開發人員的代理架構設計路線圖

場次筆記

開發人員的路線圖

• 未來架構師（future architect）
• 內容生成
• 學習 RAG
• 強化開發技能
• 建置 AI Agent
• 整合 MCP
• 代理通訊正快速成長代理式開發
• 與代理一起開發
• 程式碼生成
• AI-DLC（AI-Driven Development Lifecycle，AI 驅動開發生命週期，一種將人工智慧定位為核心協作者的現代軟體開發方法）
• 代理式 IDE
• Vibe coding
• 規格驅動：為代理進行開發
• 擴展規模
• 部署：開發代理
• 單代理 vs 多代理
• MCP
• 防護機制
• 可觀測性
• 最佳實務
• API 代理式 AI 系統
• 使用以下項目建置
• 代理
• 自主決策
• 反覆解決問題
• 目標導向行為：代理模式
• 模式類型
• 反思
• 工具使用
• 規劃
• 多代理內容生成
• 選擇模型
• 提示工程
• 參數
• 如何與 Bedrock API 互動：使用 Amazon Bedrock Knowledge Base 的 RAG
• 使用 RetrieveAndGenerate API
• 設定 RAG
• 選擇合適的模型

KIRO

• 從原型到正式環境的 AI IDE
• 規格導向開發
• Steering（引導或控制 AI 系統的行為、回應與發展，使其朝向期望方向的過程；這可能包括針對特定任務微調模型）
• 使用 Agent Hooks 自動化（開發環境（IDE）中的自動觸發器，會在回應特定事件時執行預先定義的 AI 代理動作，例如儲存或建立檔案。其設計目的在於自動化重複性工作、確保一致性並簡化開發工作流程）
• 建立檢查點
• 屬性式測試 - PBT（一種軟體測試方法，著重於驗證受測系統的一般屬性或不變量，而非使用預先定義的輸入與預期輸出來檢查特定範例。PBT 使用生成引擎自動建立多樣且隨機的輸入，以全面探索輸入空間。）透過代理運作的 AI 正在改變開發方式
• 代理式開發
• 與代理一起開發
• 為代理進行開發
• 開發代理：多代理模式版圖
• 圖
• 工作流程
• Swarm（讓專門化代理透過彼此交接控制權來共同運作，建立比單一代理所能達成更複雜、更穩健的工作流程。）多代理 — Swarm
• 專門化代理之間的動態交接
• 湧現路徑 - 代理自行決定下一步要交接給誰
• 所有代理共用情境脈絡與工作記憶
• 只需極少編排的自主協作
• 使用案例：開發專案、研究專案「GenAI 的未來會是什麼樣貌？」
• 微服務的未來不只是更好的 API，而是透過 AI 代理進行通訊的智慧型服務
• GenAI 可以撰寫程式碼並執行工作流程，但無法取代你對於系統最初為何需要存在的理解。

代理通訊概念驗證

此架構圖說明一個以 AWS 為基礎的代理式 AI 應用系統，使用

Amazon Bedrock AgentCore Runtime 與 Strands Agents SDK。此系統運用 Model

Context Protocol (MCP)，與透過 AWS Lambda 實作的各種微服務整合，

並使用 Amazon DynamoDB。

• AgentCore Runtime：執行 AI 代理的核心執行平台，具備工作階段隔離（使用 microVM）、可擴展性與可觀測性等企業級功能。
• Strands Agents：開放原始碼、程式碼優先的 Python SDK，用於建置代理邏輯，包括處理狀態、工具編排與多步驟推理。
• AgentCore Gateway：提供安全的輸入連線能力與統一介面，讓代理存取工具，包括現有的 MCP 伺服器、REST API 與 Lambda 函式。
• Model Context Protocol (MCP)：一種開放標準與用戶端－伺服器架構，讓 AI 模型能與外部資料來源及工具通訊。
• MCP 伺服器：向 AI 代理公開特定能力（工具）的輕量程式。
• 微服務：此系統由數個無伺服器微服務組成），每個微服務皆使用 AWS Lambda 函式實作，並以 Amazon DynamoDB 支援資料持久化。
• 工作流程：在 AgentCore Runtime 中執行的 Strands Agents 可透過 AgentCore Gateway 通訊，叫用各個 MCP 伺服器，進而觸發相關微服務，以進行決策並使用工具。