AWS发布SageMaker AI与Bedrock AgentCore集成方案,实现多智能体工作流构建
摘要:AWS推出了基于Amazon SageMaker AI和Bedrock AgentCore的新集成方案,允许开发者构建多智能体工作流,每个智能体可选择最适合其任务的模型。该方案支持OpenAI兼容的API接口,并提供对SageMaker端点的细粒度token级可观测性,解决了Strands Agents默认不提供的关键问题。通过这一方案,开发者能够实现成本优化、数据驻留和模型灵活性,同时保持生产级架构的稳定性。
AWS发布SageMaker AI与Bedrock AgentCore集成方案
亚马逊云服务(AWS)近日推出了基于Amazon SageMaker AI和Bedrock AgentCore的全新集成方案,旨在帮助开发者构建复杂的多智能体工作流。以下是方案的核心亮点:
核心功能与技术亮点
-
多智能体协作:通过Amazon Bedrock AgentCore运行时,开发者可以将多个智能体整合到一个工作流中,每个智能体可选择最适合其任务的模型。例如,预算管理智能体可以使用Claude Sonnet 4.6,而金融分析智能体则可调用Qwen 3.5 9B模型。
-
OpenAI兼容API支持:SageMaker AI提供了与OpenAI兼容的API接口,使得开发者能够无缝集成现有的OpenAI模型或兼容模型。
-
细粒度token级可观测性:针对Strands Agents默认不提供的token使用情况,AWS提供了自定义OpenTelemetry跨度(span),允许开发者监控SageMaker端点的token消耗情况,从而实现成本控制和性能优化。
-
生产级架构:该方案支持跨区域推理、模型灵活性和数据驻留,确保在生产环境中具备高可用性和可靠性。
实现步骤
-
部署模型:使用vLLM容器在SageMaker AI上部署Qwen 3.5 9B模型,并配置自动刷新Bearer Token以支持长时间运行的智能体会话。
-
构建多智能体系统:利用Strands Agents的“智能体即工具”模式,为每个智能体创建独立的实例,并通过Bedrock AgentCore运行时进行部署。
-
配置可观测性:手动创建自定义OpenTelemetry跨度以跟踪SageMaker端点的token使用情况,并确保vLLM的stream_options参数设置为True以包含使用情况数据。
-
部署到Bedrock AgentCore运行时:使用Bedrock AgentCore启动工具包进行部署,并配置环境变量以启用可观测性。
行业影响与开发者建议
-
成本优化与灵活性:该方案允许开发者根据任务需求选择最合适的模型,从而实现成本优化和性能提升。
-
可观测性提升:通过细粒度的token级可观测性,开发者可以更好地监控和优化AI模型的资源消耗。
-
生产环境部署:该方案专为生产环境设计,提供了高可用性和可靠性,适合企业级应用。
-
开发者建议:建议开发者充分利用Strands Agents的“智能体即工具”模式,并结合AWS提供的可观测性工具,以实现更高效的AI工作流管理。
结论
AWS通过SageMaker AI与Bedrock AgentCore的集成,为开发者提供了一种强大的多智能体工作流构建方案。该方案不仅解决了现有工具的不足,还为AI应用在生产环境中的部署和优化提供了新的可能性。
更多详细信息,请访问GitHub 仓库。
参考文献
- OpenAI-compatible API for SageMaker AI
- Strands Agents — agents as tools
- Amazon Bedrock AgentCore Observability
- OpenTelemetry generative AI semantic conventions
—— 完 ——消息来源:AWS Machine Learning Blog (2026-08-14)
主题标签: #AWS #SageMaker AI #Bedrock AgentCore #多智能体 #OpenAI兼容
编辑部与事实核查说明:本篇专刊由智客前沿资讯管线根据官方技术公告、学术论文及开源工程文档整理编译,经算法实体核验与人工编辑审校后发布。若发现技术事实纰漏,欢迎依据勘误方针或一键向编辑部发送勘误反馈。
社区整体评论区