智客 ZICQ
EN 登录 / 注册
智客前沿 智能体 #AWS #SageMaker AI #Bedrock AgentCore #多智能体 #OpenAI兼容

AWS发布SageMaker AI与Bedrock AgentCore集成方案,实现多智能体工作流构建

Mr.Xu 的头像

文 / Mr.Xu 智客前沿编译 · 审校

发布时间: · 1 次阅读

中文阅读 (Chinese) English Version
共读互动 选中正文任意句子即可高亮划线、写下你的技术批注,或一键生成金句引用卡。 直达讨论区 ↓

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

  1. 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。

  2. 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。

  3. 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。

  4. 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

  1. 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。

  2. 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。

  3. 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。

  4. 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


消息来源:AWS Machine Learning Blog (2026-08-14)

—— 完 ——

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。

读完这篇,你的第一判断是?
🚀 去【作品】晒出你的相关实践

社区整体评论区

正在加载实时智能评论与划词标注…