Praktikal na Pagbuo ng Agentic AI gamit ang Nova Act at Strands Agents

Mga Tala ng Sesyon

Mga Trend sa Hinaharap ng Agentic AI

• Malinaw ang naging takbo ng ebolusyon ng generative AI, kung saan nagdadala ang bawat yugto ng mga bagong priyoridad at hamon para sa mga negosyo.
• Ang mga system ay mula low agency (rule-based, mataas ang pangangasiwa ng tao) hanggang high agency (malayang operasyon, strategic na pagpapasya).
• Sa kasalukuyan, karamihan ay nasa mga unang yugto pa rin ng agentic AI. Nangangailangan ang mas mataas na agency ng advanced na teknolohiya, governance, tiwala, at kahandaan ng organisasyon. Paglalarawan sa Hinaharap na Pinapatakbo ng mga AI Agent
• Hinuhulaan ng Sequoia Capital na mag-e-evolve ang mga AI system sa hinaharap bilang mga intelligent agent na kusang gumagana at may kakayahan sa reasoning, pagpaplano, pakikipagtulungan, at mataas na autonomy.
• Ang hinuhulaang agent economy sa 2030s ay gagana tulad ng isang global neural network na binubuo ng napakaraming operasyon ng agent na bumubuo ng magkakaugnay na network.
• Nagbibigay ito ng mga pagkakataon sa mga developer na ilagay ang kanilang sarili sa mahahalagang node sa loob ng network na ito, na posibleng magdulot ng malaking pakinabang sa pananalapi kung malawakang gagamitin ang kanilang mga AI agent.
• Hinuhulaan din ng Sequoia Capital ang pag-usbong ng mga "one-person unicorn"—mga kumpanyang ginawa at pinatatakbo ng iisang indibidwal na may valuation na $1 billion. Magbubunga ang pagbabagong ito ng mga bagong organizational model kung saan iko-coordinate ng mga founder ang mga AI agent workflow sa halip na bumuo ng mga tradisyonal na team.
• Magbabago ang tungkulin ng founder tungo sa pagiging strategic orchestrator na nagpapasya kung aling mga function ang ia-automate, ide-delegate, at kung saan isasama ang pangangasiwa ng tao. Stochastic Mindset at Spec-Driven Development
• Nangangailangan ang mundo ng mga AI agent ng stochastic mindset, isang naiibang paraan ng pag-iisip. Maaaring kailangang i-adjust ng mga developer ang kanilang paraan ng pakikipag-ugnayan sa mga Large Language Model upang mapahusay ang accuracy ng output.
• Magtatampok ang mga AI IDE sa hinaharap gaya ng Kiro ng spec-driven development, na nagbibigay-diin sa pangangailangang maghanda sa pag-iisip para sa mga bagong larangan gaya ng organizational structure at mental framework. Pangunahing Imprastraktura para sa Agentic AI
• Kasalukuyang binubuo ang pangunahing imprastraktura para sa hinaharap na mundo ng Agentic AI, kabilang ang mga communication protocol na mahalaga sa interoperability ng mga AI agent at kanilang mga tool.
• Tinutugunan ng mga umuusbong na standard gaya ng MCP at A2A ang hamong ito sa interoperability at pinagtibay na ang mga ito ng mga nangunguna sa industriya, kabilang ang Amazon, Anthropic, Meta, at Google.
• Pinapadali ng mga protocol na ito ang mga koneksiyon sa pagitan ng mga agent application, model, at iba't ibang resource.
• Aktibong nakikilahok ang AWS sa mga standards committee para sa MCP at A2A at nag-aambag ng karanasan nito sa mga distributed system upang mapahusay ang mga protocol na ito.

Praktikal na Agentic AI Application: Pagkuha ng Lokal na Impormasyon sa Panahon

Pangkalahatang-ideya ng Scenario:

• Demonstrasyon ng isang local weather app na dinevelop gamit ang MCP protocol, Amazon Bedrock, at website ng Hong Kong Observatory.
• Binuo ang AI agent gamit ang Nova Act at nakikipag-ugnayan ito sa weather website gamit ang mga natural language prompt. Mga Kakayahan:
• Ibinibigay ng mga user sa Agent ang partikular na URL ng weather website.
• Tumutugon ang Agent sa mga natural language prompt gaya ng "Ano ang kasalukuyang lagay ng panahon sa Hong Kong?"
• Gumagana ang Agent tulad ng isang human web scraping engineer at kusang hinahanap ang impormasyon sa panahon mula sa website ng Hong Kong Observatory.
• Dumating na ang panahon ng Agentic AI, kaya kailangang maghanda para sa hinaharap.
• Makakatulong ang mga AWS service gaya ng Nova Act sa transisyong ito. Mga Teknikal na Detalye:
• Pagdidisenyo ng mga agent application gamit ang Nova Act.
• Pagpapatupad ng AI agent gamit ang MCP, na nagpapakita kung paano pinag-uugnay ng MCP ang mga AI model at real-world data source upang makagawa ng mas makapangyarihang mga application.

Pagbuo ng mga Custom Agentic AI Application gamit ang Strands Agents

Mga Hamon sa Pagbuo ng mga Custom Agent:

• Bahagi ng Input: Kailangan ng mga connector upang makipag-ugnayan ang mga agent sa iba't ibang enterprise system, kumuha ng live data, at tumawag ng mga API upang magsagawa ng mga workflow (hal., booking, pag-update, pag-trigger ng mga proseso). Tumutulong ang mga tool at MCP sa pag-orchestrate ng mga input na ito.
• Memory: Nangangailangan ng short-term (session context) at long-term memory (pagkatuto at pagpapahusay sa paglipas ng panahon) upang maging adaptive at context-aware ang mga agent.
• Utak (LLM): Kailangang palawakin gamit ang mga reasoning framework gaya ng ReAct, Reflexion, at Chain-of-Thought para sa pagpaplano, reflection, at step-by-step reasoning, na mahalaga para sa reliability at traceability.
• Persona: Kailangan ng bawat agent ng malinaw na itinakdang mga tungkulin at instruction (persona) upang maiba ang mga functionality (hal., HR agent kumpara sa DevOps agent).
• Observability at Guardrails: Kailangan ng mga customized AI agent ng mga mekanismo upang matiyak ang kaligtasan, debuggability, at pagkakatugma sa mga layunin. Strands Agents:
• Isang SDK ng Amazon para sa pagbuo ng mga AI agent gamit ang kaunting code.
• Pinapasimple ang development sa pamamagitan ng pangangasiwa sa kumplikadong orchestration at paggamit ng mga state-of-the-art model para sa pagpaplano, chain-of-thought, tool calling, at reflection.
• Nagtatakda ang mga developer ng prompt at listahan ng mga tool sa kanilang code, nagsusuri locally, at nagde-deploy sa cloud. Demonstrasyon: Mathematical Animation gamit ang Manim:
• Ipinapakita ang paggawa ng mga mathematical animation gamit ang Manim, isang Python library para sa de-kalidad na mathematical visualization.
• Pinoproseso ng Strands Agents ang mga prompt ng user, sumusulat ng mga Manim script, at bumubuo ng mga animation.
• Mahahalagang Punto:
• Pinapasimple ng Strands Agents ang paggawa ng mga kumplikadong real-world Agentic AI application.
• Itinatampok ng demonstrasyon ang makapangyarihang mga kakayahang nabubuo sa pagsasama ng mga agentic workflow at specialized open-source tool.

Pagsusuri sa Pangunahing Implementation Code

1 Pag-import ng Mahahalagang Component:

• Ini-import ng code ang Agent class mula sa strands module at ang MCPClient class mula sa strands.tools.mcp
• Itinatatag ng mga import na ito ang mahahalagang component para sa system na gumagamit ng mga agent at message control protocol sa loob ng Strands framework. 2 Pag-set Up ng Koneksiyon sa Manim MCP Server:
• Nagse-set up ang code ng koneksiyon sa Manim MCP server gamit ang standard input/output (stdio) bilang transport mechanism. 3 Pagtatatag ng Interaction Context:
• Nagtatatag ang code ng context para sa pakikipag-ugnayan sa Manim MCP server.
• Kinukuha nito ang mga available na tool mula sa server gamit ang MCP client.
• Ini-initialize ang isang Agent gamit ang mga tool na ito bilang paghahanda sa nalalapit na chat loop. 4 Pagproseso ng Natural Language Prompt:
• Ginagamit ng code ang Agent upang iproseso ang isang natural language prompt na humihiling ng Manim animation.
• Tinutukoy ng prompt ang isang 9-second visualization ng partikular na cubic function na naka-graph mula x=-3 hanggang x=3.

Proseso ng Demonstrasyon

Pag-set Up ng Environment:

• Gumagamit ng dalawang terminal window sa VS Studio:
• Kaliwang Terminal: Pinapatakbo ang MCP Server, na kumokonekta sa Manim MCP Server — isang local implementation mode ng MCP.
• Kanang Terminal: Pinapatakbo ang MCP Client program, na naglulunsad sa chat interface para sa pagbuo ng video. Pakikipag-ugnayan ng User:
• Naglalagay ang mga user ng mga natural language command sa chat interface upang bumuo ng mga animation ng mathematical formula.
• Halimbawang command: "Create a Manim scene that draws a cubic function from some x range in 9 seconds." Pagproseso ng Agent:
• Pagkatapos isumite, ipinapakita sa kanang terminal ang pagproseso ng agent sa natural language request.
• Sinisimulan ng agent ang una nitong tool call, "execute manim code." Adaptive na Paglutas ng Problema:
• Nang matukoy ang compilation issue sa local environment, matalinong gumawa ang agent ng pinasimpleng version upang makumpleto ang gawain, na nagpapakita ng adaptive nitong kakayahan sa paglutas ng problema. Pagkumpleto ng Gawain at Output:
• Matagumpay na kinukumpleto ng agent ang gawain at nagbibigay ng buod ng output, nire-rate ang performance nito bilang "Perfect!" kasama ang mga detalye tungkol sa mahahalagang feature ng implementation nito.
• Matatagpuan sa directory na "videos" ang final MP4 video file na binuo ng AI Agent.
• Kinukumpirma ng video na nagawa ng agent ang animated video ng hiniling na mathematical function.
• Kapansin-pansin na kusang nagdagdag ang agent ng naka-scale na X at Y axes—isang feature na hindi direktang hiniling sa natural language input, na nagpapakita ng talino ng AI Agent at kakayahan nitong asahan ang mga pangangailangan ng user.

Arkitektura ng AWS Agentic AI Portfolio

Tatlong Layer ng mga Service:

• [ 1 ] Infrastructure Layer:
• Nagbibigay ng mga pangunahing resource at kakayahang kailangan sa pagpapatakbo ng mga Agentic AI application.
• [ 2 ] Layer ng Software at mga Service para sa AI at Agent Development:
• Naglalaman ng mga tool, SDK, at service na partikular na dinisenyo para sa pag-develop at pamamahala ng mga AI agent.
• [ 3 ] Sub-layer: Mga SDK para sa mga Agent
• Kabilang ang Amazon Nova at Bedrock Agents.
• [ 4 ] Application Layer:
• Naglalaman ng mga end-user application at service na binuo gamit ang mga AI agent at imprastrakturang ibinibigay ng mga lower layer. Mga Specialized Service Category:
• Naglalaman ang bawat layer ng mas specialized na mga service category na iniangkop sa mga pangangailangan ng Agentic AI development at deployment.