Building Agentic AI: Amazon Nova Act and Strands Agents in Practice (DEV327)

Mga Tala ng Sesyon

Building Agentic AI: Amazon Nova Act and Strands Agents in

Panimula

• Panimula ng session sa paglitaw ng Agentic AI bilang isang mahalagang paksa sa kasalukuyang AI landscape
• Naglalayon sa mga developer na nag-iisip ng pasulong na tumitingin nang higit pa sa pangunahing pag-unawa sa mga real-world na aplikasyon at mga inobasyon
• Mga Future Trends ng Agentic AI
• Pangkalahatang-ideya ng ebolusyon ng generative AI, na nagpapakita ng pag-unlad mula sa mababang ahensya (nakabatay sa panuntunan, mataas na pangangasiwa ng tao) tungo sa mataas na ahensya (independiyenteng operasyon, estratehikong paggawa ng desisyon)
• Pagkilala sa kasalukuyang yugto ng pag-unlad ng Agentic AI, na nagbibigay-diin sa pangangailangan para sa mga advanced na teknolohiya, pamamahala, tiwala, at kahandaan ng organisasyon para sa mas mataas na ahensya
• Prediction ng Sequoia Capital
• Ang keynote address ng Sequoia Capital sa AI sa 2025 ay nakikita ang isang hinaharap kung saan ang mga AI system ay umuunlad nang higit pa sa mga katangiang tulad ng tool upang maging mga autonomously operating intelligent na ahente.
• Ang mga ahenteng ito ay magkakaroon ng mga kakayahan para sa pangangatwiran, pagpaplano, pakikipagtulungan, at mataas na autonomous na operasyon.
• Vision para sa 2030s Economy
• Hinuhulaan ng Sequoia Capital na ang ekonomiya sa 2030s, partikular sa Asia, ay gagana tulad ng isang pandaigdigang neural network na binubuo ng maraming AI agent operations na bumubuo ng isang interconnected network.
• Potensyal na Personal na Tagumpay
• Ang pagdidisenyo ng isang ahente na AI na nakakakuha ng malawakang pag-aampon, lalo na sa buong mundo, ay maaaring humantong sa makabuluhang personal na tagumpay sa pananalapi, na posibleng magpapahintulot sa isa na maging lubhang mayaman.
• Kahalagahan ng Hula
• Ang pagtataya na ito ay mahalaga para sa paggabay sa mga developer at pag-unawa kung ano ang kailangang makamit sa hinaharap ng AI development.
• Pag-usbong ng One-Person Unicorn
• Hinuhulaan ng Sequoia Capital ang pagtaas ng "one-person unicorn," mga kumpanyang nilikha at pinamamahalaan ng isang indibidwal na may valuation na $1 bilyon USD.
• Ang trend na ito ay hahantong sa pagbabago sa mga istruktura ng paggawa at ang paglitaw ng mga bagong modelo ng organisasyon kung saan ang isang tao ay maaaring magpatakbo ng isang buong startup.
• Kailangan ng Stochastic Mindset
• Ang mundo ng mga ahente ng AI ay nangangailangan ng mga developer na magpatibay ng isang bagong paraan ng pag-iisip, lumalayo sa tradisyonal na mga inaasahan ng katumpakan at patungo sa isang mas stochastic na pag-iisip.
• Kabilang dito ang pagsasaayos kung paano kumonekta at ginagamit ng mga developer ang malalaking modelo ng wika at mga teknolohiyang AI.
• Paghahanda para sa Bagong Panahon ng Agentic AI
• Ang tagumpay sa panahon ng agentic AI ay nangangailangan ng hindi lamang teknikal na paghahanda kundi pati na rin ang mental at organisasyonal na pagsasaayos.
• Dapat maging handa ang mga developer para sa mga pagbabago sa mga istruktura ng organisasyon at mga balangkas ng kaisipan upang umunlad sa bagong panahon na ito.
• Foundational Infrastructure for Agentic AI sa 2025
• Ang mga protocol ng komunikasyon tulad ng MCP at A2A ay ginagawa upang paganahin ang interoperability sa pagitan ng mga ahente ng AI at kanilang mga tool.
• Ang AWS ay aktibong nakikilahok sa mga komite ng pamantayan para sa MCP at A2A, na nag-aambag ng mga dekada ng karanasan sa mga distributed system upang mapahusay ang mga protocol sa hinaharap.
• AWS Agentic AI Portfolio
• Binubuo ng isang komprehensibong arkitektura na may mga serbisyong nakaayos sa tatlong layer:
• Imprastraktura
• AI at software ng developer ng ahente
• Mga layer ng aplikasyon
• Tumutok sa AI at software sa pagpapaunlad ng ahente at mga serbisyo, kabilang ang mga SDK para sa mga ahente tulad ng Amazon Nova Act at Street Agents.

Practical Agentic AI Application: Lokal na Impormasyon sa Panahon

• Pagpapakita ng praktikal na senaryo ng ahente: pagbuo ng lokal na aplikasyon ng impormasyon sa lagay ng panahon gamit ang MCP protocol, Amazon Nova Act, at ang website ng Hong Kong Observatory.
• Lokal na Ahente ng Impormasyon sa Panahon
• AI ahente na binuo gamit ang Amazon Bedrock na pinapagana ng Emerald at nilagyan ng partikular na website na URL (Hong Kong Observatory).
• Maaaring makipag-ugnayan ang mga user sa ahente gamit ang natural na wika (English, Spanish, o Chinese) para magtanong tungkol sa kasalukuyang panahon sa Hong Kong.
• Awtomatikong hinahanap ng ahente ang impormasyon sa tinukoy na website at nagse-save ng screenshot para sa pag-verify, na nagpapakita ng kakayahan nitong gumana tulad ng isang human web scraping engineer.
• Epekto sa Web Scraping Engineers
• Dumating na ang panahon ng ahenteng AI, na posibleng makaapekto sa mga tradisyunal na tungkulin sa web scraping. Maaaring kailanganin ng mga developer na maghanda para sa paglipat na ito gamit ang mga serbisyong AWS tulad ng Nova Act.
• Mga Detalye ng Pagpapatupad ng Ahente ng AI
• Nova Act forecast function na gumagabay dito kung aling mga web page ang kukunan at kung anong mga aksyon ang gagawin.
• Ginagamit ang natural na wika upang magtalaga ng mga gawain tulad ng pagbabasa at pagkuha ng 9-araw na impormasyon ng taya ng panahon mula sa website ng Hong Kong Observatory.
• Mga Ambisyon ng Mga Nag-develop
• Nilalayon ng maraming developer na bumuo ng sarili nilang mga application na ahenteng AI mula sa simula at mapanatili ang kumpletong kontrol sa antas ng source code.
• Makakatulong ang mga ahente ng open-source strands na makamit ang layuning ito, na nagpapahintulot sa mga developer na kontrolin ang bawat linya ng kanilang code.
• Mga Hamon sa Pagbuo ng Mga Custom na Ahente
• Ang mga developer ay nangangailangan ng mga konektor na nagbibigay-daan sa mga ahente na makipag-ugnayan sa magkakaibang mga sistema ng enterprise.

Mga Bahaging Kinakailangan para sa Customized AI Agent Systems

• Ang mga tool at MCP (Message Control Protocol) ay mahalaga para sa pagpapagana ng mga ahente na magsagawa ng mga workflow gaya ng pag-book ng mga hotel, pag-update ng impormasyon, o pag-trigger ng mga proseso.
• Memorya: Ang mga ahente ay nangangailangan ng parehong panandalian at pangmatagalang memorya. Ang panandaliang memorya ay nagpapanatili ng konteksto sa loob ng isang session, habang ang pangmatagalang memorya ay nagbibigay-daan sa mga ahente na matuto at mapabuti sa paglipas ng panahon.
• Brain (Malalaking Modelo ng Wika): Maaaring palawakin ang mga LLM sa mas kumplikadong mga framework gamit ang mga diskarte tulad ng ReACT (Reasoning, Acting, and Communicating Together), reflection, at Chain of Thought, na nagbibigay-daan sa modelo na magplano, magmuni-muni, at mangatuwiran nang hakbang-hakbang.
• Persona: Ang bawat ahente ay may persona, isang hanay ng mga panuntunan o tagubilin na tumutukoy sa pagkakakilanlan at pag-uugali nito, na nagpapaiba nito sa iba pang uri ng mga ahente (hal., HR ahente kumpara sa ahente ng DevOps).
• Observability at Guardrails: Ang pag-customize ng mga ahente ng AI upang magbigay ng observability at guardrails ay tumitiyak na mananatili silang ligtas, mapagdedebatehan, at naaayon sa mga layunin.
• Mga Hamon sa Building Functional AI Ahente
• Ang pagbuo ng isang tunay na functional na ahente ay nangangailangan ng malaking trabaho, na may potensyal na 80-90% ng pagsisikap na walang kaugnayan sa natatanging lohika at proseso ng negosyo.

AWS Solusyon: strands Ahente

• Strands Agents: Isang AWS-b na open-source na SDK na nagbibigay-daan sa mga developer na bumuo ng mga AI agent na may kaunting code. Pinapasimple nito ang pag-unlad sa pamamagitan ng paggamit ng mga makabagong modelo ng malalaking wika para sa pagpaplano, Chain of Thought.
• Demo: Paggawa ng Mathematical Animations na may mga strands na Ahente
• Mga visualization ng matematika gamit ang Manim library, na sinamahan ng mga Strands Agents at Python library.
• Core Implementation Code:
• Ini-import ang klase ng Ahente mula sa module ng Strands at ang klase ng MCPClient para sa pagtatatag ng mahahalagang bahagi upang magamit ang ahente at MCP sa loob ng balangkas.
• Nagse-set up ng koneksyon sa isang Manim MCP server gamit ang send_input at output bilang mekanismo ng transportasyon.
• Nagtatatag ng koneksyon para sa pakikipag-ugnayan sa Manim MCP server, kinukuha ang mga available na tool, at sinisimulan ang ahente gamit ang mga tool na ito.
• Gumagamit ng ahente para magproseso ng natural na prompt ng wika na humihiling ng mathematical animation, partikular na nagvi-visualize ng cubic function graph mula sa X katumbas ng -3 hanggang X katumbas ng 3.
• Mathematical Visualization na may Strands Agents SDK
• Sa Visual Studio, dalawang terminal window ang ginagamit:
• Ang kaliwang window ay tumatakbo sa MCP (Message Control Protocol) server, na kumukonekta sa Manim MCP server sa pamamagitan ng STDIO transport.
• Ang kanang window ay nagpapatakbo ng MCP client program, na naglulunsad ng video generation chat interface.
• Ang mga user ay maaaring mag-input ng mga natural na utos ng wika sa pamamagitan ng interface, tulad ng paggawa ng isang eksena na gumuhit ng isang cubic function sa isang tinukoy na hanay sa loob ng 9 segundo.
• Pinoproseso ng ahente ang natural na kahilingan sa wika, na nagpapakita ng mga kakayahang umangkop sa paglutas ng problema sa pamamagitan ng paggawa ng pinasimpleng bersyon upang makumpleto ang gawain kung may mga isyu.

Mga Benepisyo ng Multi-Agent Collaboration

• Espesyalisasyon: Gumagana ang mga dalubhasang ahente sa mga partikular na domain, pinapataas ang katumpakan at nagbibigay ng mas tumpak na mga sagot. Ang pagsasama-sama ng mga ahente na ito ay maaaring makamit ang higit na mahusay na mga resulta.
• Scalability: Maaaring magdagdag o mag-alis ng mga ahente ang system nang hindi naaapektuhan ang buong system, na ginagawa itong scalable.
• Pagpapanatili: Mas madaling kontrolin, subaybayan, i-debug, at pagsubok ang mas maliliit na ahente kumpara sa mas malalaking monolithic codebase.
• Cost Efficiency: Nagbibigay-daan ang mga multi-agent system para sa pagpili ng tamang modelo para sa mga partikular na gawain, pag-optimize para sa katalinuhan, bilis, at kahusayan sa gastos.
• Analogy: Single Ahente kumpara sa Multi-Agent System
• Nag-iisang Ahente: Tulad ng isang espesyal na kasanayang nagtatrabaho nang solo.
• Multi-Agent System: Tulad ng isang mahusay na coordinated na koponan kung saan ang iba't ibang tungkulin (analyst, quants, trader, risk manager, IT) ay nagtutulungan upang makamit ang mahusay na pagganap.
• Kundisyon para sa Tagumpay: Pakikipagtulungan
• Para magtagumpay ang mga multi-agent system, dapat epektibong magtulungan ang mga ahente.
• Mga Pattern ng Pakikipagtulungan ng Multi-Agent
• Mga Ahente bilang Mga Tool: Maaaring gumamit ang isang ahente ng isa pang ahente bilang tool.
• Graph Workflow: Maaaring ikonekta ang mga ahente sa isang istrakturang tulad ng graph upang magsagawa ng mga kumplikadong gawain.
• Mga Ahente ng Orchestrator: Ang isang ahente ng orkestra ay tumatanggap ng mga kinakailangan ng user, nauunawaan ang layunin, at tumatawag ng mga espesyal na ahente upang magsagawa ng mga partikular na gawain.
• Halimbawa: Pagpaplano ng Paglalakbay
• Ahente ng Orchestrator: Tumatanggap ng mga kinakailangan sa paglalakbay ng user (hal., paglalakbay sa Las Vegas).
• Ahente ng Pananaliksik: Mga paghahanap ng mga atraksyon at aktibidad (hal., antelope canyon).
• Ahente ng Rekomendasyon ng Produkto: Nagbibigay ng mga rekomendasyon batay sa output ng ahente ng pananaliksik.
• Daloy ng Trabaho ng Ahente: Ang output ng isang ahente ay nagiging input para sa susunod, na lumilikha ng tuluy-tuloy na daloy ng trabaho.

Halimbawa ng Tunay na Buhay: Quantitative Hedge Fund

• Napakahalaga ng quantitative methodology para sa mga quant researcher upang mabilis na ma-verify ang mga ideya sa pangangalakal at mas mabilis na mahanap ang tamang diskarte sa pangangalakal.
• Halimbawa: Gamit ang isang moving average na diskarte sa crossover, maaaring mag-input ang mga mananaliksik ng mga detalye ng stock (hal., Amazon), backtest window, at makatanggap ng mga sukatan tulad ng tubo/lugi at Sharpe ratio.
• Ang system ay nagbibigay ng mga kondisyon sa pagbili at pagbebenta, mga resulta ng backtest, at mga mungkahi para sa pagpapabuti ng diskarte sa pangangalakal, kabilang ang mga pagtatasa ng panganib at mga alerto.
• Moving average na diskarte sa crossover
• Gumagamit ang moving average (MA) crossover na diskarte ng dalawang MA (isang mabilis/short-term at isang mabagal/long-term) sa isang chart upang makabuo ng mga signal ng buy/sell: nagaganap ang isang buy signal kapag ang mabilis na MA ay tumawid sa itaas ng mabagal na MA (bullish trend), at ang isang sell signal ay nangyayari kapag ang mabilis na MA ay tumatawid sa ibaba ng mabagal na MA (bearish trend).
• Paano Ito Gumagana
• I-set up: Mag-plot ng dalawang moving average sa iyong chart ng presyo (hal., Simple Moving Average (SMA) o Exponential Moving Average (EMA)) na may magkakaibang yugto ng panahon.
• Bumili ng Signal (Bullish): Kapag ang mas maikling panahon MA ay tumawid sa mas mahabang panahon MA.
• Sell ​​Signal (Bearish): Kapag ang mas maikling-panahon MA ay tumawid pababa sa mas mahabang-panahong MA.
• Karaniwang MA na Kumbinasyon
• Panandaliang Panahon: 9-panahon EMA/SMA.
• Katamtamang Panahon: 21-panahon EMA/SMA.
• Pangmatagalan: 50-day, 100-day, o 200-day MA (madalas na ginagamit para sa mga pangunahing uso).
• Mga Key Crossover Pattern
• Golden Cross: Isang bullish signal kung saan ang isang 50-araw na MA ay tumatawid sa itaas ng isang 200-day MA, na nagmumungkahi ng isang malakas na uptrend.
• Death Cross: Isang bearish signal kung saan ang isang 50-araw na MA ay tumatawid sa ibaba ng isang 200-day MA, na nagpapahiwatig ng isang potensyal na downtrend.
• Mga Limitasyon at Pagpipino
• Lagging Indicator: Ang mga MA ay nakabatay sa mga nakaraang presyo, kaya madalas na nangyayari ang mga crossover pagkatapos magsimula ang paglipat ng presyo, na humahantong sa mga late entry/exit.
• Choppy Markets: Ang diskarte ay bumubuo ng maraming maling signal (whipsaws) sa patagilid o pinagsama-samang mga merkado.
• Diagram ng Arkitektura
• Ang ahente ng orkestra (quant research agent) ay tumatawag ng iba't ibang mga tool at sub-agents.
• Tools: Market data tool at backtest tool.
• Mga sub-agent: Ahente sa pagbuo ng diskarte at ahente ng buod ng resulta.
• Bedrock Core Agent Gateway
• Nagbibigay ng secure na paraan para sa mga developer na bumuo ng mga tool para sa mga ahente sa pamamagitan ng pag-encapsulate ng mga API, Lambda function, o mga kasalukuyang serbisyo sa MCP-compatible na tool.
• Mga hakbang
• Paggamit ng Lambda function para mag-imbak ng makasaysayang data ng market sa isang S3 table at tukuyin ito bilang target ng gateway.
• Gumawa ng gateway gamit ang ahente na tinatawag na gateway create MCP gateway command.
• Tukuyin ang Lambda function bilang target ng gateway.
• I-authenticate gamit ang Cognito para sa secure na pag-access.
• Tukuyin ang mga parameter ng input at output para sa tool (hal., kumuha ng market data ).

Agent Gateway para bumuo ng mga tool

• I-host ang ahente ng pagbuo ng diskarte gamit ang Ahente RAM at gawin itong tool para sa ahente ng quant research.
• Pagsasama ng Gateway bilang Tool
• Pagkatapos gawin ang gateway, maaari itong gawing tool para sa kasalukuyang ahente ng pananaliksik.
• Mga hakbang:
• Tukuyin ang mga argumento at mga uri ng pagbabalik.
• Gamitin ang Cognito para sa pagpapatunay.
• Tawagan ang gateway gamit ang mga kliyenteng HTTP para kunin ang dating data ng market para sa backtesting.
• Pagtukoy at Pag-deploy ng Ahente sa Pagbuo ng Diskarte
• Ang ahente ng pagbuo ng diskarte ay na-deploy, na nagbibigay ng isang secure at mabilis na paraan upang mag-host ng mga ahente.
• Mga hakbang:
• Tukuyin ang ahente gamit ang strengths import agent.
• Tukuyin ang mga tagubilin para sa pagbuo ng code ng diskarte sa pangangalakal gamit ang isang backtrader framework.
• I-deploy ang ahente sa runtime.
• Tukuyin ang mga entry point at patakbuhin ang ahente sa port 8080.
• Gumamit ng agent call config para tukuyin ang mga file at dependencies.
• Gamitin ang paglunsad ng tawag sa ahente upang simulan ang ahente ng runtime
• Gamitin ang ahente makakuha ng katayuan suriin ang katayuan nito
• Paggawa ng mga Ahente bilang Mga Tool
• Pagkatapos tukuyin ang mga tool (market data tool) at ahente ng pagbuo ng diskarte, gawin ang ahente na isang tool.
• Mga hakbang:
• bumuo ng mga estratehiya sa pangangalakal.
• Tukuyin ang mga argumento (hal., mga kundisyon sa pagbili at pagbebenta).
• Tawagan ang ahente.
• Ahente ng Orkestra (Quant Research Agent)
• Ang ahente ng orkestra ay nag-coordinate ng mga tool at ahente.
• Mga hakbang:
• Mga ahente ng import.
• Tukuyin ang system prompt para sa quant research agent upang makakuha ng makasaysayang data ng market, bumuo ng diskarte, patakbuhin ang backtest, at pag-aralan ang mga resulta.
• Gamitin ang pattern na "ahente bilang tool" para isama ang apat na tool:
• data ng merkado,
• bumuo ng diskarte,
• tumakbo backtest,
• lumikha ng mga buod ng resulta.
• Kung may mali, muling matututo ang resulta ng quant research agent.

Kiro CLI

• Gamitin ang Kiro CLI upang magpatakbo ng mga command, na kapaki-pakinabang para sa pag-debug dahil pinapayagan nito ang mabilis na pag-verify ng mga output.
• Tumatakbo sa Quant Agent kasama si Kiro CLI
• Ang Kiro CLI ay ginagamit upang patakbuhin ang quant agent, gamit ang tool execute patch at isang JSON file na tumutukoy sa isang 10-day period simple moving average crossover 30-day simple moving average na diskarte.
• Binubuo ng ahente ang diskarte sa pangangalakal sa humigit-kumulang 6 segundo.
• Pagkatapos ay kinukuha ng ahente ang data ng merkado mula sa gateway sa pamamagitan ng isang HTTP na kahilingan.
• Sa paligid ng 200 data point ay kinukuha para sa backtest.
• Ang backtest ay pinapatakbo gamit ang backtrader framework.
• Kasama sa output ang paunang halaga, tubo, kabuuang kita, at mga rekomendasyon para sa pagpapabuti ng diskarte sa pangangalakal.
• Ang mga backtest na resulta ay nai-save sa ahente na tinatawag na memory at kinukuha mula doon sa huling hakbang.

Pattern ng kuyog

• Hindi tulad ng pattern na "mga ahente bilang mga tool", ang pattern ng kuyog ay nagsasangkot ng mga ahente na nakikipag-usap at nakikipagtulungan nang pabago-bago nang walang iisang orkestra.
• Ang kuyog ay nagpapanatili ng isang nakabahaging konteksto na naa-access ng lahat ng mga ahente, kabilang ang impormasyon tungkol sa iba pang mga ahente, input, output, at makasaysayang pakikipag-ugnayan.
• Ang klase ng Swarm ay na-import, at ang apat na ahente ay tinukoy na may pinakamataas na handoff at paulit-ulit na handoff detection upang maiwasan ang walang katapusang mga loop.
• Ang "paulit-ulit na handoff" ay tumutukoy sa madalas, hindi kinakailangang paglipat ng isang gawain o responsibilidad sa pagitan ng iba't ibang indibidwal, team, system, o network access point.
• Halimbawa:
• Pagsusulat ng isang blog gamit ang apat na ahente:
• Ahente ng pananaliksik: Nagsasagawa ng pananaliksik.
• Creative agent: Gumagawa ng content.
• Kritikal na ahente: Hinahamon ang nilikhang nilalaman.
• Ahente ng summarizer: Binubuod ang mga huling resulta.
• Mga Pangunahing Bahagi ng Pattern ng Swarm
• Nakabahaging Konteksto: Ang lahat ng ahente ay may access sa isang nakabahaging konteksto.
• Dynamic na Pakikipagtulungan: Ang mga ahente ay nakikipag-usap at nagtutulungan nang walang sentral na orkestra.
• Mga Limitasyon sa Handoff: Ang mga maximum na pakikipag-ugnayan at paulit-ulit na handoff detection ay nakatakda upang maiwasan ang mga walang katapusang loop.
• Natatanging Paglahok ng Ahente: Tinitiyak na hindi bababa sa tatlong natatanging ahente ang kasangkot sa huling handoff upang mapanatili ang pagkakaiba-iba at maiwasan ang mga paulit-ulit na pakikipag-ugnayan.
• Swarm Pattern sa Aksyon
• Gawain: Gumawa ng blog post na nagpapaliwanag ng agentic AI at isang buod para sa isang social media post.
• Daloy ng Trabaho:
• Ahente ng Pananaliksik: Magtipon ng mga kinakailangang impormasyon at katotohanan.
• Creative Agent: Lumilikha ng isang nakakaengganyong post sa blog.
• Ahente ng Summarizer: Bumubuo ng buod ng social media.
• Paulit-ulit na Proseso: Ang Summarizer Agent ay humihiling ng higit pang mga detalye mula sa Creative Agent upang lumikha ng isang epektibong buod.
• Pangwakas na Output: Matagumpay na nagagawa ng Summarizer Agent ang blog post at ang buod ng social media pagkatapos ng mga 5 na pakikipag-ugnayan.
• Magkulumpon bilang Tool
• Ang Swarm pattern ay maaaring gamitin bilang tool sa loob ng mas malaking framework.
• Halimbawa: Pag-import ng isang swarm tool upang pag-aralan o magsagawa ng mga gawain gamit ang isang pangkat ng mga ahente.

Pattern ng Graph

• Tinutukoy ang mga relasyon ng ahente bilang isang graph network kung saan ang bawat ahente ay isang node, at ang mga gilid ay tumutukoy sa relasyon at daloy ng impormasyon.
• Pangunahing Kalamangan:
• Predictability: Malinaw na tinukoy ang mga landas ng komunikasyon sa pagitan ng mga ahente.
• Kontrol: Buong kontrol sa daloy ng impormasyon.
• Pagpapakita
• Tukuyin muna ang mga ahente upang itatag ang kanilang mga tungkulin at pakikipag-ugnayan sa loob ng graph.
• Halimbawa: Agentic Fund Manager
• Pagtukoy kung paano gagawin ng Portfolio Architect Agent ang portfolio.
• Pagtukoy kung paano pamamahalaan ng Fund Manager Agent ang pondo batay sa binuong portfolio.
• Portfolio Architect Agent: Bumubuo ng portfolio upang matupad ang mga kinakailangan ng customer.
• Pinamamahalaan ang pondo batay sa portfolio na ginawa ng Portfolio Architect Agent.
• Pagtukoy sa mga Node at Edge sa Graph Pattern
• Sa graph, tinukoy ang mga node upang mag-trigger ng mga partikular na pagkilos o mag-deploy ng mga ahente.
• Halimbawa:
• Pagtukoy sa mga node ng portfolio na tatawag sa mga ahente.
• Mga hakbang:
• Tukuyin ang graph ng estado at ipasok ang graph ng estado.
• Magdagdag ng mga node para sa pananalapi, portfolio, at panganib.
• Tukuyin ang mga gilid mula sa pananalapi hanggang sa portfolio, portfolio hanggang sa panganib, na may panganib bilang dulong node.

Pattern ng Trabaho

• Ang daloy ng trabaho ay isang mahusay na tinukoy na pagkakasunud-sunod o pattern ng mga gawain.
• Halimbawa: Pagtukoy ng pagkakasunud-sunod ng mga ahente ng pananaliksik, ahente ng pagsusuri, at ahente ng ulat.
• Mga hakbang:
• Mag-import ng mga tool sa daloy ng trabaho.
• Tukuyin ang mga gawain at ang kanilang mga dependency (hal., ang pagbuo ng ulat ay depende sa pagsusuri ng trend).
• Magtakda ng mga priyoridad upang matukoy ang pagkakasunud-sunod ng pagpapatupad para sa mga parallel na sub-agents.
• Use Case ng Workflow Pattern
• Tamang-tama para sa kumplikado at paulit-ulit na mga proseso na kailangang i-encapsulated sa isang solong, maaasahang tool.
• Halimbawa:
• Mga automated na data pipeline na kinasasangkutan ng data extraction, transformation (ETL), at paglo-load sa isang data warehouse.

Mga Sample na Use Case para sa Multi-Agent Collaboration Patterns

Mga Ahente bilang Mga Tool

• Chatbot ng serbisyo sa customer: Ang mga orkestradong ahente ay tumatawag sa mga teknikal na tagapamahala ng account, mga ahente sa pag-bid, at nagbubuod ng mga ahente upang magbigay ng output sa mga customer.
• Pattern ng kuyog:
• Multidisciplinary incident response: Ang mga ahente ay lokal na nakikipag-ugnayan upang makagawa ng kumplikadong umuusbong na pag-uugali nang walang sentralisadong kontrol. Halimbawa: Ang isyu sa networking ay ipinapasa sa mga ahente ng network, pagkatapos ay sa mga ahente ng database kung kinakailangan.
• Pattern ng Graph:
• Pag-validate ng data na may error path: Tumukoy ng graph kung saan tinutukoy ng mga ahente kung may mga error, pagkatapos ay ipasa sa validation ng data nang walang error o data agent na may error path.
• Pattern ng Workflow:
• Malinaw na tinukoy na pagkakasunud-sunod ng mga gawain na may mga dependency at priyoridad upang mapanatili ang kontroladong daloy ng impormasyon at pagkakasunud-sunod ng pagpapatupad.