← Financial Cloud Cloud Cloud Club · AWS Re:cap

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

AWS Re:cap 10: 進階代理式 AI 設計模式

講者: Clifford Duke

場次: 10

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

@ AWSome Day Hong Kong 2025

本場議程介紹了從生成式 AI 助手到自主代理式 AI 系統的演進,涵蓋反思、工具使用、規劃和多代理程式協作四種核心設計模式,並演示了開放原始碼 Strands Agents SDK 如何支援代理程式開發。


向代理式 AI 演進

生成式 AI 助手:

● 遵循一套明確的規則。

● 自動執行重複性任務。

● 模仿人類邏輯和推論的某些方面。

生成式 AI 代理程式:

● 透過推論和行動實現特定目標。

● 與基於規則的助手相比,可以處理更廣泛的任務。

● 能夠與工具及其環境互動。

代理式 AI 系統:

● 具有更高程度的自主性。

● 協調推論、規劃、工具、記憶和行動。

● 可以自動完成整個工作流程,而不僅僅是單個任務。


什麼是 AI 代理程式?

● AI 代理程式是一種自主軟體系統,使用人工智慧(尤其是大語言模型)代表人員或其他系統進行推論、規劃並完成任務。

● 代理程式觀察環境、朝目標推進、選擇行動,並在需要時使用工具。

● 記憶提供以往觀察和互動的上下文。

● 工具將代理程式連接到外部能力。

● 行動使代理程式能夠影響或查詢其環境。


代理式 AI 的核心設計模式

反思:

● 使 AI 系統能夠評估自身的輸出、決策和推論。

● 幫助識別錯誤和不一致之處。

● 生成改進建議。

● 支援透過多個週期進行迭代最佳化。

工具使用:

● 將代理程式的能力擴展到語言生成之外。

● 將代理程式連接到 API、資料庫、計算器、搜尋系統和影像處理服務。

● 支援與外部系統進行動態互動。

● 支援資料擷取、計算和系統操作等任務。

規劃:

● 將複雜目標拆分為可管理的子任務。

● 將各個步驟組織成結構化策略。

● 按順序執行任務,同時監控進度。

● 在新資訊或故障要求調整時修訂計畫。

多代理程式協作:

● 將複雜問題分解給多個代理程式。

● 為每個代理程式分配專屬角色或能力。

● 允許代理程式交換資訊並共享中間結果。

● 將各自的輸出整合為最終結果。


模式 1:反思

自我評估:

● 模型審查自己的回應或擬採取的行動。

錯誤識別:

● 模型查找事實錯誤、遺漏、矛盾和薄弱之處。

改進建議:

● 模型提出改進結果的具體修改建議。

迭代改進:

● 系統重複執行評估和修訂,直至得到可接受的結果或達到設定的上限。

反思可以提高品質,但每次迭代都會增加延遲和模型成本。因此,應用程式應定義停止條件並避免無限迴圈。


模式 2:工具使用

利用外部資源:

● 代理程式可以呼叫 API、查詢資料庫、擷取文件或呼叫其他軟體。

擴展能力:

● 工具可執行語言模型自身無法可靠完成的精確計算和操作。

動態互動:

● 代理程式根據目前任務選擇工具,並使用工具傳回的結果確定下一步。

典型應用程式:

● 擷取最新資料或私人資料。

● 執行計算。

● 處理影像或文件。

● 建立工作單或更新業務系統。

● 執行受控的基礎設施操作。

代理程式生成的工具輸入不可信,因此必須透過驗證、授權和最小權限來限制工具存取。


模式 3:規劃

任務分解:

● 將複雜目標拆分為更小、可獨立執行的任務。

策略性組織:

● 確定依賴關係,並按有效順序安排任務。

高效率執行:

● 按計畫執行,並監控完成情況和故障。

靈活調整:

● 當工具失敗、假設發生變化或出現新資訊時重新規劃。

對於需要多種工具、存在依賴關係或無法透過模型單次回應可靠完成的任務,規劃尤其有用。


模式 4:多代理程式協作

任務劃分:

● 將問題拆分為可委派的工作。

專業分工:

● 為每個代理程式指定明確的角色,例如研究員、分析師、開發人員或審查人員。

協作:

● 允許代理程式交換上下文和中間發現。

結果整合:

● 在生成最終答案之前,合併並協調各項輸出。

多代理程式系統可以改善專業分工和並行處理,但也會帶來協調成本、重複工作和額外的故障模式。只有當角色分離能帶來明確價值時,才應使用多代理程式系統。


Strands Agents

● Strands Agents 是一個開放原始碼 Python SDK,只需少量程式碼即可建置 AI 代理程式。

● 它採用模型驅動的方法建置和執行代理程式。

● 它可以從對話式助手擴展到自主的多步驟工作流程。

● 它支援本機開發和生產部署。

輕量且靈活:

● 提供簡單、可自訂的代理程式迴圈。

不受特定模型限制:

● 支援 Amazon Bedrock、Anthropic、Ollama 和自訂模型供應商。

進階能力:

● 支援多代理程式系統、自主代理程式和串流。

內建模型上下文通訊協定支援:

● 提供與 MCP 伺服器的原生整合。

● 允許代理程式發現並使用透過 MCP 公開的外部工具。


代理程式迴圈

1. 使用目標、上下文、可用工具和觀察結果呼叫模型。

2. 接收模型回應、推論結果和工具選擇。

3. 讓代理程式決定是否需要執行其他操作。

4. 使用經過驗證的輸入執行所選工具。

5. 將工具結果作為新的觀察傳回給模型。

6. 重複上述過程,直至任務完成或達到停止條件。

7. 生成最終回應。

此迴圈支援複雜的多步驟推論和行動。正式環境實作還應限制迭代次數、執行時間、權限和支出。


設計注意事項

● 當對輸出進行檢討和修訂能夠提高品質時,使用反思。

● 當任務需要最新資料、確定性運算或外部操作時,使用工具。

● 當目標包含多個相互依賴的步驟時,使用規劃。

● 當專業分工或並行工作的收益超過協調開銷時,使用多個代理程式。

● 在系統邊界驗證所有工具輸入和輸出。

● 為每個工具和代理程式角色套用最小權限存取。

● 記錄工具呼叫和狀態轉換,以便進行可觀測性與稽核。

● 加入逾時、重試次數限制和明確的終止條件。

● 對敏感或不可逆的操作保留人工核准步驟。


重點摘要

● 代理式 AI 結合了模型、記憶、目標、工具、行動和環境回饋。

● 反思、工具使用、規劃和多代理程式協作是建置高能力代理程式的可重複使用的模式。

● 每種模式解決不同的問題,也會帶來各自的成本和維運複雜性。

● Strands Agents 提供輕量、不受特定模型限制的 SDK,支援多代理程式工作流程和 MCP 工具。

● 除模型推論外,可靠的代理程式系統還需要防護機制、受限執行、可觀測性和受控的工具權限。