30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度在AI技术快速迭代的今天很多开发者都体验过“单次对话”式AI的强大它能快速生成代码、解答问题。但当我们需要AI处理一个包含多个步骤、需要调用外部工具、并能从历史交互中学习的复杂任务时传统的“问答式”AI就显得力不从心了。这正是Agentic AI智能体AI要解决的核心问题。它不再是等待指令的“工具”而是能自主规划、执行、反思并完成目标的“智能代理”。本文将以一个实战项目为例带你从零开始在亚马逊云科技中国区构建一个具备深度研究能力的Agentic AI应用。这个应用能理解“为大学生制作一堂关于厄尔尼诺现象的互动课程”这样的复杂指令并自主完成搜索资料、生成插图、编写代码、上传课件等一系列操作。我们将使用亚马逊云科技主导的开源框架Strands Agents结合中国区可用的DeepSeek模型和云服务手把手教你搭建一个生产级的Agent系统。无论你是想了解Agentic AI的落地实践还是希望为自己的项目添加智能体能力这篇文章都将提供一套完整、可复现的解决方案。1. 理解Agentic AI从“工具”到“代理”的范式转变在深入代码之前我们有必要厘清Agentic AI究竟是什么以及它为何重要。1.1 什么是Agentic AI简单来说Agentic AI是一种能够自主理解目标、规划步骤、调用工具、执行任务并从结果中学习的AI系统。它与我们熟悉的ChatGPT等聊天模型有本质区别传统AI工具型基于“请求-响应”模式。用户必须给出明确、具体的指令AI被动执行。例如“写一段Python代码计算斐波那契数列”。Agentic AI代理型基于“目标-结果”模式。用户只需给出抽象目标AI会主动拆解任务、规划路径、调用所需工具并执行。例如“帮我分析一下公司上个季度的销售数据找出问题并生成一份报告”。Agent会自行决定需要访问数据库、进行数据清洗、调用分析模型、最后生成图表和文字报告。Gartner将Agentic AI列为2024年十大战略性技术趋势并预测到2028年15%的日常工作决策将由Agentic AI自主完成。这标志着软件应用正从“工具”向“智能体”演进。1.2 Agentic AI的核心能力与架构一个成熟的Agentic AI应用通常包含以下几个核心层次这也是我们构建实战项目的基础智能核心大脑通常由大语言模型LLM担任负责理解用户意图、进行复杂推理、制定任务规划。在我们的项目中将使用硅基流动平台托管的DeepSeek-R1模型。工具集成手脚Agent需要通过调用外部工具来扩展能力如搜索网络、读写数据库、调用API、生成图片、执行代码等。模型上下文协议MCP是实现工具标准化的关键。记忆系统使Agent能记住与用户的交互历史、学习用户偏好实现个性化服务。这通常通过向量数据库实现。规划与反思循环Agentic Loop这是Agent的“工作流”。它接收目标后会规划Plan - 执行Act调用工具- 观察Observe获取结果- 反思Reflect并循环此过程直至任务完成或达到目标。安全与可观测性确保Agent的行为符合伦理、法规并且其内部决策过程对开发者是透明、可监控、可调试的。1.3 为什么选择Strands Agents框架构建一个功能完整的Agent系统涉及大量工程工作。亚马逊云科技开源的Strands Agents框架极大地降低了开发门槛。它的优势在于模型驱动优先用极简的代码核心逻辑可能只需几十行即可构建强大的Agent将复杂的规划、工具调用逻辑交给模型处理。原生支持MCP轻松集成海量工具无论是本地命令还是远程API。丰富的内置工具如记忆管理mem0、文件操作等开箱即用。企业级就绪原生支持OpenTelemetry可轻松集成Langfuse等可观测性平台便于生产环境监控和调试。云原生部署完美适配亚马逊云科技服务可一键部署到ECS Fargate等托管服务。接下来我们将基于Strands Agents在亚马逊云科技中国区搭建一个完整的DeepResearch Agent应用。2. 环境准备与项目部署我们将构建一个“地理课件生成Agent”。其核心流程是用户提出制作课件的需求 - Agent自主规划任务 - 调用知识库和搜索引擎获取信息 - 调用绘图工具生成插图 - 编写HTML课件代码 - 上传至S3并返回链接。2.1 架构概览与技术栈整个方案的架构如下图所示我们将使用以下服务计算Amazon ECS Fargate (用于部署Agent应用)AI模型硅基流动 SiliconCloud (提供DeepSeek-R1模型和BGE-M3 Embedding模型)向量存储与知识库Amazon Aurora PostgreSQL (Serverless版用于记忆存储) 和 Amazon OpenSearch (用于教材知识库)对象存储Amazon S3 (存储生成的HTML课件)无服务器计算Amazon Lambda (用于封装知识库检索为MCP Server)开发框架Strands Agents SDK2.2 一键部署使用CDK搭建基础环境为了简化部署项目提供了亚马逊云科技CDKCloud Development Kit脚本。请确保你有一个亚马逊云科技中国区北京或宁夏账户并配置好AWS CLI。步骤1环境准备准备一台Linux/Mac环境的机器或EC2实例Ubuntu系统。# 更新系统并安装curl sudo apt update sudo apt install curl -y # 安装Node.js使用nvm curl -o- https://d167i8kc2gwjo.cloudfront.net/cdn/install.sh | bash source ~/.bashrc nvm install 22.12.0 nvm use 22.12.0 # 设置npm镜像源中国区加速 npm config set audit false npm config set registry https://mirror.bosicloud.com/repository/npm/步骤2克隆项目代码并配置# 克隆项目仓库 git clone https://github.com/aws-samples/sample_agentic_ai_strands cd sample_agentic_ai_strands # 配置AWS凭证确保已安装AWS CLI并拥有相应权限 aws configure # 依次输入 Access Key, Secret Key, Region (如 cn-northwest-1), 输出格式 (如 json) # 配置环境变量 cp env.example .env # 编辑 .env 文件填入你的配置 vim .env.env文件关键配置示例AWS_REGIONcn-northwest-1 # 宁夏区域北京区域请使用 cn-north-1 CLIENT_TYPEstrands STRANDS_MODEL_PROVIDERopenai OPENAI_API_KEYyour_siliconflow_api_key_here # 替换为你的硅基流动API Key OPENAI_BASE_URLhttps://api.siliconflow.cn/v1步骤3安装Docker并配置镜像源# 安装Docker sudo apt install apt-transport-https ca-certificates curl software-properties-common -y curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /usr/share/keyrings/docker-archive-keyring.gpg echo deb [arch$(dpkg --print-architecture) signed-by/usr/share/keyrings/docker-archive-keyring.gpg] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable | sudo tee /etc/apt/sources.list.d/docker.list /dev/null sudo apt update sudo apt install docker-ce docker-ce-cli containerd.io -y # 将当前用户加入docker组避免每次sudo sudo usermod -aG docker $USER newgrp docker # 或重新登录使组生效 sudo chmod 666 /var/run/docker.sock # 配置Docker镜像加速器中国区 sudo tee /etc/docker/daemon.json -EOF { registry-mirrors: [https://mirror-docker.bosicloud.com], insecure-registries: [mirror-docker.bosicloud.com] } EOF sudo systemctl daemon-reload sudo systemctl restart docker步骤4使用CDK部署全部资源进入cdk目录并执行部署脚本。CDK会自动创建VPC、ECS Fargate服务、Aurora数据库、S3桶等所有必要资源。cd cdk npm install -g aws-cdk typescript npm install npm i --save-dev types/node # 执行部署脚本首次运行较慢约10-15分钟 bash cdk-build-and-deploy.sh部署成功后命令行会输出应用访问地址AlbDnsName形如strands-xxxxx.elb.cn-northwest-1.amazonaws.com.cn。记下这个地址。3. 核心组件配置为Agent装配“工具箱”部署完成后通过浏览器访问http://{你的AlbDnsName}/chat即可打开Agent前端界面。接下来我们需要为Agent配置各种工具MCP Server。在界面左侧切换到“MCP Servers”选项卡点击“Add MCP Server”逐一添加以下工具。3.1 基础工具配置1. Time MCP Server用于获取当前时间确保搜索到的新闻资讯是最新的。Server Name:timeJSON Configuration:{ mcpServers: { time: { command: uvx, args: [mcp-server-time] } } }2. S3 Upload MCP Server用于将Agent生成的HTML课件文件上传到S3并返回公开访问链接。Server Name:s3-uploadJSON Configuration:{ mcpServers: { s3-upload: { command: uv, args: [ --directory, /app/aws-mcp-servers-samples/s3_upload_server, run, src/server.py ], env: { AWS_REGION: cn-northwest-1, // 替换为你的Region AWS_ACCESS_KEY_ID: YOUR_ACCESS_KEY_ID, // 替换为你的AK AWS_SECRET_ACCESS_KEY: YOUR_SECRET_ACCESS_KEY // 替换为你的SK } } } }注意在生产环境中应使用IAM角色而非硬编码AK/SK。此处为演示简化。3. 绘图 MCP Server (MiniMax)用于根据课程内容生成示意图、信息图等课件插图。Server Name:MiniMaxJSON Configuration:{ mcpServers: { MiniMax: { command: uvx, args: [minimax-mcp, -y], env: { MINIMAX_API_KEY: your_minimax_api_key_here, // 前往MiniMax平台注册获取 MINIMAX_MCP_BASE_PATH: /app, MINIMAX_API_HOST: https://api.minimax.chat, MINIMAX_API_RESOURCE_MODE: } } } }4. 搜索引擎 MCP Server (Bocha Search)用于搜索互联网上关于厄尔尼诺的最新新闻和资料。Server Name:bocha-search-mcpJSON Configuration:{ mcpServers: { bocha-search-mcp: { command: uv, args: [ --directory, /app/bocha-search-mcp, run, bocha-search-mcp ], env: { BOCHA_API_KEY: your_bocha_api_key_here // 前往博查开放平台注册获取 } } } }3.2 高级工具配置远程知识库MCP Server前面的工具运行在Agent本地容器中。我们还可以将能力部署为独立的远程服务。这里以基于Amazon OpenSearch构建的知识库检索服务为例。部署远程知识库服务该服务将部署为一个无服务器架构API Gateway Lambda OpenSearch。# 克隆MCP服务器示例代码 git clone https://github.com/aws-samples/aws-mcp-servers-samples cd aws-mcp-servers-samples/aos-mcp-serverless # 运行部署脚本需要提供一些参数 bash aos_serverless_mcp_setup.sh \ --McpAuthToken your_secret_token_here \ # 设置一个用于认证的Token --OpenSearchUsername admin \ # 你的OpenSearch集群主用户名 --OpenSearchPassword your_strong_password_here \ # 你的OpenSearch密码 --EmbeddingApiToken your_siliconflow_api_key_here # 硅基流动API Key用于调用BGE-M3 Embedding模型部署成功后脚本会输出一个API端点URL例如https://xxxxx.execute-api.cn-northwest-1.amazonaws.com.cn/prod/。在前端配置远程MCP ServerServer Name:retrieveJSON Configuration:{ mcpServers: { retrieve: { url: https://xxxxx.execute-api.cn-northwest-1.amazonaws.com.cn/prod/, // 替换为上一步得到的URL token: your_secret_token_here // 与部署时设置的McpAuthToken一致 } } }3.3 内置记忆工具配置除了外部MCP工具Strands Agents还提供了强大的内置记忆工具mem0_memory它使用我们部署的Aurora PostgreSQLServerless作为向量存储后端。其配置已集成在项目代码中核心是通过环境变量连接数据库和模型。记忆工具的核心配置逻辑在项目代码Mem0_memory.py中如下import os from strands import Agent from strands_tools import mem0_memory # 配置模型和数据库连接信息实际从环境变量读取 os.environ[OPENAI_BASE_URL] https://api.siliconflow.cn/v1 os.environ[LLM_MODEL] deepseek-ai/DeepSeek-R1 os.environ[LLM_MODEL_API_KEY] YOUR_SILICONFLOW_API_KEY os.environ[EMBEDDING_MODEL] Pro/BAAI/bge-m3 os.environ[EMBEDDING_MODEL_API_KEY] YOUR_SILICONFLOW_API_KEY os.environ[POSTGRESQL_HOST] your-aurora-cluster.cluster-xxxxx.cn-northwest-1.rds.amazonaws.com.cn os.environ[POSTGRESQL_PORT] 5432 os.environ[POSTGRESQL_USER] postgres os.environ[POSTGRESQL_PASSWORD] your_db_password os.environ[DB_NAME] mem0_db # 初始化带有记忆工具的Agent agent Agent(tools[mem0_memory]) # 存储记忆示例 agent.tool.mem0_memory( actionstore, content用户是大学地理教师需要制作关于气候现象的课件。, user_idteacher_001, metadata{role: teacher, subject: geography} ) # 检索记忆示例 memories agent.tool.mem0_memory( actionretrieve, query用户的教学背景是什么, user_idteacher_001 ) print(memories)这套配置使得Agent能够持久化存储和语义化检索与每个用户user_id相关的对话历史和信息实现真正的个性化交互。配置完所有MCP Server并启用后你的工具列表应如下图所示 此处为描述实际界面会有开关按钮time(已启用)s3-upload(已启用)MiniMax(已启用)bocha-search-mcp(已启用)retrieve(已启用)至此Agent的“工具箱”已全部就绪。4. 实战演练让Agent制作一堂地理课现在让我们来实际使用这个Agent。在前端左侧“Chat Settings”中进行如下配置Model: 选择DeepSeek-R1-ProMax Tokens: 设置为16000(因为生成课件内容较长)4.1 第一轮会话建立记忆与上下文首先我们模拟一个预热对话让Agent了解用户一位地理教师的背景和关注点这些信息会被存入记忆系统。用户你输入厄尔尼诺对海洋生物有什么影响Agent会调用其内置知识或联网搜索进行回答同时将这个问题和答案的上下文关联到当前user_id的记忆中。接着提出第二个相关问题用户你输入它会影响农业生产和粮食安全吗Agent再次回答并进一步丰富了关于该用户关注“厄尔尼诺现象影响”的记忆。这两轮对话为后续的复杂任务提供了宝贵的上下文。4.2 第二轮会话发布复杂任务并观察Agent执行现在我们给出一个复杂的、多步骤的最终任务。在左侧“System Prompt”框中输入详细的系统指令来引导Agent的行为模式你是一位深度研究助手请在单次回复中使用可用的最大计算能力尽可能深入、批判性和创造性地思考花费必要的时间和资源来得出最高质量的答案。 在收到工具结果后仔细反思其质量并在继续之前确定最佳下一步。使用你的思考基于这些新信息进行规划和迭代然后采取最佳的下一步行动。 ## 你必须遵循以下指令: – 每次先使用mem0_memory工具查看是否有与当前问题相关的历史记忆如果有提取记忆用于当前任务的内容生成。 – 请使用time工具确定你现在的真实时间。 – 如果引用了其他网站的图片确保图片真实存在并且可以访问。 – 如果用户要求编写动画请使用Canvas js编写嵌入到HTML代码文件中。 – 生成代码文件请直接上传到s3并返回访问链接给用户。 – 使用text_similarity_search工具去检索厄尔尼诺相关的知识。 – 如有需要也可以使用Web search去检索更多外部信息。 – 使用minimax绘图工具会返回一个公开访问的URL在HTML用可以直接嵌入。然后在对话框输入核心任务你是一名大学地理教师请为大学生设计一堂关于厄尔尼诺现象的互动课程需要1. 搜索最新气候数据和相关新闻事件2. 搜索教学资源和真实图片3. 使用工具绘制课程中的需要的演示插图4. 生成完整课程方案包括教学目标、活动设计、教学资源和评估方法5. 设计一个展示厄尔尼诺现象的酷炫动画并和搜索到的相关信息一起集成到HTML课件中。4.3 观察Agent的思考与执行过程发送指令后你可以在界面右侧看到Agent完整的“思考链”Chain of Thought和工具调用流水线。这个过程是自动的规划Agent首先会理解任务将其拆解为“检索记忆 - 获取时间 - 搜索知识 - 搜索网络 - 生成插图 - 编写课件 - 上传文件”等多个子步骤。执行与观察调用mem0_memory检索之前关于“厄尔尼诺影响”的记忆。调用time工具获取当前时间确保搜索新闻的时效性。调用retrieve工具即我们部署的OpenSearch知识库MCP Server从预置的地理教材知识库中查找“厄尔尼诺”的科学定义、成因等结构化知识。调用bocha-search-mcp工具搜索互联网上近期的厄尔尼诺相关新闻、研究报告和数据。调用MiniMax工具根据课程大纲生成诸如“厄尔尼诺海温异常示意图”、“全球气候影响分布图”等插图。反思与迭代Agent会评估每一步获取的信息是否足够、准确并决定是否需要进一步搜索或调整方向。生成与交付整合所有信息生成一份包含HTML、CSS、JavaScript的完整课件文件。其中包含用Canvas JS编写的动画用于演示沃克环流的变化。最后调用s3-upload工具将HTML文件上传至S3并直接在前端对话中返回一个可点击的S3预签名URL。点击这个URL你就能在浏览器中打开一个完整的、交互式的HTML课件。它包含了Agent自动搜集的文字资料、生成的图片、以及动态演示动画。5. 核心代码解读Strands Agents如何工作通过前端演示我们看到了Agent的强大能力。现在让我们深入后台看看用Strands Agents实现这样一个Agent是多么简洁。5.1 模型集成连接DeepSeek-R1Strands Agents支持多种模型提供商。以下代码展示了如何配置以使用硅基流动的DeepSeek-R1模型兼容OpenAI API。from strands import OpenAIModel def get_model(api_key: str, model_id: str deepseek-ai/DeepSeek-R1): 初始化一个兼容OpenAI API的模型客户端 model OpenAIModel( client_args{ api_key: api_key, base_url: https://api.siliconflow.cn/v1 # 硅基流动的端点 }, model_idmodel_id, params{ max_tokens: 8000, # 根据任务调整 temperature: 0.7, # 控制创造性 top_p: 0.9, } ) return model # 使用示例 model get_model(api_keyyour_siliconflow_api_key)5.2 工具集成连接MCP ServerStrands Agents通过MCP Client统一管理工具连接支持stdio、HTTP、SSE等多种通信方式。from strands import MCPClient from strands.mcp import stdio_client, sse_client, streamablehttp_client from strands.mcp import StdioServerParameters from typing import List, Dict async def connect_to_mcp_server(server_config: Dict): 根据配置连接到MCP Server server_type server_config.get(type, stdio) if server_type sse: # 连接SSE类型的远程Server如自建的知识库服务 url server_config[url] token server_config.get(token) headers {Authorization: fBearer {token}} if token else None client MCPClient(lambda: sse_client(url, headersheaders)) elif server_type stdio: # 连接本地命令行工具如time工具 params StdioServerParameters( commandserver_config[command], argsserver_config.get(args, []), envserver_config.get(env, {}) ) client MCPClient(lambda: stdio_client(params)) elif server_type streamable_http: # 连接标准HTTP Server url server_config[url] token server_config.get(token) headers {Authorization: fBearer {token}} if token else None client MCPClient(lambda: streamablehttp_client(url, headersheaders)) await client.start() return client5.3 创建智能体组装大脑与工具这是最核心的部分展示了用Strands Agents创建智能体的简洁性。import asyncio from strands import Agent from strands_tools import mem0_memory from strands.conversation import SlidingWindowConversationManager async def create_research_agent(): 创建一个具备研究能力的智能体 # 1. 获取模型大脑 model get_model(api_keyyour_key) # 2. 连接并获取MCP工具列表 # 假设我们已经配置好了多个MCP Server search_tool await connect_to_mcp_server({ type: stdio, command: uv, args: [--directory, /app/bocha-search-mcp, run, bocha-search-mcp], env: {BOCHA_API_KEY: your_key} }) # 3. 组装工具列表MCP工具 内置记忆工具 tools [] # 将MCP Server暴露的工具添加到列表 tools.extend(search_tool.get_tools()) # 添加内置记忆工具 tools.append(mem0_memory) # 4. 定义系统提示词指导Agent行为 system_prompt 你是一个深度研究助手。请按步骤思考充分利用所有可用工具。 在行动前先规划在获得工具结果后反思其有效性。你的最终输出应该是高质量、结构化的答案或成果。 # 5. 创建Agent实例 agent Agent( modelmodel, messages[], # 初始对话历史为空 toolstools, system_promptsystem_prompt, conversation_managerSlidingWindowConversationManager( window_size8192 # 管理上下文窗口防止超长 ) ) return agent # 使用Agent async def main(): agent await create_research_agent() # 向Agent提问 response await agent.run(请研究一下厄尔尼诺现象对全球经济的影响。) print(response.content) # 运行 if __name__ __main__: asyncio.run(main())通过以上不到100行的核心代码我们就创建了一个具备长期记忆、能调用搜索引擎、并能进行复杂规划的研究型Agent。Strands框架封装了底层的循环逻辑、工具调用编排和上下文管理让开发者能专注于定义“做什么”而不是“怎么做”。5.4 可观测性集成用Langfuse监控Agent对于生产系统可观测性至关重要。Strands原生支持OpenTelemetry可以轻松对接Langfuse。import base64 import os # 配置Langfuse的OpenTelemetry导出器 langfuse_host https://cloud.langfuse.com # 或你的私有部署地址 langfuse_public_key os.getenv(LANGFUSE_PUBLIC_KEY) langfuse_secret_key os.getenv(LANGFUSE_SECRET_KEY) otel_endpoint f{langfuse_host}/api/public/otel/v1/traces auth_token base64.b64encode(f{langfuse_public_key}:{langfuse_secret_key}.encode()).decode() os.environ[OTEL_EXPORTER_OTLP_ENDPOINT] otel_endpoint os.environ[OTEL_EXPORTER_OTLP_HEADERS] fAuthorizationBasic {auth_token} os.environ[OTEL_SERVICE_NAME] geography-teaching-agent # 之后创建的Agent的所有运行轨迹、工具调用、token消耗都会被自动发送到Langfuse在Langfuse控制台你可以清晰看到每一次会话的完整流水线、每一步的耗时、token消耗以及模型的中间思考过程极大方便了调试和优化。6. 生产级部署与优化建议我们的演示应用部署在ECS Fargate上实现了Serverless化运维。对于生产环境还需要考虑以下几点6.1 安全加固IAM角色替代密钥在ECS任务定义中配置IAM角色让容器内应用直接通过元数据服务获取临时凭证避免在环境变量中硬编码AK/SK。网络隔离将Fargate任务部署在私有子网通过NAT网关访问公网通过VPC端点访问S3、OpenSearch等服务减少公网暴露面。MCP Server认证为自定义的远程MCP Server如知识库服务配置严格的API Gateway认证如IAM或自定义JWT认证。内容安全在Agent调用模型前或输出给用户前加入内容安全层如使用Amazon Bedrock的Guardrails功能过滤不当内容。6.2 性能与成本优化模型选择与缓存根据任务复杂度选择合适的模型。简单任务使用轻量模型如DeepSeek-R1蒸馏版复杂任务再用大模型。对频繁查询的知识库结果实施缓存。向量数据库优化对Aurora PostgreSQL的pgvector索引进行调优根据向量维度如BGE-M3是1024维和数据集大小选择合适的索引算法如IVFFlat或HNSW。异步处理对于耗时的任务如生成复杂插图可以让Agent发起异步任务通过回调或轮询告知用户结果避免HTTP请求超时。自动伸缩配置ECS服务的自动伸缩策略基于CPU/内存使用率或自定义的请求队列长度指标进行扩缩容。6.3 可观测性与调试结构化日志在应用代码中输出结构化的JSON日志包含session_id,user_id,tool_name,duration,error等字段便于集中分析和告警。自定义指标除了Langfuse跟踪可以向Amazon CloudWatch发送自定义指标如“平均任务完成时间”、“工具调用失败率”、“用户满意度评分”等用于监控业务健康度。会话重现利用Langfuse记录的完整trace可以精确复现任何一次用户会话对于排查复杂问题至关重要。7. 常见问题与排查思路在开发和运行过程中你可能会遇到以下典型问题问题现象可能原因排查步骤与解决方案Agent前端无法访问1. CDK部署未完成或失败。2. 安全组未开放80/443端口。3. 中国区账号未完成ICP备案。1. 检查CDK部署日志 (cdk deploy输出)确认所有资源创建成功。2. 检查ECS服务关联的ALB安全组确保入站规则允许你的IP访问80/443端口。3. 中国区对公网访问80/443端口有备案要求请联系亚马逊云科技支持确认。MCP Server连接失败1. Server配置错误命令、路径、环境变量。2. 网络问题容器内无法访问公网或特定地址。3. API Key无效或过期。1. 在前端MCP Server列表检查该Server状态查看后台容器日志 (docker logs container_id)。2. 确认Fargate任务所在子网有NAT网关可以访问公网。对于私有API确认VPC连接正确。3. 检查对应服务的API Key是否正确配置且余额充足。模型调用超时或返回空1. 硅基流动API限流或故障。2. 请求的max_tokens过大超过模型上下文或响应时间过长。3. 系统提示词或用户输入格式有误。1. 查看硅基流动服务状态或尝试用curl直接调用其API测试。2. 适当降低max_tokens或为复杂任务实现分步处理。3. 检查提示词是否符合模型要求尝试简化提示词看是否正常响应。记忆工具(mem0)不工作1. Aurora数据库连接失败。2. 数据库表或扩展未初始化。3. Embedding模型调用失败。1. 检查.env文件或环境变量中的数据库连接信息主机、端口、密码是否正确。2. 连接数据库检查pg_vector扩展是否已安装mem0_memories表是否存在。3. 检查EMBEDDING_MODEL_API_KEY是否正确并确认硅基流动BGE-M3模型可用。知识库检索无结果1. OpenSearch知识库未成功导入数据。2. 向量索引未创建或创建不正确。3. Lambda函数权限不足。1. 运行知识库数据导入脚本确认数据已成功索引到OpenSearch。2. 在OpenSearch控制台检查索引映射确认embedding字段类型为knn_vector。3. 检查Lambda函数的执行角色是否拥有对OpenSearch集群的访问权限。S3上传失败1. AWS凭证无效或权限不足。2. S3桶策略禁止上传。3. 网络超时。1. 检查s3-uploadMCP Server配置中的AK/SK或IAM角色是否正确并确认其拥有目标S3桶的PutObject权限。2. 检查目标S3桶的桶策略和ACL。3. 增加超时时间或检查网络连通性。8. 总结Agentic AI的“复利”价值回顾整个项目我们从零搭建了一个能理解复杂目标、自主规划、调用多工具、并交付完整成果的Agentic AI应用。这个过程清晰地展示了Agentic AI与传统AI的关键区别它不是让单一任务执行得更快而是通过“自主规划-执行-反思”的循环将多个简单任务串联成复杂工作流从而创造出指数级增长的“复利”价值。对开发者而言Strands Agents这样的框架将Agent开发的复杂度从“基础设施工程”降维到“业务逻辑编排”。你不再需要从头构建任务调度、工具调用框架只需关注核心提示词设计和工具连接。对企业而言基于亚马逊云科技中国区服务的方案提供了从模型、向量数据库、计算到存储的全托管、合规、高性能的基础设施让企业能快速、安全地将Agentic AI能力集成到现有业务中。对技术趋势而言MCP等协议正在成为工具集成的标准使得AI的能力边界可以无限扩展。结合云原生的弹性、可观测性和安全能力Agentic AI正从演示原型走向规模化生产。本次实战项目为你提供了一个完整的脚手架。你可以在此基础上替换不同的模型、接入企业内部的知识库如Confluence、CRM、连接业务API如订单系统、数据分析平台快速构建出适用于客服、研发、运营、数据分析等场景的专属智能体让AI真正成为能独立完成复杂工作的“数字员工”持续为业务创造“复利”。 30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度
基于Strands Agents与亚马逊云科技构建Agentic AI应用实战
30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度在AI技术快速迭代的今天很多开发者都体验过“单次对话”式AI的强大它能快速生成代码、解答问题。但当我们需要AI处理一个包含多个步骤、需要调用外部工具、并能从历史交互中学习的复杂任务时传统的“问答式”AI就显得力不从心了。这正是Agentic AI智能体AI要解决的核心问题。它不再是等待指令的“工具”而是能自主规划、执行、反思并完成目标的“智能代理”。本文将以一个实战项目为例带你从零开始在亚马逊云科技中国区构建一个具备深度研究能力的Agentic AI应用。这个应用能理解“为大学生制作一堂关于厄尔尼诺现象的互动课程”这样的复杂指令并自主完成搜索资料、生成插图、编写代码、上传课件等一系列操作。我们将使用亚马逊云科技主导的开源框架Strands Agents结合中国区可用的DeepSeek模型和云服务手把手教你搭建一个生产级的Agent系统。无论你是想了解Agentic AI的落地实践还是希望为自己的项目添加智能体能力这篇文章都将提供一套完整、可复现的解决方案。1. 理解Agentic AI从“工具”到“代理”的范式转变在深入代码之前我们有必要厘清Agentic AI究竟是什么以及它为何重要。1.1 什么是Agentic AI简单来说Agentic AI是一种能够自主理解目标、规划步骤、调用工具、执行任务并从结果中学习的AI系统。它与我们熟悉的ChatGPT等聊天模型有本质区别传统AI工具型基于“请求-响应”模式。用户必须给出明确、具体的指令AI被动执行。例如“写一段Python代码计算斐波那契数列”。Agentic AI代理型基于“目标-结果”模式。用户只需给出抽象目标AI会主动拆解任务、规划路径、调用所需工具并执行。例如“帮我分析一下公司上个季度的销售数据找出问题并生成一份报告”。Agent会自行决定需要访问数据库、进行数据清洗、调用分析模型、最后生成图表和文字报告。Gartner将Agentic AI列为2024年十大战略性技术趋势并预测到2028年15%的日常工作决策将由Agentic AI自主完成。这标志着软件应用正从“工具”向“智能体”演进。1.2 Agentic AI的核心能力与架构一个成熟的Agentic AI应用通常包含以下几个核心层次这也是我们构建实战项目的基础智能核心大脑通常由大语言模型LLM担任负责理解用户意图、进行复杂推理、制定任务规划。在我们的项目中将使用硅基流动平台托管的DeepSeek-R1模型。工具集成手脚Agent需要通过调用外部工具来扩展能力如搜索网络、读写数据库、调用API、生成图片、执行代码等。模型上下文协议MCP是实现工具标准化的关键。记忆系统使Agent能记住与用户的交互历史、学习用户偏好实现个性化服务。这通常通过向量数据库实现。规划与反思循环Agentic Loop这是Agent的“工作流”。它接收目标后会规划Plan - 执行Act调用工具- 观察Observe获取结果- 反思Reflect并循环此过程直至任务完成或达到目标。安全与可观测性确保Agent的行为符合伦理、法规并且其内部决策过程对开发者是透明、可监控、可调试的。1.3 为什么选择Strands Agents框架构建一个功能完整的Agent系统涉及大量工程工作。亚马逊云科技开源的Strands Agents框架极大地降低了开发门槛。它的优势在于模型驱动优先用极简的代码核心逻辑可能只需几十行即可构建强大的Agent将复杂的规划、工具调用逻辑交给模型处理。原生支持MCP轻松集成海量工具无论是本地命令还是远程API。丰富的内置工具如记忆管理mem0、文件操作等开箱即用。企业级就绪原生支持OpenTelemetry可轻松集成Langfuse等可观测性平台便于生产环境监控和调试。云原生部署完美适配亚马逊云科技服务可一键部署到ECS Fargate等托管服务。接下来我们将基于Strands Agents在亚马逊云科技中国区搭建一个完整的DeepResearch Agent应用。2. 环境准备与项目部署我们将构建一个“地理课件生成Agent”。其核心流程是用户提出制作课件的需求 - Agent自主规划任务 - 调用知识库和搜索引擎获取信息 - 调用绘图工具生成插图 - 编写HTML课件代码 - 上传至S3并返回链接。2.1 架构概览与技术栈整个方案的架构如下图所示我们将使用以下服务计算Amazon ECS Fargate (用于部署Agent应用)AI模型硅基流动 SiliconCloud (提供DeepSeek-R1模型和BGE-M3 Embedding模型)向量存储与知识库Amazon Aurora PostgreSQL (Serverless版用于记忆存储) 和 Amazon OpenSearch (用于教材知识库)对象存储Amazon S3 (存储生成的HTML课件)无服务器计算Amazon Lambda (用于封装知识库检索为MCP Server)开发框架Strands Agents SDK2.2 一键部署使用CDK搭建基础环境为了简化部署项目提供了亚马逊云科技CDKCloud Development Kit脚本。请确保你有一个亚马逊云科技中国区北京或宁夏账户并配置好AWS CLI。步骤1环境准备准备一台Linux/Mac环境的机器或EC2实例Ubuntu系统。# 更新系统并安装curl sudo apt update sudo apt install curl -y # 安装Node.js使用nvm curl -o- https://d167i8kc2gwjo.cloudfront.net/cdn/install.sh | bash source ~/.bashrc nvm install 22.12.0 nvm use 22.12.0 # 设置npm镜像源中国区加速 npm config set audit false npm config set registry https://mirror.bosicloud.com/repository/npm/步骤2克隆项目代码并配置# 克隆项目仓库 git clone https://github.com/aws-samples/sample_agentic_ai_strands cd sample_agentic_ai_strands # 配置AWS凭证确保已安装AWS CLI并拥有相应权限 aws configure # 依次输入 Access Key, Secret Key, Region (如 cn-northwest-1), 输出格式 (如 json) # 配置环境变量 cp env.example .env # 编辑 .env 文件填入你的配置 vim .env.env文件关键配置示例AWS_REGIONcn-northwest-1 # 宁夏区域北京区域请使用 cn-north-1 CLIENT_TYPEstrands STRANDS_MODEL_PROVIDERopenai OPENAI_API_KEYyour_siliconflow_api_key_here # 替换为你的硅基流动API Key OPENAI_BASE_URLhttps://api.siliconflow.cn/v1步骤3安装Docker并配置镜像源# 安装Docker sudo apt install apt-transport-https ca-certificates curl software-properties-common -y curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /usr/share/keyrings/docker-archive-keyring.gpg echo deb [arch$(dpkg --print-architecture) signed-by/usr/share/keyrings/docker-archive-keyring.gpg] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable | sudo tee /etc/apt/sources.list.d/docker.list /dev/null sudo apt update sudo apt install docker-ce docker-ce-cli containerd.io -y # 将当前用户加入docker组避免每次sudo sudo usermod -aG docker $USER newgrp docker # 或重新登录使组生效 sudo chmod 666 /var/run/docker.sock # 配置Docker镜像加速器中国区 sudo tee /etc/docker/daemon.json -EOF { registry-mirrors: [https://mirror-docker.bosicloud.com], insecure-registries: [mirror-docker.bosicloud.com] } EOF sudo systemctl daemon-reload sudo systemctl restart docker步骤4使用CDK部署全部资源进入cdk目录并执行部署脚本。CDK会自动创建VPC、ECS Fargate服务、Aurora数据库、S3桶等所有必要资源。cd cdk npm install -g aws-cdk typescript npm install npm i --save-dev types/node # 执行部署脚本首次运行较慢约10-15分钟 bash cdk-build-and-deploy.sh部署成功后命令行会输出应用访问地址AlbDnsName形如strands-xxxxx.elb.cn-northwest-1.amazonaws.com.cn。记下这个地址。3. 核心组件配置为Agent装配“工具箱”部署完成后通过浏览器访问http://{你的AlbDnsName}/chat即可打开Agent前端界面。接下来我们需要为Agent配置各种工具MCP Server。在界面左侧切换到“MCP Servers”选项卡点击“Add MCP Server”逐一添加以下工具。3.1 基础工具配置1. Time MCP Server用于获取当前时间确保搜索到的新闻资讯是最新的。Server Name:timeJSON Configuration:{ mcpServers: { time: { command: uvx, args: [mcp-server-time] } } }2. S3 Upload MCP Server用于将Agent生成的HTML课件文件上传到S3并返回公开访问链接。Server Name:s3-uploadJSON Configuration:{ mcpServers: { s3-upload: { command: uv, args: [ --directory, /app/aws-mcp-servers-samples/s3_upload_server, run, src/server.py ], env: { AWS_REGION: cn-northwest-1, // 替换为你的Region AWS_ACCESS_KEY_ID: YOUR_ACCESS_KEY_ID, // 替换为你的AK AWS_SECRET_ACCESS_KEY: YOUR_SECRET_ACCESS_KEY // 替换为你的SK } } } }注意在生产环境中应使用IAM角色而非硬编码AK/SK。此处为演示简化。3. 绘图 MCP Server (MiniMax)用于根据课程内容生成示意图、信息图等课件插图。Server Name:MiniMaxJSON Configuration:{ mcpServers: { MiniMax: { command: uvx, args: [minimax-mcp, -y], env: { MINIMAX_API_KEY: your_minimax_api_key_here, // 前往MiniMax平台注册获取 MINIMAX_MCP_BASE_PATH: /app, MINIMAX_API_HOST: https://api.minimax.chat, MINIMAX_API_RESOURCE_MODE: } } } }4. 搜索引擎 MCP Server (Bocha Search)用于搜索互联网上关于厄尔尼诺的最新新闻和资料。Server Name:bocha-search-mcpJSON Configuration:{ mcpServers: { bocha-search-mcp: { command: uv, args: [ --directory, /app/bocha-search-mcp, run, bocha-search-mcp ], env: { BOCHA_API_KEY: your_bocha_api_key_here // 前往博查开放平台注册获取 } } } }3.2 高级工具配置远程知识库MCP Server前面的工具运行在Agent本地容器中。我们还可以将能力部署为独立的远程服务。这里以基于Amazon OpenSearch构建的知识库检索服务为例。部署远程知识库服务该服务将部署为一个无服务器架构API Gateway Lambda OpenSearch。# 克隆MCP服务器示例代码 git clone https://github.com/aws-samples/aws-mcp-servers-samples cd aws-mcp-servers-samples/aos-mcp-serverless # 运行部署脚本需要提供一些参数 bash aos_serverless_mcp_setup.sh \ --McpAuthToken your_secret_token_here \ # 设置一个用于认证的Token --OpenSearchUsername admin \ # 你的OpenSearch集群主用户名 --OpenSearchPassword your_strong_password_here \ # 你的OpenSearch密码 --EmbeddingApiToken your_siliconflow_api_key_here # 硅基流动API Key用于调用BGE-M3 Embedding模型部署成功后脚本会输出一个API端点URL例如https://xxxxx.execute-api.cn-northwest-1.amazonaws.com.cn/prod/。在前端配置远程MCP ServerServer Name:retrieveJSON Configuration:{ mcpServers: { retrieve: { url: https://xxxxx.execute-api.cn-northwest-1.amazonaws.com.cn/prod/, // 替换为上一步得到的URL token: your_secret_token_here // 与部署时设置的McpAuthToken一致 } } }3.3 内置记忆工具配置除了外部MCP工具Strands Agents还提供了强大的内置记忆工具mem0_memory它使用我们部署的Aurora PostgreSQLServerless作为向量存储后端。其配置已集成在项目代码中核心是通过环境变量连接数据库和模型。记忆工具的核心配置逻辑在项目代码Mem0_memory.py中如下import os from strands import Agent from strands_tools import mem0_memory # 配置模型和数据库连接信息实际从环境变量读取 os.environ[OPENAI_BASE_URL] https://api.siliconflow.cn/v1 os.environ[LLM_MODEL] deepseek-ai/DeepSeek-R1 os.environ[LLM_MODEL_API_KEY] YOUR_SILICONFLOW_API_KEY os.environ[EMBEDDING_MODEL] Pro/BAAI/bge-m3 os.environ[EMBEDDING_MODEL_API_KEY] YOUR_SILICONFLOW_API_KEY os.environ[POSTGRESQL_HOST] your-aurora-cluster.cluster-xxxxx.cn-northwest-1.rds.amazonaws.com.cn os.environ[POSTGRESQL_PORT] 5432 os.environ[POSTGRESQL_USER] postgres os.environ[POSTGRESQL_PASSWORD] your_db_password os.environ[DB_NAME] mem0_db # 初始化带有记忆工具的Agent agent Agent(tools[mem0_memory]) # 存储记忆示例 agent.tool.mem0_memory( actionstore, content用户是大学地理教师需要制作关于气候现象的课件。, user_idteacher_001, metadata{role: teacher, subject: geography} ) # 检索记忆示例 memories agent.tool.mem0_memory( actionretrieve, query用户的教学背景是什么, user_idteacher_001 ) print(memories)这套配置使得Agent能够持久化存储和语义化检索与每个用户user_id相关的对话历史和信息实现真正的个性化交互。配置完所有MCP Server并启用后你的工具列表应如下图所示 此处为描述实际界面会有开关按钮time(已启用)s3-upload(已启用)MiniMax(已启用)bocha-search-mcp(已启用)retrieve(已启用)至此Agent的“工具箱”已全部就绪。4. 实战演练让Agent制作一堂地理课现在让我们来实际使用这个Agent。在前端左侧“Chat Settings”中进行如下配置Model: 选择DeepSeek-R1-ProMax Tokens: 设置为16000(因为生成课件内容较长)4.1 第一轮会话建立记忆与上下文首先我们模拟一个预热对话让Agent了解用户一位地理教师的背景和关注点这些信息会被存入记忆系统。用户你输入厄尔尼诺对海洋生物有什么影响Agent会调用其内置知识或联网搜索进行回答同时将这个问题和答案的上下文关联到当前user_id的记忆中。接着提出第二个相关问题用户你输入它会影响农业生产和粮食安全吗Agent再次回答并进一步丰富了关于该用户关注“厄尔尼诺现象影响”的记忆。这两轮对话为后续的复杂任务提供了宝贵的上下文。4.2 第二轮会话发布复杂任务并观察Agent执行现在我们给出一个复杂的、多步骤的最终任务。在左侧“System Prompt”框中输入详细的系统指令来引导Agent的行为模式你是一位深度研究助手请在单次回复中使用可用的最大计算能力尽可能深入、批判性和创造性地思考花费必要的时间和资源来得出最高质量的答案。 在收到工具结果后仔细反思其质量并在继续之前确定最佳下一步。使用你的思考基于这些新信息进行规划和迭代然后采取最佳的下一步行动。 ## 你必须遵循以下指令: – 每次先使用mem0_memory工具查看是否有与当前问题相关的历史记忆如果有提取记忆用于当前任务的内容生成。 – 请使用time工具确定你现在的真实时间。 – 如果引用了其他网站的图片确保图片真实存在并且可以访问。 – 如果用户要求编写动画请使用Canvas js编写嵌入到HTML代码文件中。 – 生成代码文件请直接上传到s3并返回访问链接给用户。 – 使用text_similarity_search工具去检索厄尔尼诺相关的知识。 – 如有需要也可以使用Web search去检索更多外部信息。 – 使用minimax绘图工具会返回一个公开访问的URL在HTML用可以直接嵌入。然后在对话框输入核心任务你是一名大学地理教师请为大学生设计一堂关于厄尔尼诺现象的互动课程需要1. 搜索最新气候数据和相关新闻事件2. 搜索教学资源和真实图片3. 使用工具绘制课程中的需要的演示插图4. 生成完整课程方案包括教学目标、活动设计、教学资源和评估方法5. 设计一个展示厄尔尼诺现象的酷炫动画并和搜索到的相关信息一起集成到HTML课件中。4.3 观察Agent的思考与执行过程发送指令后你可以在界面右侧看到Agent完整的“思考链”Chain of Thought和工具调用流水线。这个过程是自动的规划Agent首先会理解任务将其拆解为“检索记忆 - 获取时间 - 搜索知识 - 搜索网络 - 生成插图 - 编写课件 - 上传文件”等多个子步骤。执行与观察调用mem0_memory检索之前关于“厄尔尼诺影响”的记忆。调用time工具获取当前时间确保搜索新闻的时效性。调用retrieve工具即我们部署的OpenSearch知识库MCP Server从预置的地理教材知识库中查找“厄尔尼诺”的科学定义、成因等结构化知识。调用bocha-search-mcp工具搜索互联网上近期的厄尔尼诺相关新闻、研究报告和数据。调用MiniMax工具根据课程大纲生成诸如“厄尔尼诺海温异常示意图”、“全球气候影响分布图”等插图。反思与迭代Agent会评估每一步获取的信息是否足够、准确并决定是否需要进一步搜索或调整方向。生成与交付整合所有信息生成一份包含HTML、CSS、JavaScript的完整课件文件。其中包含用Canvas JS编写的动画用于演示沃克环流的变化。最后调用s3-upload工具将HTML文件上传至S3并直接在前端对话中返回一个可点击的S3预签名URL。点击这个URL你就能在浏览器中打开一个完整的、交互式的HTML课件。它包含了Agent自动搜集的文字资料、生成的图片、以及动态演示动画。5. 核心代码解读Strands Agents如何工作通过前端演示我们看到了Agent的强大能力。现在让我们深入后台看看用Strands Agents实现这样一个Agent是多么简洁。5.1 模型集成连接DeepSeek-R1Strands Agents支持多种模型提供商。以下代码展示了如何配置以使用硅基流动的DeepSeek-R1模型兼容OpenAI API。from strands import OpenAIModel def get_model(api_key: str, model_id: str deepseek-ai/DeepSeek-R1): 初始化一个兼容OpenAI API的模型客户端 model OpenAIModel( client_args{ api_key: api_key, base_url: https://api.siliconflow.cn/v1 # 硅基流动的端点 }, model_idmodel_id, params{ max_tokens: 8000, # 根据任务调整 temperature: 0.7, # 控制创造性 top_p: 0.9, } ) return model # 使用示例 model get_model(api_keyyour_siliconflow_api_key)5.2 工具集成连接MCP ServerStrands Agents通过MCP Client统一管理工具连接支持stdio、HTTP、SSE等多种通信方式。from strands import MCPClient from strands.mcp import stdio_client, sse_client, streamablehttp_client from strands.mcp import StdioServerParameters from typing import List, Dict async def connect_to_mcp_server(server_config: Dict): 根据配置连接到MCP Server server_type server_config.get(type, stdio) if server_type sse: # 连接SSE类型的远程Server如自建的知识库服务 url server_config[url] token server_config.get(token) headers {Authorization: fBearer {token}} if token else None client MCPClient(lambda: sse_client(url, headersheaders)) elif server_type stdio: # 连接本地命令行工具如time工具 params StdioServerParameters( commandserver_config[command], argsserver_config.get(args, []), envserver_config.get(env, {}) ) client MCPClient(lambda: stdio_client(params)) elif server_type streamable_http: # 连接标准HTTP Server url server_config[url] token server_config.get(token) headers {Authorization: fBearer {token}} if token else None client MCPClient(lambda: streamablehttp_client(url, headersheaders)) await client.start() return client5.3 创建智能体组装大脑与工具这是最核心的部分展示了用Strands Agents创建智能体的简洁性。import asyncio from strands import Agent from strands_tools import mem0_memory from strands.conversation import SlidingWindowConversationManager async def create_research_agent(): 创建一个具备研究能力的智能体 # 1. 获取模型大脑 model get_model(api_keyyour_key) # 2. 连接并获取MCP工具列表 # 假设我们已经配置好了多个MCP Server search_tool await connect_to_mcp_server({ type: stdio, command: uv, args: [--directory, /app/bocha-search-mcp, run, bocha-search-mcp], env: {BOCHA_API_KEY: your_key} }) # 3. 组装工具列表MCP工具 内置记忆工具 tools [] # 将MCP Server暴露的工具添加到列表 tools.extend(search_tool.get_tools()) # 添加内置记忆工具 tools.append(mem0_memory) # 4. 定义系统提示词指导Agent行为 system_prompt 你是一个深度研究助手。请按步骤思考充分利用所有可用工具。 在行动前先规划在获得工具结果后反思其有效性。你的最终输出应该是高质量、结构化的答案或成果。 # 5. 创建Agent实例 agent Agent( modelmodel, messages[], # 初始对话历史为空 toolstools, system_promptsystem_prompt, conversation_managerSlidingWindowConversationManager( window_size8192 # 管理上下文窗口防止超长 ) ) return agent # 使用Agent async def main(): agent await create_research_agent() # 向Agent提问 response await agent.run(请研究一下厄尔尼诺现象对全球经济的影响。) print(response.content) # 运行 if __name__ __main__: asyncio.run(main())通过以上不到100行的核心代码我们就创建了一个具备长期记忆、能调用搜索引擎、并能进行复杂规划的研究型Agent。Strands框架封装了底层的循环逻辑、工具调用编排和上下文管理让开发者能专注于定义“做什么”而不是“怎么做”。5.4 可观测性集成用Langfuse监控Agent对于生产系统可观测性至关重要。Strands原生支持OpenTelemetry可以轻松对接Langfuse。import base64 import os # 配置Langfuse的OpenTelemetry导出器 langfuse_host https://cloud.langfuse.com # 或你的私有部署地址 langfuse_public_key os.getenv(LANGFUSE_PUBLIC_KEY) langfuse_secret_key os.getenv(LANGFUSE_SECRET_KEY) otel_endpoint f{langfuse_host}/api/public/otel/v1/traces auth_token base64.b64encode(f{langfuse_public_key}:{langfuse_secret_key}.encode()).decode() os.environ[OTEL_EXPORTER_OTLP_ENDPOINT] otel_endpoint os.environ[OTEL_EXPORTER_OTLP_HEADERS] fAuthorizationBasic {auth_token} os.environ[OTEL_SERVICE_NAME] geography-teaching-agent # 之后创建的Agent的所有运行轨迹、工具调用、token消耗都会被自动发送到Langfuse在Langfuse控制台你可以清晰看到每一次会话的完整流水线、每一步的耗时、token消耗以及模型的中间思考过程极大方便了调试和优化。6. 生产级部署与优化建议我们的演示应用部署在ECS Fargate上实现了Serverless化运维。对于生产环境还需要考虑以下几点6.1 安全加固IAM角色替代密钥在ECS任务定义中配置IAM角色让容器内应用直接通过元数据服务获取临时凭证避免在环境变量中硬编码AK/SK。网络隔离将Fargate任务部署在私有子网通过NAT网关访问公网通过VPC端点访问S3、OpenSearch等服务减少公网暴露面。MCP Server认证为自定义的远程MCP Server如知识库服务配置严格的API Gateway认证如IAM或自定义JWT认证。内容安全在Agent调用模型前或输出给用户前加入内容安全层如使用Amazon Bedrock的Guardrails功能过滤不当内容。6.2 性能与成本优化模型选择与缓存根据任务复杂度选择合适的模型。简单任务使用轻量模型如DeepSeek-R1蒸馏版复杂任务再用大模型。对频繁查询的知识库结果实施缓存。向量数据库优化对Aurora PostgreSQL的pgvector索引进行调优根据向量维度如BGE-M3是1024维和数据集大小选择合适的索引算法如IVFFlat或HNSW。异步处理对于耗时的任务如生成复杂插图可以让Agent发起异步任务通过回调或轮询告知用户结果避免HTTP请求超时。自动伸缩配置ECS服务的自动伸缩策略基于CPU/内存使用率或自定义的请求队列长度指标进行扩缩容。6.3 可观测性与调试结构化日志在应用代码中输出结构化的JSON日志包含session_id,user_id,tool_name,duration,error等字段便于集中分析和告警。自定义指标除了Langfuse跟踪可以向Amazon CloudWatch发送自定义指标如“平均任务完成时间”、“工具调用失败率”、“用户满意度评分”等用于监控业务健康度。会话重现利用Langfuse记录的完整trace可以精确复现任何一次用户会话对于排查复杂问题至关重要。7. 常见问题与排查思路在开发和运行过程中你可能会遇到以下典型问题问题现象可能原因排查步骤与解决方案Agent前端无法访问1. CDK部署未完成或失败。2. 安全组未开放80/443端口。3. 中国区账号未完成ICP备案。1. 检查CDK部署日志 (cdk deploy输出)确认所有资源创建成功。2. 检查ECS服务关联的ALB安全组确保入站规则允许你的IP访问80/443端口。3. 中国区对公网访问80/443端口有备案要求请联系亚马逊云科技支持确认。MCP Server连接失败1. Server配置错误命令、路径、环境变量。2. 网络问题容器内无法访问公网或特定地址。3. API Key无效或过期。1. 在前端MCP Server列表检查该Server状态查看后台容器日志 (docker logs container_id)。2. 确认Fargate任务所在子网有NAT网关可以访问公网。对于私有API确认VPC连接正确。3. 检查对应服务的API Key是否正确配置且余额充足。模型调用超时或返回空1. 硅基流动API限流或故障。2. 请求的max_tokens过大超过模型上下文或响应时间过长。3. 系统提示词或用户输入格式有误。1. 查看硅基流动服务状态或尝试用curl直接调用其API测试。2. 适当降低max_tokens或为复杂任务实现分步处理。3. 检查提示词是否符合模型要求尝试简化提示词看是否正常响应。记忆工具(mem0)不工作1. Aurora数据库连接失败。2. 数据库表或扩展未初始化。3. Embedding模型调用失败。1. 检查.env文件或环境变量中的数据库连接信息主机、端口、密码是否正确。2. 连接数据库检查pg_vector扩展是否已安装mem0_memories表是否存在。3. 检查EMBEDDING_MODEL_API_KEY是否正确并确认硅基流动BGE-M3模型可用。知识库检索无结果1. OpenSearch知识库未成功导入数据。2. 向量索引未创建或创建不正确。3. Lambda函数权限不足。1. 运行知识库数据导入脚本确认数据已成功索引到OpenSearch。2. 在OpenSearch控制台检查索引映射确认embedding字段类型为knn_vector。3. 检查Lambda函数的执行角色是否拥有对OpenSearch集群的访问权限。S3上传失败1. AWS凭证无效或权限不足。2. S3桶策略禁止上传。3. 网络超时。1. 检查s3-uploadMCP Server配置中的AK/SK或IAM角色是否正确并确认其拥有目标S3桶的PutObject权限。2. 检查目标S3桶的桶策略和ACL。3. 增加超时时间或检查网络连通性。8. 总结Agentic AI的“复利”价值回顾整个项目我们从零搭建了一个能理解复杂目标、自主规划、调用多工具、并交付完整成果的Agentic AI应用。这个过程清晰地展示了Agentic AI与传统AI的关键区别它不是让单一任务执行得更快而是通过“自主规划-执行-反思”的循环将多个简单任务串联成复杂工作流从而创造出指数级增长的“复利”价值。对开发者而言Strands Agents这样的框架将Agent开发的复杂度从“基础设施工程”降维到“业务逻辑编排”。你不再需要从头构建任务调度、工具调用框架只需关注核心提示词设计和工具连接。对企业而言基于亚马逊云科技中国区服务的方案提供了从模型、向量数据库、计算到存储的全托管、合规、高性能的基础设施让企业能快速、安全地将Agentic AI能力集成到现有业务中。对技术趋势而言MCP等协议正在成为工具集成的标准使得AI的能力边界可以无限扩展。结合云原生的弹性、可观测性和安全能力Agentic AI正从演示原型走向规模化生产。本次实战项目为你提供了一个完整的脚手架。你可以在此基础上替换不同的模型、接入企业内部的知识库如Confluence、CRM、连接业务API如订单系统、数据分析平台快速构建出适用于客服、研发、运营、数据分析等场景的专属智能体让AI真正成为能独立完成复杂工作的“数字员工”持续为业务创造“复利”。 30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度
