让云成本分析更智能：使用 Strands 和 AgentCore 构建 FinOps 智能体

场次笔记

2025 年被称为“AI 智能体元年”，距离现在只剩两个月。

• 用户已经开发出自己的 AI 智能体。
• 编程智能体是 AI 智能体的一种类型。
• AI 智能体是各种利用 AI、且“看起来很智能的应用”。
• 示例包括：会议纪要智能体、面试准备智能体和编程智能体。LLM 时代“AI 智能体”的特征：
• 角色设定：可以定义角色或个性，实现个性化的行为和响应。
• 规划与反思：为了实现目标，智能体可以制定计划，并根据执行结果进行调整。
• 长期记忆：可以像人类一样保留长期交互信息或经验。
• 工具执行：不仅可以生成文本，还可以调用各种外部工具或 API 来执行操作。
• AI 智能体可以帮助解决实际问题，例如成本分析智能体。
• 如何使用 Amazon Web Services 开发成本分析智能体。如何构建 AI 智能体：
• Bedrock Agents
• AgentCore：以无服务器方式部署自行开发的智能体，并提供身份验证、工具、可观测性及其他功能。
• Strands Agents：一个 Python 框架，只需最少 3 行极其精简的代码即可实现 AI 智能体。
• 使用 Strands Agents 构建 FinOps 智能体。开源 AI 智能体框架——Strands Agents
• 只需 3 行 Python 代码即可创建 AI 智能体
• 优点：简单、轻量，开发体验良好
• 应用于 Amazon Web Services，例如 Amazon Q Developer
• Strands 核心概念：结合“模型”和“工具”
• 随着 LLM 能力的提升，构建 AI 智能体只需指定模型和工具
• 创建智能体：设置 LLM 和系统提示词，并通过提供提示词进行调用
• 为智能体配备工具能力：Strands 提供内置工具，例如计算和文件操作
• 可以通过为 Python 函数添加 @tool 来编写自己的工具
• 获取 MCP 服务器提供的工具，兼容本地和远程 MCP 服务器
• 构建多个智能体：Agent as Tools、Swarm、Graphs、Workflows
• Agent as Tools 示例：主管—下属模型，由主管智能体分配子任务、调用子智能体执行并汇总结果
• MCP 之后的热门趋势：支持 A2A（Agent to Agent）
• 在 Strands 上构建 A2A 的示例：有专用类可以使用 Tool Use 调用远程智能体
• 智能体部署：通过 Bedrock AgentCore 快速部署

AI 智能体部署的难题：

• 部署过程复杂
• 身份验证和授权问题
• 维护和监控方面的挑战
• 运行成本问题
• 是否支持流式输出。什么是 Bedrock AgentCore？
• 它是专为 AI 智能体打造的“便捷组件集”
• 包括 Runtime（无服务器基础设施）、Memory（记忆管理）、Gateway（工具集成）、Identity（身份验证/授权）和 Observability（维护和监控）等功能
• 可以与任何偏好的智能体框架搭配使用，按需选择功能，并通过 API 轻松集成。整个系统的核心是 Runtime
• 无论使用何种框架开发 AI 智能体，都可以轻松部署到无服务器环境
• 类似于专为 AI 智能体准备的容器化 Lambda
• 借助专用 CLI 工具包，可以轻松完成部署操作
• 后端部分已经完成，下一步是考虑前端的实现方案。前端页面的可选技术：
• 对初学者友好
• 生产级开发套件
• 可以使用 Python 轻松编写美观的界面
• 只需关联 Next.js 或 React 等代码仓库，即可实现自动部署
• 对不熟悉 JavaScript 的后端工程师来说，这是一个不错的选择
• Gen2 版本实现了显著演进和性能提升。

关键要点

• 云成本分析对企业和个人都至关重要。在 AI 智能体元年，可以使用 Amazon Web Services 的技术栈快速构建帮助分析云成本的 AI 智能体。
• Strands Agents 是一个可灵活构建多智能体系统的框架，只需 3 行 Python 代码即可设置 AI 智能体，具有极致的简洁性和高度可扩展性。
• Strands Agents 支持 MCP 和 A2A 协议，让智能体之间能够协作和共享工具。
• Strands Agents 可以与 Bedrock AgentCore 无缝集成，实现生产级部署。
• 使用 AgentCore 可以简化部署和维护过程。Runtime 组件提供可自动扩缩的无服务器运行时环境。
• Memory、Identity、Gateway 和 Observability 等组件提供记忆、身份验证、工具集成和监控的一体化能力。
• 通过 CLI 自动打包和部署，可以快速进入生产环境。

Amazon Bedrock AgentCore 架构

核心服务

• AgentCore Runtime：用于托管 AI 智能体或工具代码的安全无服务器执行环境。它提供完整的会话隔离以确保安全，并支持最长 8 小时的长时间异步任务。
• 框架：支持热门开源智能体框架（例如 LangGraph、CrewAI）以及任何基础模型。
• 智能体指令：定义智能体的行为和能力。
• 智能体本地工具：特定智能体用于执行任务的本地工具。
• 智能体上下文：管理对话中临时的、会话特定的状态。
• AgentCore Gateway：为智能体发现并连接工具和资源提供安全方式。它可以将现有 API（例如 Lambda 函数或 OpenAPI 规范）转换为智能体兼容工具，最大限度减少自定义集成工作。
• AgentCore Memory：通过管理短期和长期记忆，让智能体能够进行上下文感知对话。它会存储对话上下文，并提取跨会话的用户偏好等持久性知识。
• AgentCore Identity：为智能体提供安全、可扩展的身份和访问管理。它负责身份验证和授权，让智能体能够代表用户安全访问 AWS 资源和第三方服务。
• CloudWatch GenAI Observability（AgentCore Observability）：为生产环境中的智能体性能提供全面的监控、跟踪和调试功能。它由 Amazon CloudWatch 和 OpenTelemetry 兼容的遥测技术提供支持，能够深入洞察智能体工作流的运行情况。内置工具
• AgentCore Code Interpreter：让智能体能够在隔离的沙箱环境中安全地编写和执行代码，以完成数据分析或计算等复杂任务。
• AgentCore Browser：提供快速、安全、基于云的浏览器运行时，让智能体能够大规模与网站交互并提取信息。外部交互
• 应用和模型：智能体系统与用户应用以及 Amazon Bedrock 或其他提供商提供的各种基础模型（FM）交互，以执行任务。

Amazon Bedrock AgentCore 入门工具包

• 代码：流程从 AI 智能体的源代码开始。
• 构建：工具包中的“agentcore launch”命令会自动触发 AWS CodeBuild 项目。
• 容器：CodeBuild 将智能体代码编译为针对环境优化的容器镜像（例如 ARM64 架构）。
• ECR（Elastic Container Registry）：构建完成的容器镜像会被“推送”到 Amazon ECR 仓库，该仓库作为镜像的持久存储。
• AgentCore Runtime：随后将镜像部署到安全、无服务器的 Amazon Bedrock AgentCore Runtime，即 AI 智能体的执行环境。
• X-Ray：系统与 AWS X-Ray 集成以提供可观测性，并为生产环境中的智能体性能提供跟踪和调试功能。
• 自动化：底部文字表示 agentcore-starter-toolkit 会自动处理这些配置和部署步骤。