← 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 36:讓雲端成本分析更智慧:使用 Strands 與 AgentCore 建置 FinOps 智慧 Agent

講者: Xiaofei Li

場次: 36

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

2025 年被稱為「AI Agent 元年」,距離現在只剩兩個月。

● 使用者已經開發出自己的 AI Agent。

● 程式設計 agent 是 AI agent 的一種類型。

● AI agent 是各種運用 AI、且「看起來很聰明的應用程式」。

● 範例包括:會議記錄 agent、面試準備 agent,以及程式設計 agent。

LLM 時代「AI Agent」的特性

● 角色設定:可定義角色或人格,實現個人化的行為與回應。

● 規劃與反思:為了達成目標,agent 可制定計畫,並根據執行結果進行調整。

● 長期記憶:可像人類一樣保留長期互動資訊或經驗。

● 工具執行:不只能產生文字,也能呼叫各種外部工具或 API 來執行操作。

● AI Agent 可協助解決實際問題,例如成本分析 agent。

● 如何使用 Amazon Web Services 開發成本分析 agent。

如何建置 AI Agent

● Bedrock Agents

● AgentCore:以 serverless 方式部署自行開發的 agent,並提供身分驗證、工具、可觀測性及其他功能。

● Strands Agents:Python 框架,只需要至少 3 行極為精簡的程式碼即可實作 AI agent。

● 使用 Strands Agents 建置 FinOps agent。

開放原始碼 AI Agent 框架 Strands Agents

● 只需 3 行 Python 程式碼即可建立 AI agent

● 優點:簡單、輕量,且開發體驗良好

● 應用於 Amazon Web Services,例如 Amazon Q Developer

● Strands 核心概念:結合「模型」與「工具」

● 隨著 LLM 能力提升,建置 AI agent 只需指定模型與工具

● 建立 agent:設定 LLM 與 system prompt,並透過提供 prompt 進行呼叫

● 為 agent 配備工具能力:Strands 提供內建工具,例如計算與檔案操作

● 可透過在 Python function 加上 @tool 來撰寫自己的工具

● 取得 MCP server 提供的工具,並與本機及遠端 MCP server 相容

● 建置多個 agent:Agent as Tools、Swarm、Graphs、Workflows

● Agent as Tools 範例:主管—部屬模型,由主管 agent 指派子工作、呼叫子 agent 執行,並彙整結果

● MCP 之後的熱門趨勢:支援 A2A(Agent to Agent)

● 在 Strands 上建構 A2A 的範例:有專用 class 可使用 Tool Use 呼叫遠端 agent

● Agent 部署:透過 Bedrock AgentCore 快速部署


部署 AI Agent 的難題

● 部署程序複雜

● 身分驗證與授權問題

● 維護與監控方面的挑戰

● 執行成本問題

● 是否支援串流輸出

什麼是 Bedrock AgentCore?

● 它是專為 AI agent 打造的「便利元件組」

● 包含 Runtime(serverless 基礎架構)、Memory(記憶體管理)、Gateway(工具整合)、Identity(身分驗證/授權),以及 Observability(維護與監控)等功能

● 可搭配任何偏好的 agent 框架使用、視需要選擇功能,並透過 API 輕鬆整合

整個系統的核心是 runtime

● 無論使用哪種框架開發 AI agent,都能輕鬆部署至 serverless 環境

● 類似於專為 AI agent 準備的容器化 Lambda

● 藉助專用 CLI toolkit,即可輕鬆完成部署操作

● 後端部分已完成,下一步是考量前端的實作方案

前端頁面的選用技術

● 適合初學者

● 正式環境等級的開發套件

● 可使用 Python 輕鬆撰寫美觀的介面

● 只要連結 Next.js 或 React 等程式碼儲存庫,即可實現自動部署

● 對不熟悉 JavaScript 的後端工程師而言,這是很好的選擇

● Gen2 版本已實現大幅演進與效能提升。


重點摘要

● 雲端成本分析對企業與個人都至關重要。在 AI Agent 元年,可使用 Amazon Web Services 的技術堆疊快速建置協助分析雲端成本的 AI agent。

● Strands Agents 是可靈活建置多 agent 系統的框架,只需 3 行 Python 程式碼即可設定 AI agent,兼具極致簡潔與高度擴充性。

● Strands Agents 支援 MCP 與 A2A protocol,讓 agent 之間能夠協作及共用工具。

● Strands Agents 可與 Bedrock AgentCore 無縫整合,實現正式環境等級的部署。

● 使用 AgentCore 可簡化部署與維護程序。Runtime 元件提供可自動擴充的 serverless runtime 環境。

● Memory、Identity、Gateway 與 Observability 等元件分別提供記憶、身分驗證、工具整合與監控的整合能力。

● 透過 CLI 自動封裝及部署,可快速進入正式環境。


Amazon Bedrock AgentCore

架構 核心服務

● AgentCore Runtime:用來託管 AI agent 或工具程式碼的安全 serverless 執行環境。它提供完整的工作階段隔離以確保安全,並支援最長 8 小時的長時間非同步工作。

● Framework:支援熱門的開放原始碼 agent 框架(例如 LangGraph、CrewAI)及任何基礎模型。

● Agent Instructions:定義 agent 的行為與能力。

● Agent Local Tools:特定 agent 用於執行工作的本機工具。

● Agent Context:管理對話中暫時且為特定工作階段專用的狀態。

● AgentCore Gateway:提供安全的方式,讓 agent 探索並連線至工具與資源。它可將現有 API(例如 Lambda function 或 OpenAPI spec)轉換為 agent 相容工具,盡可能減少自訂整合工作。

● AgentCore Memory:透過管理短期與長期記憶,讓 agent 能進行具備 context 感知能力的對話。它會儲存對話 context,並擷取跨工作階段的使用者偏好等持久性知識。

● AgentCore Identity:為 agent 提供安全且可擴充的身分與存取權管理。它會處理身分驗證與授權,讓 agent 能代表使用者安全地存取 AWS 資源及第三方服務。

● CloudWatch GenAI Observability(AgentCore Observability):為正式環境中的 agent 效能提供完整的監控、追蹤與偵錯功能。

它由 Amazon CloudWatch 與 OpenTelemetry 相容遙測技術支援,能深入掌握 agent 工作流程的營運狀況。內建工具

● AgentCore Code Interpreter:讓 agent 能在隔離的 sandbox 環境中安全地撰寫及執行程式碼,以完成資料分析或計算等複雜工作。

● AgentCore Browser:提供快速、安全且以雲端為基礎的瀏覽器 runtime,讓 agent 能大規模地與網站互動並擷取資訊。

外部互動

● App & Models:agent 系統會與使用者應用程式,以及 Amazon Bedrock 或其他供應商提供的各種基礎模型(FM)互動,以執行工作。


Amazon Bedrock AgentCore starter toolkit

● Code:程序從 AI agent 的原始程式碼開始。

● Build:toolkit 中的「agentcore launch」指令會自動觸發 AWS CodeBuild 專案。

● Container:CodeBuild 將 agent 程式碼編譯成針對環境最佳化的 container image(例如 ARM64 架構)。

● ECR(Elastic Container Registry):建置完成的 container image 會「推送」至 Amazon ECR 儲存庫,作為映像檔的持久性儲存空間。

● AgentCore Runtime:接著將映像檔部署至安全、serverless 的 Amazon Bedrock AgentCore Runtime,也就是 AI agent 的執行環境。

● X-Ray:系統與 AWS X-Ray 整合以提供可觀測性,並為正式環境中的 agent 效能提供追蹤與偵錯功能。

● Automation:底部文字表示 agentcore-starter-toolkit 會自動處理這些設定與部署步驟。