進階代理式 AI 設計模式

議程筆記

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

使用目標、上下文、可用工具和觀察結果呼叫模型。
接收模型回應、推論結果和工具選擇。
讓代理程式決定是否需要執行其他操作。
使用經過驗證的輸入執行所選工具。
將工具結果作為新的觀察傳回給模型。
重複上述過程，直至任務完成或達到停止條件。
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。