← Financial Cloud Cloud Cloud Club · AWS Re:cap

極點宏觀|Financial Cloud Cloud · AWS Re:cap

AWS Re:cap 07: 建構代理式 AI:Amazon Nova Act 與 Strands Agents 實務應用 (DEV327)

講者: AWS re:Invent 2025

場次: 07

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

影片: https://www.youtube.com/watch?v=yxLzAKsAAjo

建構代理式 AI:Amazon Nova Act 與 Strands Agents 實務應用

簡介

● 課程簡介:代理式 AI 已成為當前 AI 領域的關鍵主題

● 目標對象是超越基礎理解、著眼於實際應用與創新的前瞻開發人員 代理式 AI 的未來趨勢

● 生成式 AI 演進概觀,強調從低代理能力(規則型、高度人工監督)逐步發展至高代理能力(獨立運作、策略決策)

● 認知目前代理式 AI 的發展階段,並強調若要提升代理自主程度,便需要先進技術、治理、信任及組織準備度 Sequoia Capital 的預測

● Sequoia Capital 在 2025 年 AI 主題演講中展望了一個未來:AI 系統將超越工具般的屬性,演進成能自主運作的智慧代理程式。

● 這些代理程式將具備推理、規劃、協作及高度自主運作的能力。

● 2030 年代經濟願景

● Sequoia Capital 預測,2030 年代的經濟,特別是在亞洲,將如同一個由眾多 AI 代理程式運作所組成的全球神經網路,形成彼此互連的網路。

● 個人成功的可能性

● 設計出獲得廣泛採用,尤其是在全球普及的 AI 代理程式,可能帶來可觀的個人財務成就,甚至有機會讓一個人變得極其富有。

● 此預測的重要性

● 這項預測對於引導開發人員,以及了解未來 AI 發展必須達成的目標至關重要。

● 一人獨角獸的興起

● Sequoia Capital 預測「一人獨角獸」將會興起,這類公司由單一個人建立及經營,估值達 10 億美元。

● 此趨勢將使勞動結構發生轉變,並催生由一個人便能經營整間新創公司的新型組織模式。

● 隨機性思維的必要性

● AI 代理程式的世界要求開發人員採取新的思考方式,擺脫傳統對準確性的期待,轉而抱持更具隨機性的思維。

● 這涉及調整開發人員連結及運用大型語言模型與 AI 技術的方式。

● 為代理式 AI 新時代做好準備

● 若要在代理式 AI 時代取得成功,不僅要做好技術準備,也必須調整心態與組織。

● 開發人員必須準備好面對組織結構及思維框架的變化,才能在這個新時代蓬勃發展。

● 2025 年代理式 AI 的基礎設施

● MCP 和 A2A 等通訊協定正在開發中,以實現 AI 代理程式及其工具之間的互通性。

● AWS 正積極參與 MCP 和 A2A 的標準委員會,貢獻數十年的分散式系統經驗,以強化這些未來的協定。

● AWS 代理式 AI 產品組合

● 由完整的架構組成,服務分為三層:

● 基礎設施

● AI 與代理程式開發軟體

● 應用程式層

● 聚焦於 AI 和代理程式開發軟體與服務,包括 Amazon Nova Act 和 Street Agents 等代理程式的 SDK。

代理式 AI 實務應用:本地天氣資訊

● 實際 AI 代理程式情境示範:使用 MCP 協定、Amazon Nova Act 及香港天文台網站開發本地天氣資訊應用程式。

● 本地天氣資訊代理程式

● 使用 Amazon Bedrock 建置、由 Emerald 提供支援,並配有特定網站 URL(香港天文台)的 AI 代理程式。

● 使用者可以使用自然語言(英文、西班牙文或中文)與代理程式互動,查詢香港目前的天氣。

● 代理程式會自主在指定網站上找到資訊,並儲存螢幕擷取畫面供驗證,展現其如同真人網頁抓取工程師般運作的能力。

● 對網頁抓取工程師的影響

● 代理式 AI 時代已經來臨,可能衝擊傳統的網頁抓取職務。開發人員可能需要使用 Nova Act 等 AWS 服務,為這項轉變做好準備。

● AI 代理程式的實作詳細資訊

● Nova Act 預測函式會引導它應擷取哪些網頁,以及要執行哪些動作。

● 使用自然語言指派任務,例如從香港天文台網站讀取並擷取 9 天天氣預報資訊。

● 開發人員的抱負

● 許多開發人員希望從頭建置自己的代理式 AI 應用程式,並保有原始碼層級的完整控制權。

● 開放原始碼 strands agents 可協助達成此目標,讓開發人員控制每一行程式碼。

● 建置自訂代理程式的挑戰

● 開發人員需要能讓代理程式與各種企業系統互動的連接器。

自訂 AI 代理程式系統所需的元件

● 工具和 MCP(訊息控制協定)對於讓代理程式執行預訂飯店、更新資訊或觸發程序等工作流程至關重要。

● 記憶體:代理程式需要短期與長期記憶體。短期記憶體會維持工作階段內的情境,而長期記憶體則讓代理程式能隨時間學習及改善。

● 大腦(大型語言模型):可使用 ReACT(推理、行動及共同溝通)、反思及思維鏈等技術,將 LLM 擴展至更複雜的框架,讓模型能夠逐步規劃、反思及推理。

● 人格:每個代理程式都有一種人格,也就是一組定義其身分與行為的規則或指示,使它有別於其他類型的代理程式(例如 HR 代理程式與 DevOps 代理程式)。

● 可觀測性與防護機制:自訂 AI 代理程式以提供可觀測性與防護機制,可確保它們維持安全、可討論,並與目標一致。

● 建置功能完備之 AI 代理程式的挑戰

● 建置真正功能完備的 AI 代理程式需要大量工作,其中可能有 80-90% 的心力與獨特的商業邏輯及流程無關。

AWS 解決方案:strands Agents

● Strands Agents:由 AWS 貢獻的開放原始碼 SDK,讓開發人員能以極少的程式碼建置 AI 代理程式。它運用最先進的大型語言模型進行規劃、思維鏈,從而簡化開發。

● 示範:使用 strands Agents 建立數學動畫

● 使用 Manim 程式庫進行數學視覺化,並結合 Strands Agents 和 Python 程式庫。

● 核心實作程式碼:

● 從 Strands 模組匯入 Agent 類別,並匯入 MCPClient 類別,以建立在框架內使用代理程式和 MCP 所需的基本元件。

● 使用 send_input 和 output 作為傳輸機制,設定與 Manim MCP 伺服器的連線。

● 建立與 Manim MCP 伺服器互動的連線、擷取可用工具,並使用這些工具初始化代理程式。

● 使用代理程式處理要求數學動畫的自然語言提示,具體而言是將 X 等於 -3 到 X 等於 3 的三次函數圖形視覺化。

● 使用 Strands Agents SDK 進行數學視覺化

● 在 Visual Studio 中,會使用兩個終端機視窗:

● 左側視窗會執行 MCP(訊息控制協定)伺服器,透過 STDIO 傳輸連線至 Manim MCP 伺服器。

● 右側視窗會執行 MCP 用戶端程式,啟動影片生成聊天介面。

● 使用者可以透過介面輸入自然語言命令,例如建立一個場景,在 9 秒內繪製指定範圍的三次函數。

● 代理程式會處理自然語言要求,並在發生問題時建立簡化版本來完成任務,展現適應性的問題解決能力。

多代理程式協作的優點

● 專業化:專業代理程式在特定領域工作,可提高精準度並提供更準確的答案。結合這些代理程式可取得更優異的成果。

● 擴展能力:系統可以新增或移除代理程式,而不影響整個系統,因此具備擴展能力。

● 可維護性:與大型單體程式碼庫相比,較小的代理程式更容易控制、監控、偵錯及測試。

● 成本效益:多代理程式系統可針對特定任務選擇適當的模型,兼顧智慧程度、速度及成本效益。

● 類比:單一代理程式與多代理程式系統

● 單一代理程式:如同一項獨自作業的專門技能。

● 多代理程式系統:如同一支協調良好的團隊,由不同角色(分析師、量化分析師、交易員、風險經理、IT)共同合作,以取得更優異的績效。

● 成功條件:協作

● 若要讓多代理程式系統成功,代理程式必須有效地共同合作。

● 多代理程式協作模式

● 代理程式即工具:一個代理程式可以將另一個代理程式當成工具使用。

● 圖形工作流程:代理程式可以連接成圖形結構,以執行複雜任務。

● 協調器代理程式:協調器代理程式會接收使用者需求、了解意圖,並呼叫專業代理程式來執行特定任務。

● 範例:旅遊規劃

● 協調器代理程式:接收使用者的旅遊需求(例如前往 Las Vegas 旅遊)。

● 研究代理程式:搜尋景點及活動(例如 antelope canyon)。

● 產品推薦代理程式:根據研究代理程式的輸出提供建議。

● 代理程式工作流程:一個代理程式的輸出會成為下一個代理程式的輸入,建立順暢的工作流程。

真實案例:量化避險基金

● 量化方法對量化研究人員至關重要,可協助他們快速驗證交易構想,更快找到適當的交易策略。

● 範例:使用移動平均線交叉策略時,研究人員可以輸入股票詳細資料(例如 Amazon)與回測時段,並取得損益及夏普比率等指標。

● 系統會提供買進和賣出條件、回測結果,以及改善交易策略的建議,包括風險評估與警示。

● 移動平均線交叉策略

● 移動平均線 (MA) 交叉策略會在圖表上使用兩條 MA(一條快速短期線及一條慢速長期線)來產生買進與賣出訊號:當快速 MA 向上穿越慢速 MA(多頭趨勢)時,會出現買進訊號;當快速 MA 向下穿越慢速 MA(空頭趨勢)時,則會出現賣出訊號。

● 運作方式

● 設定:在價格圖表上繪製兩條週期不同的移動平均線(例如簡單移動平均線 (SMA) 或指數移動平均線 (EMA))。

● 買進訊號(多頭):較短週期的 MA 向上穿越較長週期的 MA 時。

● 賣出訊號(空頭):較短週期的 MA 向下穿越較長週期的 MA 時。

● 常見 MA 組合

● 短期:9 期 EMA/SMA。

● 中期:21 期 EMA/SMA。

● 長期:50 日、100 日或 200 日 MA(常用於主要趨勢)。

● 主要交叉型態

● 黃金交叉:50 日 MA 向上穿越 200 日 MA 的多頭訊號,表示可能出現強勁的上升趨勢。

● 死亡交叉:50 日 MA 向下穿越 200 日 MA 的空頭訊號,表示可能出現下降趨勢。

● 限制與改良

● 落後指標:MA 以過去價格為基礎,因此交叉通常會在價格走勢已經開始後才發生,導致進場或出場過晚。

● 震盪市場:在橫向或盤整市場中,此策略會產生許多錯誤訊號(反覆受挫)。

● 架構圖

● 協調代理程式(量化研究代理程式)會呼叫不同的工具和子代理程式。

● 工具:市場資料工具及回測工具。

● 子代理程式:策略生成代理程式及結果摘要代理程式。

● Bedrock Core Agent Gateway

● 將 API、Lambda 函數或現有服務封裝成與 MCP 相容的工具,為開發人員提供安全的代理程式工具建置方式。

● 步驟

● 使用 Lambda 函數將歷史市場資料儲存在 S3 table 中,並將其定義為閘道的目標。

● 使用稱為 gateway create MCP gateway command 的代理程式建立閘道。

● 將 Lambda 函數定義為閘道的目標。

● 使用 Cognito 進行身分驗證,以確保安全存取。

● 定義工具的輸入和輸出參數(例如 get market data)。

用於建置工具的 Agent Gateway

● 使用 Agent RAM 託管策略生成代理程式,並讓它成為量化研究代理程式的工具。

● 將 Gateway 整合為工具

● 建立閘道後,可將它做成目前研究代理程式的工具。

● 步驟:

● 指定引數與回傳類型。

● 使用 Cognito 進行身分驗證。

● 使用 HTTP 用戶端呼叫閘道,以擷取用於回測的歷史市場資料。

● 定義及部署策略生成代理程式

● 部署策略生成代理程式,以提供安全且快速的代理程式託管方式。

● 步驟:

● 使用 strengths import agent 定義代理程式。

● 指定使用 backtrader 框架生成交易策略程式碼的指示。

● 將代理程式部署至執行階段。

● 指定進入點,並在連接埠 8080 上執行代理程式。

● 使用 agent call config 指定檔案和相依性。

● 使用 agent call launch 啟動執行階段代理程式

● 使用 agent get status 檢查其狀態

● 將代理程式做成工具

● 定義工具(市場資料工具)和策略生成代理程式後,將代理程式做成工具。

● 步驟:

● 生成交易策略。

● 指定引數(例如買進和賣出條件)。

● 叫用代理程式。

● 協調器代理程式(量化研究代理程式)

● 協調器代理程式會協調工具和代理程式。

● 步驟:

● 匯入代理程式。

● 定義量化研究代理程式的系統提示,使其取得歷史市場資料、生成策略、執行回測並分析結果。

● 使用「代理程式即工具」模式整合四項工具:

● 市場資料、

● 生成策略、

● 執行回測、

● 建立結果摘要。

● 如果發生問題,量化研究代理程式將重新學習結果。

Kiro CLI

● 使用 Kiro CLI 執行命令,這對偵錯很有幫助,因為它能快速驗證輸出。

● 使用 Kiro CLI 執行 Quant Agent

● Kiro CLI 用於執行 quant agent,並運用 tool execute patch,以及指定 10 天期簡單移動平均線交叉 30 天期簡單移動平均線策略的 JSON 檔案。

● 代理程式約在 6 秒內生成交易策略。

● 接著,代理程式會透過 HTTP 要求從閘道擷取市場資料。

● 會擷取約 200 個資料點以進行回測。

● 使用 backtrader 框架執行回測。

● 輸出包含初始價值、利潤、總報酬,以及改善交易策略的建議。

● 回測結果會儲存在稱為 memory 的代理程式中,並在最後一步從該處擷取。

群集模式

● 與「代理程式即工具」模式不同,群集模式涉及代理程式在沒有單一協調器的情況下,動態地溝通及協作。

● 群集會維護所有代理程式皆可存取的共用情境,其中包括其他代理程式、輸入、輸出及歷史互動的相關資訊。

● 匯入 Swarm 類別,並以交接次數上限及重複交接偵測來定義四個代理程式,以防止無限迴圈。

● 「重複交接」是指在不同個人、團隊、系統或網路存取點之間,頻繁且不必要地轉移任務或責任。

● 範例:

● 使用四個代理程式撰寫部落格:

● 研究代理程式:進行研究。

● 創意代理程式:建立內容。

● 批判代理程式:質疑所建立的內容。

● 摘要代理程式:彙整最終結果。

● 群集模式的主要元件

● 共用情境:所有代理程式皆可存取共用情境。

● 動態協作:代理程式在沒有中央協調器的情況下進行溝通及協作。

● 交接限制:設定互動次數上限和重複交接偵測,以防止無限迴圈。

● 不同代理程式的參與:確保最後一次交接至少有三個不同的代理程式參與,以維持多樣性並避免重複互動。

● 群集模式實際運作

● 任務:建立一篇說明代理式 AI 的部落格文章,以及社群媒體貼文摘要。

● 工作流程:

● 研究代理程式:收集必要的資訊和事實。

● 創意代理程式:建立引人入勝的部落格文章。

● 摘要代理程式:生成社群媒體摘要。

● 反覆程序:摘要代理程式會向創意代理程式要求更多詳細資訊,以建立有效的摘要。

● 最終輸出:摘要代理程式在 5 次互動後,成功建立部落格文章和社群媒體摘要。

● 將群集作為工具

● 群集模式可用作較大型框架中的工具。

● 範例:匯入群集工具,使用一組代理程式分析或執行任務。

圖形模式

● 將代理程式關係定義為圖形網路,其中每個代理程式都是節點,邊則定義關係及資訊流。

● 主要優點:

● 可預測性:明確定義代理程式之間的通訊路徑。

● 控制:完整控制資訊流。

● 示範

● 先定義代理程式,以確立其在圖形中的角色和互動。

● 範例:代理式基金經理

● 定義投資組合架構師代理程式將如何建構投資組合。

● 定義基金經理代理程式將如何根據建構出的投資組合管理基金。

● 投資組合架構師代理程式:建構投資組合以滿足客戶需求。根據投資組合架構師代理程式建構的投資組合管理基金。

● 在圖形模式中定義節點與邊

● 在圖形中,會定義節點以觸發特定動作或部署代理程式。

● 範例:

● 定義將呼叫代理程式的投資組合節點。

● 步驟:

● 定義狀態圖形,然後輸入狀態圖形。

● 新增財務、投資組合及風險節點。

● 定義從財務到投資組合、從投資組合到風險的邊,並以風險作為終點節點。

工作流程模式

● 工作流程是定義明確的任務順序或模式。

● 範例:定義研究代理程式、分析代理程式及報告代理程式的順序。

● 步驟:

● 匯入工作流程工具。

● 定義任務及其相依性(例如,報告生成相依於趨勢分析)。

● 設定優先順序,以決定平行子代理程式的執行順序。

● 工作流程模式使用案例

● 適用於需要封裝成單一可靠工具的複雜且可重複程序。

● 範例:

● 涉及資料擷取、轉換 (ETL) 及載入資料倉儲的自動化資料管線。

多代理程式協作模式的使用案例範例

代理程式即工具

● 客戶服務聊天機器人:協調式代理程式呼叫技術客戶經理、競標代理程式及摘要代理程式,為客戶提供輸出。

● 群集模式:

● 多領域事件回應:代理程式在本地互動,無須集中控制即可產生複雜的突現行為。範例:網路問題會傳遞給網路代理程式,若有必要,再傳遞給資料庫代理程式。

● 圖形模式:

● 具錯誤路徑的資料驗證:定義一個圖形,讓代理程式判斷是否存在錯誤,接著傳遞至無錯誤的資料驗證,或具有錯誤路徑的資料代理程式。

● 工作流程模式:

● 定義明確且具有相依性和優先順序的任務順序,以維持受控的資訊流及執行順序。