← 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 04:實務建置代理式 AI:Nova Act 與 Strands Agents

講者: Haowen Huang

場次: 04

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

代理式 AI 的未來趨勢

● 生成式 AI 的演進遵循明確的發展歷程,每個階段都為企業帶來新的優先事項與挑戰。

● 系統的代理自主程度從低度(規則導向、高度人工監督)到高度(獨立運作、策略決策)不等。

● 目前大多數系統仍處於代理式 AI 的早期階段。

更高的代理自主程度需要進階技術、治理、信任與組織整備度。展望由 AI 代理驅動的未來

● Sequoia Capital 預測,未來的 AI 系統將演進為可自主運作的智慧型代理,具備推理、規劃、協作與高度自主能力。

● 預測中的 2030 年代代理經濟將如同全球神經網路般運作,由眾多代理作業組成相互連結的網路。

● 這讓開發人員有機會讓自己居於此網路的關鍵節點;如果其 AI 代理獲得廣泛採用,便可能帶來可觀的財務收益。

● Sequoia Capital 也預測「一人獨角獸」將會興起,也就是由單一個人建立及營運、估值達 10 億美元的公司。這項轉變將催生新的組織模式,創辦人將協調 AI 代理工作流程,而非建立傳統團隊。

● 創辦人的角色將轉變為策略編排者,決定哪些功能應自動化、委派,以及應在何處整合人工監督。

隨機性思維與規格驅動開發

● AI 代理的世界需要隨機性思維,也就是一種不同的思考方式。開發人員可能需要調整與大型語言模型溝通的方法,以提高輸出準確度。

● Kiro 等未來 AI IDE 將具備規格驅動開發功能,凸顯出我們需要針對組織結構與心智框架等新領域做好心理準備。

代理式 AI 的基礎設施

● 未來代理式 AI 世界的基礎設施正在建設中,其中包括對 AI 代理及其工具之間互通性不可或缺的通訊協定。

● MCP 與 A2A 等新興標準正處理此互通性挑戰,且已獲 Amazon、Anthropic、Meta 與 Google 等產業領導者採用。

● 這些通訊協定促進代理應用程式、模型與各種資源之間的連線。

● AWS 積極參與 MCP 與 A2A 的標準委員會,貢獻其分散式系統經驗以強化這些通訊協定。


代理式 AI 實務應用:擷取當地天氣資訊

情境概述

● 示範使用 MCP 通訊協定、Amazon Bedrock 與香港天文台網站開發的當地天氣應用程式。

● AI 代理使用 Nova Act 建置,並透過自然語言提示與天氣網站互動。

功能

● 使用者向代理提供特定天氣網站的 URL。

● 代理會回應「香港目前的天氣如何?」之類的自然語言提示。

● 代理的運作方式如同真人網頁資料擷取工程師,自主從香港天文台網站找出天氣資訊。

● 代理式 AI 時代已經來臨,因此必須為未來做好準備。

● Nova Act 等 AWS 服務可協助完成這項轉型。

技術細節

● 使用 Nova Act 設計代理應用程式。

● 使用 MCP 實作 AI 代理,展示 MCP 如何銜接 AI 模型與真實世界資料來源之間的落差,以建立功能更強大的應用程式。


使用 Strands Agents 建置自訂代理式

AI 應用程式 建置自訂代理的挑戰

● 輸入端:需要連接器讓代理與各種企業系統互動、提取即時資料,並呼叫 API 來執行工作流程(例如預訂、更新、觸發程序)。工具與 MCP 有助於編排這些輸入。

● 記憶:同時需要短期記憶(工作階段情境脈絡)與長期記憶(隨時間學習及改善),才能讓代理具備適應能力並感知情境脈絡。

● 大腦 (LLM):需要使用 ReAct、Reflexion 與 Chain-of-Thought 等推理框架加以擴充,以進行規劃、反思與逐步推理;這對可靠性與可追溯性至關重要。

● Persona:每個代理都需要一組明確定義的角色與指示(persona),以區分功能(例如 HR 代理 vs. DevOps 代理)。

● 可觀測性與防護機制:自訂 AI 代理需要相關機制,以確保安全性、可偵錯性並與目標保持一致。

Strands Agents

● Amazon 推出的 SDK,可用最少的程式碼建置 AI 代理。

● 藉由處理複雜編排來簡化開發,並運用最先進的模型進行規劃、思維鏈、工具呼叫與反思。

● 開發人員在程式碼中定義提示與工具清單、於本機測試,再部署至雲端。

示範:使用 Manim 製作數學動畫

● 展示如何使用 Manim 建立數學動畫;Manim 是一個用於高品質數學視覺化的 Python 程式庫。

● Strands Agents 會處理使用者提示、撰寫 Manim 指令碼並生成動畫。

● 重點:

● Strands Agents 簡化了複雜、真實世界代理式 AI 應用程式的建立過程。

● 此示範突顯將代理工作流程與專門化開放原始碼工具結合後所展現的強大能力。


核心實作程式碼分析 1

匯入必要元件

● 程式碼從 strands 模組匯入 Agent 類別,並從 strands.tools.mcp 匯入 MCPClient 類別

● 這些匯入項目為在 Strands 框架內使用代理與訊息控制協定的系統建立必要元件。

2 設定與 Manim MCP 伺服器的連線

● 程式碼使用標準輸入/輸出 (stdio) 作為傳輸機制,設定與 Manim MCP 伺服器的連線。

3 建立互動情境脈絡

● 程式碼建立與 Manim MCP 伺服器互動的情境脈絡。

● 它使用 MCP 用戶端從伺服器擷取可用工具。

● 使用這些工具初始化 Agent,為接下來的聊天迴圈做好準備。

4 處理自然語言提示

● 程式碼使用 Agent 處理要求製作 Manim 動畫的自然語言提示。

● 此提示指定要將一個特定三次函數從 x=-3 到 x=3 繪製成 9 秒的視覺化內容。


示範流程

環境設定

● 使用 VS Studio 中的兩個終端機視窗:

● 左側終端機:執行 MCP Server,並連線至 Manim MCP Server — MCP 的本機實作模式。

● 右側終端機:執行 MCP Client 程式,啟動影片生成聊天介面。

使用者互動

● 使用者透過聊天介面輸入自然語言命令,以生成數學公式動畫。

● 命令範例:「建立一個 Manim 場景,在 9 秒內繪製某個 x

範圍的三次函數。」代理處理

● 提交後,右側終端機會顯示代理正在處理自然語言要求。

● 代理發起第一次工具呼叫「execute manim

code」。自適應問題解決

● 偵測到本機環境的編譯問題後,代理會智慧地建立簡化版本來完成任務,展現其自適應問題解決能力。

任務完成與輸出

● 代理順利完成任務並提供輸出摘要,將其效能評為「Perfect!」,同時提供實作主要功能的詳細資料。

● AI Agent 最終生成的 MP4 影片檔案位於「videos」目錄中。

● 影片確認代理已針對要求的數學函數建立動畫影片。

● 值得注意的是,代理主動新增了依比例縮放的 X 軸與 Y 軸;這項功能並非自然語言輸入直接要求,展現了 AI Agent 的智慧及預測使用者需求的能力。


AWS 代理式 AI

產品組合架構 三層服務

[ 1 ] 基礎設施層:

● 提供執行代理式 AI 應用程式所需的基礎資源與能力。

[ 2 ] AI 與代理開發軟體及服務層:

● 包含專為開發及管理 AI 代理而設計的工具、SDK 與服務。

[ 3 ] 子層:代理 SDK

● 包含 Amazon Nova 與 Bedrock Agents。

[ 4 ] 應用程式層:

● 包含使用較低層所提供的 AI 代理與基礎設施建置的終端使用者應用程式及服務。

專門化服務類別

● 每一層都包含更專門化的服務類別,針對代理式 AI 開發與部署需求量身打造。