← Financial Cloud Cloud 雲端社群 · Amarathon 2025 回顧

極點宏觀|Financial Cloud Cloud · AWS Amarathon 2025

極點宏觀|Amarathon 2025 回顧 01:開發人員的代理架構設計路線圖

講者: Donnie Prakoso

場次: 01

場次
Summit Dev Lounge2026 Re:cap
01 把架構寫成 Steering,引導 AI Agent
02 Agent Harness 才是真正的工程護城河
03 用白話詢問可觀測性資料
04 以 Bedrock AgentCore 打造 Serverless AR 遊戲
05 AgentCore 上的多 Agent 量化回測
06 三分鐘用 Kiro 把部落格變簡報
AWS Community Day Hong Kong 2025 Re:cap
02 使用 Terraform 實現 AWS 合規
03 從新手到開發者:一段精彩的 AWS 雲端旅程
04 以團隊為優先:使用 Laravel 與 Bref 進行無伺服器工程
05 活動開幕
06 Agent-to-Agent:在 AWS 上打造可互通的 AI
07 運用另一種遙測資料,透過 AI Agent 加速改善
08 告別 Vibe Coding:運用 Kiro 實踐規格驅動開發(Spec-Driven Development)
09 運用 MCP 與 AI 代理進行自動化測試
10 以 ML 驅動的方法實現電信安全現代化
11 重新思考 GenAI Agent:RAG 與 MCP
12 運用 TAK 與 AWS 進行災害及緊急應變
13 從測試角度重新思考 Serverless 應用程式工作流程
14 運用實務 AWS FinOps 邁向雲端成功
15 運用 AWS 打造 AI 驅動的全球 Pure-Alpha 宏觀交易:革新風險調整後資產報酬
FSI Recap
01 現代交易生命週期:從交易到結算
02 Goldman Sachs:透過 Fast Track 將應用程式移至雲端 - AWS Re:cap Q1/2023
03 Zurich Insurance Group:在 AWS 上建置有效的日誌管理解決方案
04 FSI Meetup 2025 Q4 - Brex 資料庫災難復原
05 FSI Meetup 2025 Q4 - Graviton 遷移成功案例
06 FSI Meetup 2025 Q4 - Stifel 現代化資料平台
07 FSI Meetup 2025 Q4 - PayPal 金融交易資料對帳器
08 FSI Meetup 2025 Q4 - 擴展韌性
09 最大化 AI 推論成本效益:策略性採用 AWS GPU 執行個體
10 進階代理式 AI 設計模式
11 在 AWS 上建置全新現代化應用程式
AWS re:Invent 2025
01 Coinbase re:Invent 回顧 (IND3312)
02 利用 AI 和 AWS 構建未來交易平臺
03 交易創新:Jefferies 在 Amazon Bedrock 上的 AI 助理 (IND3315)
04 FSI 如何運用代理式 AI 徹底改造 HFT 分析 (GBL302)
05 透過 Amazon Time Sync 改善分散式系統,Nasdaq 專題分享
06 Amazon Aurora HA 與 DR 的全球韌性設計模式 (DAT442)
07 建構代理式 AI:Amazon Nova Act 與 Strands Agents 實務應用 (DEV327)
08 深入探討 Amazon Aurora 及其創新 (DAT441)
09 深入探討 Amazon S3 (STG407)
10 Nasdaq:為全球金融服務打造具彈性的基礎設施(HMC327)
11 AWS Lambda 的最新功能 (CNS376)
12 使用 Kiro 進行規格驅動開發 (DEV314)
13 Amazon 的 FinOps:全球電子商務巨擘的雲端成本經驗 (AMZ308)
14 AWS 上的 Tick-to-trade 延遲交易平台
政務資料
01 The AI Era: The Boundary Between Development and Design Is Disappearing
02 裝置端多模態 AI 與智慧城市實踐
03 大模型能力評測與 AI 專案落地方法論
04 基於雲端代理的政府開發全鏈路受控自動化
05 從多智能體看 Agent 時代軟體新生態
06 AI 驅動的宏觀量化研究與智慧治理
07 公共數據授權營運與智慧政務實踐
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技術賦能心理健康公益:可信平台的治理、架構與實踐
Amarathon 2025 回顧
01 開發人員的代理架構設計路線圖
02 Amazon Bedrock 資料自動化
03 AgentCore 上的多代理
04 實務建置代理式 AI:Nova Act 與 Strands Agents
04 運用規格驅動開發,以 Kiro 加速移轉專案
06 從「比對」到「理解」:由 AgentCore Memory 驅動的個人化 AI 搜尋實踐
07 從觀察到最佳化:從 LLM 可觀測性邁向 AIOps,將即時洞察轉化為智慧自動化
08 部署 TEAM 並打造最佳工程團隊
09 五年來所謂無伺服器資料庫帶來的五個慘痛教訓
14 如果 AI 替我工作會怎樣:Q Developer CLI 與 Kiro 如何改變我的日常工作
16 兼顧速度與警覺:Amazon Bedrock Agent 開發的安全要點
26 在單張 H100 上執行 OSS LLM:更聰明、更便宜、更快速
28 現代化統一中繼資料架構:打破資料孤島的新方法
29 無伺服器 MediaOps:運用 Amazon Web Services 上的 AI 自動化影片工作流程
30 透過大規模效能測試建構兼具效率與可靠性的架構
31 透過開放原始碼連結世界:技術、社群與全球開發者關係的實踐歷程
33 建置串流 Iceberg 資料表以進行即時物流分析
34 加速大規模機器人策略訓練:以 Kiro、Trainium 與 EKS 為基礎的自動化閉環架構
35 透過規格驅動開發,從 Vibe 走向可行方案
36 讓雲端成本分析更智慧:使用 Strands 與 AgentCore 建置 FinOps 智慧 Agent
37 使用 CNCF Kagent、K8sGPT 與 Nova Sonic,轉型 K8s 對話式 Agentic AIOps

開發人員的路線圖

● 未來架構師(future architect)

● 內容生成

● 學習 RAG

● 強化開發技能

● 建置 AI Agent

● 整合 MCP

● 代理通訊

● 正快速成長

代理式開發

● 與代理一起開發

● 程式碼生成

● AI-DLC(AI-Driven Development Lifecycle,AI 驅動開發生命週期,一種將人工智慧定位為核心協作者的現代軟體開發方法)

● 代理式 IDE

● Vibe coding

● 規格驅動

為代理進行開發

● 擴展規模

● 部署

開發代理

● 單代理 vs 多代理

● MCP

● 防護機制

● 可觀測性

● 最佳實務

● API

代理式 AI 系統

● 使用以下項目建置

● 代理

● 自主決策

● 反覆解決問題

● 目標導向行為

代理模式

● 模式類型

● 反思

● 工具使用

● 規劃

● 多代理

內容生成

● 選擇模型

● 提示工程

● 參數

● 如何與 Bedrock API 互動

使用 Amazon Bedrock Knowledge Base 的 RAG

● 使用 RetrieveAndGenerate API

● 設定 RAG

● 選擇合適的模型


KIRO

● 從原型到正式環境的 AI IDE

● 規格導向開發

● Steering(引導或控制 AI 系統的行為、回應與發展,使其朝向期望方向的過程;這可能包括針對特定任務微調模型)

● 使用 Agent Hooks 自動化(開發環境(IDE)中的自動觸發器,會在回應特定事件時執行預先定義的 AI 代理動作,例如儲存或建立檔案。其設計目的在於自動化重複性工作、確保一致性並簡化開發工作流程)

● 建立檢查點

● 屬性式測試 PBT(一種軟體測試方法,著重於驗證受測系統的一般屬性或不變量,而非使用預先定義的輸入與預期輸出來檢查特定範例。PBT 使用生成引擎自動建立多樣且隨機的輸入,以全面探索輸入空間。)

透過代理運作的 AI 正在改變開發方式

● 代理式開發

● 與代理一起開發

● 為代理進行開發

● 開發代理

多代理模式版圖

● 圖

● 工作流程

● Swarm(讓專門化代理透過彼此交接控制權來共同運作,建立比單一代理所能達成更複雜、更穩健的工作流程。)

多代理 — Swarm

● 專門化代理之間的動態交接

● 湧現路徑 - 代理自行決定下一步要交接給誰

● 所有代理共用情境脈絡與工作記憶

● 只需極少編排的自主協作

● 使用案例:開發專案、研究專案

「GenAI 的未來會是什麼樣貌?」

● 微服務的未來不只是更好的 API,而是透過 AI 代理進行通訊的智慧型服務

● GenAI 可以撰寫程式碼並執行工作流程,但無法取代你對於系統最初為何需要存在的理解。


代理通訊概念驗證

● 此架構圖說明一個以 AWS 為基礎的代理式 AI 應用系統,使用 Amazon Bedrock AgentCore Runtime 與 Strands Agents SDK。此系統運用 Model Context Protocol (MCP),與透過 AWS Lambda 實作的各種微服務整合,並使用 Amazon DynamoDB。

● AgentCore Runtime:執行 AI 代理的核心執行平台,具備工作階段隔離(使用 microVM)、可擴展性與可觀測性等企業級功能。

● Strands Agents:開放原始碼、程式碼優先的 Python SDK,用於建置代理邏輯,包括處理狀態、工具編排與多步驟推理。

● AgentCore Gateway:提供安全的輸入連線能力與統一介面,讓代理存取工具,包括現有的 MCP 伺服器、REST API 與 Lambda 函式。

● Model Context Protocol (MCP):一種開放標準與用戶端-伺服器架構,讓 AI 模型能與外部資料來源及工具通訊。

● MCP 伺服器:向 AI 代理公開特定能力(工具)的輕量程式。

● 微服務:此系統由數個無伺服器微服務組成),每個微服務皆使用 AWS Lambda 函式實作,並以 Amazon DynamoDB 支援資料持久化。

● 工作流程:在 AgentCore Runtime 中執行的 Strands Agents 可透過 AgentCore Gateway 通訊,叫用各個 MCP 伺服器,進而觸發相關微服務,以進行決策並使用工具。