信,因此必须通过验证、授权和最小权限来限制工具访问。


模式 3:规划

任务分解:

● 将复杂目标拆分为更小、可独立执行的任务。

战略性组织:

● 确定依赖关系,并按有效顺序安排任务。

高效执行:

● 按计划执行,并监控完成情况和故障。

灵活调整:

● 当工具失败、假设发生变化或出现新信息时重新规划。

对于需要多种工具、存在依赖关系或无法通过模型单次响应可靠完成的任务,规划尤其有用。


模式 4:多智能体协作

任务划分:

● 将问题拆分为可委派的工作。

专业分工:

● 为每个智能体指定明确的角色,例如研究员、分析师、开发人员或审查人员。

协作:

● 允许智能体交换上下文和中间发现。

结果整合:

● 在生成最终答案之前,合并并协调各项输出。

多智能体系统可以改善专业分工和并行处理,但也会带来协调成本、重复工作和额外的故障模式。只有当角色分离能带来明确价值时,才应使用多智能体系统。


Strands Agents

● Strands Agents 是一个开源 Python SDK,只需少量代码即可构建 AI 智能体。

● 它采用模型驱动的方法构建和运行智能体。

● 它可以从对话式助手扩展到自主的多步骤工作流。

● 它支持本地开发和生产部署。

轻量且灵活:

● 提供简单、可自定义的智能体循环。

与模型无关:

● 支持 Amazon Bedrock、Anthropic、Ollama 和自定义模型提供商。

高级能力:

● 支持多智能体系统、自主智能体和流式传输。

内置模型上下文协议支持:

● 提供与 MCP 服务器的原生集成。

● 允许智能体发现并使用通过 MCP 公开的外部工具。


智能体循环

1. 使用目标、上下文、可用工具和观察结果调用模型。

2. 接收模型响应、推理结果和工具选择。

3. 让智能体决定是否需要执行其他操作。

4. 使用经过验证的输入执行所选工具。

5. 将工具结果作为新的观察返回给模型。

6. 重复上述过程,直至任务完成或达到停止条件。

7. 生成最终响应。

该循环支持复杂的多步骤推理和行动。生产环境中的实现还应限制迭代次数、执行时间、权限和支出。


设计注意事项

● 当对输出进行评议和修订能够提高质量时,使用反思。

● 当任务需要最新数据、确定性计算或外部操作时,使用工具。

● 当目标包含多个相互依赖的步骤时,使用规划。

● 当专业分工或并行工作的收益超过协调开销时,使用多个智能体。

● 在系统边界验证所有工具输入和输出。

● 为每个工具和智能体角色应用最小权限访问。

● 记录工具调用和状态转换,以便进行可观测性监控和审计。

● 添加超时、重试次数限制和明确的终止条件。

● 对敏感或不可逆的操作保留人工审批步骤。


要点总结

● 智能体 AI 结合了模型、记忆、目标、工具、行动和环境反馈。

● 反思、工具使用、规划和多智能体协作是构建高能力智能体的可复用模式。

● 每种模式解决不同的问题,也会带来各自的成本和运维复杂性。

● Strands Agents 提供轻量、与模型无关的 SDK,支持多智能体工作流和 MCP 工具。

● 除模型推理外,可靠的智能体系统还需要防护机制、有界执行、可观测性和受控的工具权限。