开发者的智能体架构设计路线图

场次笔记

开发者路线图

• 未来架构师（future architect）
• 内容生成
• 学习 RAG
• 增强开发技能
• 构建 AI 智能体
• 集成 MCP
• 智能体通信正在快速发展……智能体式开发
• 与智能体一起开发
• 代码生成
• AI-DLC（AI-Driven Development Lifecycle，AI 驱动开发生命周期，一种将人工智能定位为核心协作者的现代软件开发方法）
• 智能体式 IDE
• 氛围编程
• 规格驱动：面向智能体开发
• 扩展
• 部署：开发智能体
• 单智能体 vs 多智能体
• MCP
• 防护机制
• 可观测性
• 最佳实践
• API 智能体式 AI 系统
• 使用以下项目构建
• 智能体
• 自主决策
• 迭代式问题解决
• 目标导向行为：智能体模式
• 模式类型
• 反思
• 工具使用
• 规划
• 多智能体内容生成
• 选择模型
• 提示工程
• 参数
• 如何与 Bedrock API 交互：使用 Amazon Bedrock Knowledge Base 的 RAG
• 使用 RetrieveAndGenerate API
• 设置 RAG
• 选择合适的模型

KIRO

• 从原型到生产环境的 AI IDE
• 规格驱动开发
• Steering（引导或控制 AI 系统的行为、响应和发展，使其朝预期方向发展的过程；这可能包括针对特定任务微调模型）
• 使用 Agent Hooks 实现自动化（开发环境（IDE）中的自动触发器，会响应特定事件并执行预定义的 AI 智能体操作，例如保存或创建文件。其设计目的是自动执行重复性任务、确保一致性并简化开发工作流）
• 创建检查点
• 基于属性的测试 - PBT（一种软件测试方法，侧重于验证被测系统的一般属性或不变量，而不是使用预定义的输入和预期输出来检查特定示例。PBT 使用生成引擎自动创建多样化的随机输入，以全面探索输入空间。）通过智能体运行的 AI 正在改变开发方式
• 智能体式开发
• 与智能体一起开发
• 面向智能体开发
• 开发智能体：多智能体模式全景
• 图
• 工作流
• Swarm（让专业化智能体通过相互移交控制权来协同工作，创建比单个智能体更复杂、更稳健的工作流。）多智能体 — Swarm
• 专业化智能体之间的动态移交
• 涌现路径 - 智能体自行决定下一步移交给谁
• 所有智能体共享上下文和工作记忆
• 只需极少编排的自主协作
• 使用案例：开发项目、研究项目“GenAI 的未来会是什么样？”
• 微服务的未来不只是更好的 API，而是通过 AI 智能体进行通信的智能服务
• GenAI 可以编写代码并运行工作流，但无法取代你对系统最初为何需要存在的理解。

智能体通信概念验证

此架构图展示了一个基于 AWS 的智能体式 AI 应用系统，使用

Amazon Bedrock AgentCore Runtime 和 Strands Agents SDK。该系统使用 Model

Context Protocol (MCP)，与通过 AWS Lambda 实现的各种微服务集成，

并使用 Amazon DynamoDB。

• AgentCore Runtime：运行 AI 智能体的核心执行平台，具备会话隔离（使用 microVM）、可扩展性和可观测性等企业级功能。
• Strands Agents：开源、代码优先的 Python SDK，用于构建智能体逻辑，包括状态处理、工具编排和多步推理。
• AgentCore Gateway：提供安全的入站连接和统一接口，让智能体能够访问工具，包括现有的 MCP 服务器、REST API 和 Lambda 函数。
• Model Context Protocol (MCP)：一种开放标准和客户端-服务器架构，使 AI 模型能够与外部数据源及工具通信。
• MCP 服务器：向 AI 智能体提供特定能力（工具）的轻量级程序。
• 微服务：该系统由多个无服务器微服务组成），每个微服务均使用 AWS Lambda 函数实现，并由 Amazon DynamoDB 提供数据持久化支持。
• 工作流：在 AgentCore Runtime 中运行的 Strands Agents 可以通过 AgentCore Gateway 通信，调用各个 MCP 服务器，进而触发相关微服务，以进行决策并使用工具。