📢 转载信息
原文作者：Aravind Hariharaputran, Sathya Shanmugha, and Shruti Kulkarni
业务分析师在响应不断变化的业务需求时，往往需要等待数天才能完成仪表板的修改。传统流程涉及向 IT 团队提交变更请求，IT 人员需要解读需求、研究 API 文档、理解表结构并部署变更。虽然这种方法确保了合规与质量控制，但在需要快速更新仪表板时，会导致多天的周转时间。
本方案结合了 Amazon Bedrock AgentCore、Strands Agents 和 Amazon Quick 的强大能力，提供了一个安全、可扩展且智能的系统，用于构建和运行 AI 代理，将数据转化为可操作的业务洞察。
解决方案概览
在该方案中，我们使用了一种由 Amazon Bedrock AgentCore 和 Strands 框架构建的多代理架构。Amazon Bedrock AgentCore 是一个用于安全、大规模地构建、部署和运行高效代理的平台，无需管理基础设施。它利用智能内存和网关，加速代理生产，并支持动态扩展与性能监控。Strands Agents 是一个代码优先的框架，用于构建与 AWS 服务集成的代理。
该架构包含三个协同工作的专用代理：
- 查找仪表板代理（Find Dashboard Agent）：执行发现操作，包括搜索仪表板以及检索仪表板和数据集的列元数据。
- 修改仪表板代理（Modify Dashboard Agent）：通过验证列、更新表格可视化并创建新的仪表板版本来执行配置更改。
- 编排代理（Orchestrator Agent）：根据意图分类，将用户请求路由至相应的专用代理。
实现步骤
要为 Quick 自助服务实现 AI 代理解决方案，请完成以下步骤：
- 构建代理（查找、修改及编排代理）。
- 将代理部署到 Amazon Bedrock AgentCore。
- 通过 AWS 管理控制台测试代理。
先决条件
- 拥有支持 Amazon Bedrock、Amazon Quick 和 IAM 权限的 AWS 账户。
- 激活的 Amazon Quick 账户及现有仪表板。
- 配置好必要的 IAM 权限（如
quicksight:ListDashboards,quicksight:CreateDashboard等）。 - 安装 Python 3.10+ 及 uv 包管理器。
- 已配置凭证的 AWS CLI。
逐步指南
步骤 1：构建 Quick 自助服务代理
我们定义了三个核心代理。例如，查找代理通过 list_dashboards API 实现发现功能；修改代理则采用“验证优先”的工作流，在添加或删除列前先验证数据集结构，确保数据完整性并支持回滚操作。编排代理作为入口点，根据用户自然语言请求自动路由至合适的子代理。
步骤 2：部署设置
使用 uv 包管理器初始化项目，安装 bedrock-agentcore 和 strands-agents 依赖，并将代理代码（agent.py 等）组织至项目根目录。
步骤 3：部署至 AgentCore 运行时
通过命令行工具执行 agentcore configure 和 agentcore launch，将代码推送到 Amazon S3 并部署至 Bedrock 环境。
步骤 4：测试代理
使用 Amazon Bedrock AgentCore 控制台的沙盒界面进行测试。您可以输入自然语言提示，如“can you show dashboards with name testing”或“Can you add firstname column to the testing_dashboad”，系统将自动调用相应代理执行操作。
🚀 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