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
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。