在 AWS Bedrock + AgentCore 上建立多代理工作流程

建立多代理工作流程，部署在 AgentCore 上 + 建置支援記憶體的 Strands 代理 + DynamoDB 和 Web 搜尋工具

從這 6.5 小時的課程，你會學到

理解並實施多代理工作流程
使用 AWS 部署多代理程式工作流程 – 使用 Bedrock、Lambda、API Gateway、S3 等工具
為您的代理人添加語義和偏好策略的長期記憶
利用 AWS Bedrock 實現長期記憶
在 AgentCore Runtime 上將代理程式部署到生產環境
創建能夠跨會話記住使用者的代理
實施多代理協作
部署生產 AI 系統 – 使用 AWS Lambda 和 API Gateway 建置可擴充的 AI 架構
在 AWS Lambda 中建立操作群組 – 在無伺服器環境中建置和管理用於 AI 決策的操作群組
建造 AI 旅行代理 – 設計一個能夠提供住宿和餐廳推薦的智慧旅行助手
理解代理的短期記憶和長期記憶
了解 Bedrock AgentCore Runtime 的定價
實作 API Gateway 以實現外部存取 – 使用 AWS API Gateway 將您的 AI 旅行代理程式暴露給 Web
使用 API 速率限制優化 AI 請求 – 了解如何管理 API 請求限制並防止過高的使用成本
實作日誌記錄和監控 – 使用 AWS CloudWatch 追蹤 AI 模型效能並監控 API 使用情況。
了解 Bedrock Agentcore 長短期記憶的定價
了解主管代理的角色 – 學習主管代理如何有效率地管理和協調任務。
部署端對端 AI 系統 – 在真實的 AWS 環境中，將您的旅行代理從概念階段推進到生產階段。
優化 AWS Bedrock LLM 回應 – 調整系統參數以提高旅行建議的準確性和相關性。
設計可擴展的無伺服器應用程式 – 學習在 AWS 中擴展 AI 驅動的無伺服器應用程式的最佳實踐。
使用 Strands 和 DuckDuckGo 建立網路搜尋代理
實施用於對話追蹤的短期記憶
使用生命週期鉤子加載和保存代理記憶( agent memory )
使用 Claude Haiku 和即時網路搜尋建立個人助理
AWS Strands 框架

要求

基本 Python 程式設計

課程說明

想建立多代理( Agent )協作、記憶使用者並可在生產環境中運作的 AI 應用嗎？本課程將帶您從多代理基礎入手，最終在 AWS Bedrock 和 AgentCore 上部署具備記憶功能的智慧代理。

您將建立一個功能齊全的旅行規劃器，其中主管代理負責協調任務，而協作代理和助手代理則代表您處理資料庫查詢、API 呼叫和旅行偏好設定。您還將建立一個由 DuckDuckGo 支援的即時網路搜尋的個人助理代理，能夠獲取即時資訊並提供最新答案。

您將學到：

多代理設計 — 何時將任務拆分給不同的代理，如何處理代理間的通信，以及如何確保無縫協作
AWS Bedrock LLM — 使用基礎模型自訂提示範本、覆蓋參數並最佳化 AI 輸出
無伺服器部署 — 將資料儲存在 S3 中，使用 Lambda 操作群組構建，並透過 API 網關部署，以實現即時、可擴展的請求
AgentCore Runtime (運行時) — Amazon Bedrock AgentCore 是什麼，以及如何在專用基礎架構上大規模部署和運行代理
網路搜尋代理 — 使用 Strands 框架和 Claude Haiku 建立代理，透過 DuckDuckGo 即時搜尋網絡
短期記憶 — 使用 AgentCore 的 get_last_k_turns 函數追蹤會話中的對話上下文
長期記憶 — 配置提取策略，自動捕獲語義事實、用戶偏好和會話摘要 — 以便您的代理能夠跨會話記住用戶

完成本課程後，您將能夠：

為實際場景編排主管、協作者和助理代理

在 AgentCore Runtime 上使用生產級基礎架構部署代理
建立能夠搜尋網路並提供即時資訊的代理
賦予代理跨會話持久的短期和長期記憶
提供由多代理 AI 驅動的動態個人化推薦

無論您是渴望成為 AI 開發人員的新手，還是經驗豐富的工程師，本課程都能為您提供構建代理的實用技能，這些代理不僅能夠響應，還能記憶、個性化並隨著時間的推移不斷改進。加入我們，使用 AWS Bedrock 和 AgentCore 開始建置下一代 AI。

目標受眾

希望利用大型語言模型 (LLM) 和高級代理編排技術的 AI 和機器學習工程師。
希望在 AWS 上設計具有生產級可擴展性的強大無伺服器 AI 架構的雲端架構師和工程師。
有興趣擴展技能，將多代理系統和雲端即時部署納入其中的資料科學家。
渴望掌握 AI 應用端對端自動化（從資料儲存到 API 端點）的 DevOps 和 MLOps 專業人員。
熱衷於將對話式 AI 整合到其應用程式中，以實現動態、用戶友好體驗的軟體開發人員。
看到 AI 驅動服務的潛力，並希望透過實踐快速原型設計和擴展來提升能力的科技愛好者和企業家。

講師簡介

Patrik Szepesi 機器學習工程師

Patrik Szepesi 是一位資深機器學習工程師/資料科學家，其職業生涯橫跨學術界、矽谷科技公司和全球領先的金融機構。 Patrik 運用他的專業知識在自動駕駛汽車、銀行業和醫療保健等各個領域開拓尖端機器學習解決方案。他多才多藝的技能使他有機會在摩根士丹利和約翰迪爾等公司工作，並幫助創造了世界上第一輛全自動農業車輛。 Patrik 對該領域的貢獻不僅限於專業領域；作為 Óbuda University (奧布達大學)的機器學習研究員，他開發了用於醫學影像分類的創新深度卷積神經網絡，其研究成果發表在《生物控制論》和《生物醫學工程》等知名期刊上。目前，他在加州一家大型醫療保健公司擔任高級機器學習工程師。他曾擔任 AWS 技術佈道師，目前擁有以下 AWS 認證：AWS Machine Learning Specialty 和 AWS Solutions Architect Associate。