详细内容或原文请订阅后点击阅览
使用 Deep Agents 和 Bedrock AgentCore 构建上下文丰富的研究代理
在这篇文章中，您将构建一个有竞争力的研究代理，端到端地演示此模式。本演练针对的是构建多步骤 AI 工作流程的开发人员，他们需要为其代理提供隔离的执行环境。在本笔记本的第 2 部分中，您可以使用 AgentCore CLI 将同一代理部署到 Bedrock AgentCore Runtime，以便它作为托管、会话隔离的服务运行。
来源:亚马逊云科技 _机器学习人工智能驱动的研究工作流程中的一个常见挑战是深度与背景。如果您的代理阅读十个网页，其上下文窗口（大型语言模型（LLM）可以一次处理的文本量）就会充满原始内容。如果它还运行数据分析代码，图表生成逻辑就会与有限空间的战略推理竞争。团队通常通过手动提示链接或顺序处理来解决这个问题。
更好的方法是将深度工作委托给仅返回简洁结果的隔离子代理。LangChain Deep Agent 处理此编排，生成专门的临时子代理并管理其生命周期。Amazon Bedrock AgentCore 提供每个子代理所需的基础设施。这包括 MicroVM（一种轻量级、单一用途的虚拟机）中用于网络研究的真实浏览器和用于数据分析的完整 Python 环境。 AgentCore 还可以作为 Deep Agents CLI 中的本机沙箱提供程序使用，因此您可以运行 deepagents --sandbox agentcore 来尝试 AgentCore CodeInterpreter，而无需构建完整的代理。
在这篇文章中，您将构建一个有竞争力的研究代理，端到端地演示这种模式。本演练针对的是构建多步骤 AI 工作流程的开发人员，他们需要为其代理提供隔离的执行环境。在本笔记本的第 2 部分中，您可以使用 AgentCore CLI 将同一代理部署到 Bedrock AgentCore Runtime，以便它作为托管、会话隔离的服务运行。
您将构建什么
每个子代理类型仅访问其特定的工具集：用于研究人员的浏览器工具、用于分析人员的解释器工具以及用于协调员的记忆工具。
图 1：显示 LangChain Deep Agents 编排器、Amazon Bedrock AgentCore 浏览器 MicroVM、解释器、内存和 CloudWatch 或 LangSmith 跟踪之间的数据流的解决方案架构。
以下部分将逐步介绍每个组件。
构建代理
先决条件
开始之前，请验证您是否具备以下条件：