可易

用 AWS CloudFormation 在 Amazon Bedrock AgentCore 上构建 AI 智能体

可易团队阅读约 5 分钟

用 CloudFormation 部署天气活动规划智能体：Browser 采集、Code Interpreter 评分、Runtime 编排，并给出监控与删除堆栈的清理步骤。

目录

#用 AWS CloudFormation 在 Amazon Bedrock AgentCore 上构建 AI 智能体

智能体式 AI（Agentic-AI）已成为部署生产级 AI 应用所必需的能力，但许多开发者仍难以在多个环境中手工配置智能体基础设施。基础设施即代码（infrastructure as code，IaC）有助于提供自主 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减少手工配置错误，把部署时间从数小时降到数分钟，同时促成各环境的基础设施一致性，以帮助避免不可预测的智能体行为。它提供版本控制和回滚能力，以便从问题中快速恢复，这对维持智能体系统可用性至关重要，并通过参数化模板实现自动扩缩和资源优化，使模板能从轻量开发环境适配到生产级部署。对于在最少人工干预下运行的智能体应用，IaC 的可靠性、安全标准的自动校验，以及与 DevOps 工作流的无缝集成，对稳健的自主运行是必需的。

为简化资源部署和管理，Amazon Bedrock AgentCore 服务现已得到多种 IaC 框架支持，例如 AWS Cloud Development Kit（AWS CDK）、Terraform 和 AWS CloudFormation 模板。这一集成把 IaC 的能力直接带到 AgentCore，使开发者能够供应、配置并管理其 AI 智能体基础设施。本文使用 CloudFormation 模板，构建一个天气活动规划器的端到端应用。使用 CDK 和 Terraform 的示例见 GitHub 示例库。

构建基于天气的活动规划智能体

该示例创建一个天气活动规划器，演示一个处理实时天气数据的实用应用，根据感兴趣的地点提供个性化活动建议。应用由多个集成组件组成：

  • 实时天气数据采集：应用从 weather.gov 等权威气象来源获取当前天气状况，收集关键数据点，包括温度读数、降水概率预报、风速测量，以及其他影响户外活动适宜性的相关大气条件。
  • 天气分析引擎：应用通过定制逻辑处理原始气象数据，基于多项天气因素评估某一天是否适合户外活动：
  • 温度舒适度评分：当温度降到 50°F 以下时，活动的适宜性评分降低
  • 降水风险评估：降雨概率超过 30% 时，触发对户外活动建议的调整
  • 风力条件影响评估：风速高于 15 mph 时，影响各类活动的总体舒适度与安全评级
  • 个性化推荐系统：应用把天气分析结果与用户偏好和基于地点的感知结合起来，生成定制的活动建议。

下图展示这一流程。

现在看看如何用 AgentCore 服务实现：

下图展示这一架构。

部署 CloudFormation 模板

  1. 从 GitHub 把 End-to-End-Weather-Agent.yaml 的 CloudFormation 模板下载到本地机器
  2. 从 AWS 控制台打开 CloudFormation
  3. 点击 Create stack → With new resources (standard)
  4. 选择模板来源（上传文件）并选择你的模板
  5. 输入堆栈名称，并按需要修改任何必填参数
  6. 复查配置并确认 IAM 能力
  7. 点击 Submit，并在 Events 选项卡上监控部署进度

以下是 CloudFomation 模板部署的可视化步骤

https://d2908q01vomqb2.cloudfront.net/artifacts/DBSBlogs/ML-19762/ML-19762-Agencore-CFN-Setup.mp4

运行并测试该应用

https://d2908q01vomqb2.cloudfront.net/artifacts/DBSBlogs/ML-19762/ML-19762-Agencore-CFN-Application-Run.mp4

增加可观测性与监控

AgentCore Observability 提供关键优势。它通过详细的工作流可视化和实时性能监控提供质量与信任。你可以使用由 Amazon CloudWatch 驱动的仪表盘缩短上市时间，这些仪表盘减少了来自多个来源的手工数据集成，从而有可能基于可执行洞察采取纠正措施。与 OpenTelemetry 兼容格式的集成灵活性，支持现有工具，例如 CloudWatch、DataDog、Arize Phoenix、LangSmith 和 LangFuse。

该服务提供跨框架和基础模型（foundation models，FMs）的端到端可追溯性，捕获令牌用量和工具选择模式等关键指标，并同时支持对托管在 AgentCore Runtime 上的智能体进行自动插桩，以及对部署在其他服务上的智能体进行可配置监控。这种全面的可观测性做法帮助组织实现更快的开发周期、更可靠的智能体行为，以及更好的运维可见性，同时大规模构建可信的 AI 智能体。

以下截图展示 AgentCore Runtime 界面中的指标。

按你的用例定制

天气活动规划器的 AWS CloudFormation 模板以模块化组件设计，可以无缝适配各种应用。例如，你可以定制 AgentCore Browser 工具，从不同 Web 应用采集信息（例如用于投资指导的金融网站、用于情绪监测的社交媒体信息流，或用于价格跟踪的电商网站）；修改 AgentCore Code Interpreter 算法以处理你的特定业务逻辑（例如用于销售预测的预测建模、用于保险的风险评估，或用于制造的质量控制）；调整 AgentCore Memory 组件以存储相关用户偏好或业务上下文（例如客户档案、库存水平或项目需求）；并重新配置 Strands Agents 任务，以编排你所在领域的特定工作流（例如供应链优化、客户服务自动化或合规监控）。

部署最佳实践

我们建议部署时采用以下做法：

  • 模块化组件架构：设计 AWS CloudFormation 模板时，为每个 AWS 服务使用单独的部分。
  • 参数化模板设计：对可配置元素使用 AWS CloudFormation 参数，以便模板在各环境中复用。例如，这可以帮助把同一个基础容器关联到多个智能体部署，帮助指向两种不同的构建配置，或把为智能体提供能力的 LLM 参数化。
  • AWS Identity and Access Management （IAM）安全与最小权限：为每个 AgentCore 组件实施细粒度 IAM 角色，并使用特定资源的 Amazon Resource Names（ARNs）。请参阅我们关于 AgentCore 安全注意事项 的文档。
  • 全面的监控与可观测性：在各组件上启用 CloudWatch 日志、自定义指标、AWS X-Ray 分布式追踪和告警。
  • 版本控制以及持续集成与持续交付（continuous integration and continuous delivery，CI/CD）集成：把模板保存在 GitHub 中，配合自动校验、全面测试，以及用于一致的多区域部署的 AWS CloudFormation StackSets。

更完整的一组最佳实践见 CloudFormation 最佳实践

清理资源

为避免后续产生费用，删除本方案使用的资源：

  1. 在 Amazon S3 控制台 上，手工删除你为模板部署创建的存储桶中的内容，然后删除该存储桶。
  2. 在 CloudFormation 控制台 上，在导航窗格中选择 Stacks，选中主堆栈，并选择 Delete。

结论

本文介绍了一种使用 AWS CloudFormation 部署 AgentCore 服务的自动化方案。这些预配置模板使强大的智能体式 AI 系统能够快速部署，而无需手工搭建组件的复杂性。这种自动化做法有助于节省时间，并促成一致且可复现的部署，使你能够专注于构建推动业务增长的智能体式 AI 工作流。

可以从我们的基础设施即代码示例仓库再试一些示例：

PRIMARY_SOURCE: https://aws.amazon.com/blogs/machine-learning/build-ai-agents-with-amazon-bedrock-agentcore-using-aws-cloudformation

  • #CloudFormation
  • #AgentCore
  • #IaC
  • #监控
  • #清理

继续阅读