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

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。