📢 转载信息
原文作者：Chintan Patel, Kosti Vasilakakis, and Shreyas Subramanian
Agentic-AI（智能体AI）已成为部署生产级AI应用的关键，然而，许多开发人员在跨多个环境中手动配置智能体基础设施的复杂性方面感到吃力。基础设施即代码 (IaC) 有助于实现自治AI系统所需的一致、安全且可扩展的基础设施。它通过自动化资源管理和声明式模板来最大程度地减少手动配置错误，将部署时间从几小时缩短到几分钟，同时促进跨环境的基础设施一致性，以帮助防止不可预测的智能体行为。它提供了版本控制和回滚功能，以便从问题中快速恢复，这对于维持智能体系统的可用性至关重要，并支持自动化扩展和资源优化，通过参数化模板，这些模板可以从轻量级开发环境适应到生产级部署。对于最少人工干预下运行的智能体应用，IaC的可靠性、安全标准的自动化验证以及与DevOps工作流的无缝集成，对于稳健的自主操作至关重要。
为了简化资源部署和管理，Amazon Bedrock AgentCore 服务现在得到了各种IaC框架的支持，例如AWS Cloud Development Kit (AWS CDK)、Terraform 和 AWS CloudFormation 模板。这种集成将IaC的能力直接带入AgentCore，使开发人员能够预置、配置和管理其AI智能体基础设施。在本文中，我们使用CloudFormation模板来构建一个端到端的天气活动规划器应用程序。有关使用CDK和Terraform的示例，请参阅GitHub 示例库。
构建基于天气的活动规划器智能体
该示例创建了一个天气活动规划器，演示了一个实际应用，该应用处理实时天气数据，根据感兴趣的地点提供个性化的活动建议。该应用程序由多个集成组件构成：
- 实时天气数据收集 – 应用程序从权威气象源（如weather.gov）检索当前天气状况，收集包括温度读数、降水概率预报、风速测量以及影响户外活动适宜性的其他相关大气条件等关键数据点。
- 天气分析引擎 – 应用程序通过定制逻辑处理原始气象数据，根据多个天气因素评估户外活动日期的适宜性：
- 温度舒适度评分 – 当温度降至 50°F 以下时，活动适宜度得分会降低
- 降水风险评估 – 超过 30% 的降雨概率将触发对户外活动建议的调整
- 风况影响评估 – 风速超过 15 mph 会影响各种活动的整体舒适度和安全等级
- 个性化推荐系统 – 应用程序将天气分析结果与用户偏好和基于位置的感知相结合，以生成定制的活动建议。
下图展示了此流程。
现在我们来看看如何使用AgentCore服务来实现这一点：
- AgentCore 浏览器 – 用于自动浏览来自 weather.gov 等源的天气数据
- AgentCore 代码解释器 – 用于执行处理天气数据、执行计算和实现评分算法的 Python 代码
- AgentCore 运行时 – 用于托管一个智能体，该智能体负责编排应用程序流程、管理数据处理管道以及协调不同组件之间的工作
- AgentCore 内存 – 用于存储用户偏好作为长期记忆
下图展示了这种架构。
部署 CloudFormation 模板
- 在本地机器上从 GitHub 下载端到端天气智能体的 CloudFormation 模板
- 从 AWS 控制台打开 CloudFormation
- 点击 创建堆栈 → 使用新资源（标准）
- 选择模板源（上传文件）并选择您的模板
- 输入堆栈名称，并在需要时更改任何必需的参数
- 审查配置并确认 IAM 权限
- 点击 提交 并在“事件”选项卡上监控部署进度
以下是CloudFormation模板部署的可视化步骤
运行和测试应用程序
增加可观测性和监控
AgentCore 可观测性提供了关键优势。它通过详细的工作流程可视化和实时性能监控，提供质量和信任度。您可以使用Amazon CloudWatch支持的仪表板来加速上市时间，这些仪表板减少了来自多个源的手动数据集成，使得能够根据可操作的见解采取纠正措施。与 OpenTelemetry 兼容格式的集成灵活性支持现有的工具，如 CloudWatch, DataDog, Arize Phoenix, LangSmith, 和 LangFuse.
该服务提供跨框架和基础模型 (FMs) 的端到端可追溯性，捕获关键指标，例如 Token 使用量和工具选择模式，并支持 AgentCore 运行时托管的智能体的自动检测，以及对部署在其他服务上的智能体进行可配置的监控。这种全面的可观测性方法有助于组织在构建可信赖的AI智能体时实现更快的开发周期、更可靠的智能体行为和改进的操作可见性，从而实现规模化。
下图显示了AgentCore运行时UI中的指标。
为您的用例定制
天气活动规划器 AWS CloudFormation 模板采用模块化组件设计，可以无缝适应各种应用。例如，您可以自定义 AgentCore 浏览器工具，以从不同的Web应用程序收集信息（例如，用于投资指导的金融网站、用于情绪监控的社交媒体供稿或用于价格跟踪的电子商务网站），修改 AgentCore 代码解释器算法以处理您的特定业务逻辑（例如，用于销售预测的预测模型、用于保险的风险评估或用于制造的质量控制），调整 AgentCore 内存组件以存储相关的用户偏好或业务上下文（例如，客户资料、库存水平或项目要求），并重新配置Strands Agents 任务以编排特定于您领域的业务流程（例如，供应链优化、客户服务自动化或合规性监控）。
部署最佳实践
我们为您的部署推荐以下实践：
- 模块化组件架构 – 使用 AWS CloudFormation 模板设计，为每个 AWS 服务设置单独的部分。
- 参数化模板设计 – 使用 AWS CloudFormation 参数来处理可配置的元素，以便在不同环境中重用模板。例如，这可以帮助将相同的基本容器与多个智能体部署相关联，帮助指向两个不同的构建配置，或者对作为智能体驱动的 LLM 进行参数化。
- AWS 身份和访问管理 (IAM) 安全和最小权限原则 – 为每个 AgentCore 组件实施具有特定资源亚马逊资源名称 (ARNs) 的细粒度 IAM 角色。请参阅我们关于AgentCore 安全注意事项的文档。
- 全面的监控和可观测性 – 在所有组件上启用 CloudWatch 日志记录、自定义指标、AWS X-Ray 分布式跟踪和警报。
- 版本控制和持续集成和持续交付 (CI/CD) 集成 – 在 GitHub 中维护模板，并进行自动化验证、全面的测试以及使用 AWS CloudFormation StackSets 进行一致的多区域部署。
您可以在CloudFormation 最佳实践中找到更全面的最佳实践集。
清理资源
为避免产生未来费用，请删除本解决方案中使用的资源：
- 在Amazon S3 控制台上，手动删除您为模板部署创建的存储桶中的内容，然后删除该存储桶。
- 在CloudFormation 控制台上，在导航窗格中选择堆栈，选择主堆栈，然后选择删除。
结论
在本文中，我们介绍了一种使用 AWS CloudFormation 部署 AgentCore 服务的自动化解决方案。这些预配置的模板无需进行复杂的手动组件设置，即可快速部署强大的智能体 AI 系统。这种自动化方法有助于节省时间，并实现一致且可重现的部署，以便您可以专注于构建驱动业务增长的智能体 AI 工作流程。
请尝试我们基础设施即代码示例存储库中的更多示例：
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区