Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Beobachter- und Überwachungsagenten
Beobachter- und Monitoring-Agenten beobachten passiv Systeme, Umgebungen und Interaktionen, um Muster zu erkennen, Erkenntnisse zu gewinnen und Aktionen auszulösen. Als intelligente Beobachter verbessern sie Warnmeldungen, Diagnosen und Audits, ohne direkt ein Verhalten auszulösen.
Diese Agenten zeichnen sich dort aus, wo es der herkömmlichen Überwachung an Anpassungsfähigkeit oder Argumentation mangelt, insbesondere in Bezug auf AI-in-the-loop Überwachung, Erkennung von Anomalien, Compliance-Überwachung und Sicherheitsinformationen. Observer Agents sind Ereignis-Listener, die Systemtelemetrie und Benutzerinteraktionen kontinuierlich überwachen. Der Agent ist auf seine Wahrnehmung, Interpretation und bedingte Eskalation oder Berichterstattung angewiesen.
Architektur
Description
-
Telemetrie aufnehmen
-
Der Agent empfängt Eingaben von einer oder mehreren Systemquellen, z. B. aus den folgenden:
-
Protokolle (Anwendung, Infrastruktur, Sicherheit)
-
Metriken (Leistung, Latenz, Nutzung)
-
Ereignisse (API-Aufrufe, Benutzeraktionen, Sensordaten)
-
-
-
Kontext analysieren
-
Rohdaten werden analysiert, strukturiert und mit Metadaten wie Zeitstempel, Akteuridentität, Systemstatus und Trace-ID angereichert.
-
-
Gründe für die Verwendung von LLM
-
Der Agent verwendet ein LLM- oder Logikmodul, um analysierte Eingaben zu interpretieren, indem er Anomalien identifiziert, Trends zusammenfasst und Korrelationen zwischen verteilten Traces oder Zeitfenstern erstellt.
-
-
Klassifizieren oder warnen
-
Der Agent stellt fest, ob das beobachtete Verhalten Folgendes rechtfertigt:
-
Eine Warnung oder Eskalation
-
Ein Bericht oder ein Dashboard-Update
-
Ein Reaktionsauslöser (z. B. automatische Problembehebung und Richtliniendurchsetzung)
-
-
-
Speicher- oder Feedback-Schleifen protokollieren
-
Der Agent speichert Ereignisse und Entscheidungen für langfristiges Lernen, Audits oder future Referenzzwecke für andere Agenten.
-
Capabilities
-
Passiv und nicht invasiv (der Agent wirkt nicht direkt)
-
Hochgradig skalierbar und asynchron
-
AI-driven Korrelation zwischen verrauschten oder verteilten Signalen
-
Unterstützt Audits, Compliance und Einblicke in Echtzeit
-
Kann nachgeschaltete Mitarbeiter oder menschliche Arbeitsabläufe unterstützen
Häufige Anwendungsfälle
-
AI-augmented Beobachtbarkeit für Microservices und APIs
-
Überwachung von Modellabweichungen, Richtlinienverstößen oder Out-of-Band-Verhalten
-
Analyse der Kundenaktivitäten oder Zusammenfassungen der Interaktionen
-
Code-Review-Agenten, die Commits oder Deployments überwachen
-
Überwachung von Sicherheits- oder Compliance-Protokollen mithilfe von LLM-Argumentation
Implementierungsleitfaden
Sie können mit den folgenden Tools einen Beobachter- und Monitoring-Agenten erstellen: AWS-Services
Komponente |
AWS-Service |
Zweck |
|---|---|---|
Erfassung von Ereignissen |
Amazon EventBridge, CloudWatch Amazon-Protokolle, Amazon Kinesis, Amazon S3 |
Erfassen Sie strukturierte und unstrukturierte Telemetrie |
Vorverarbeitung |
AWS Lambda, AWS Glue, AWS Step Functions |
Wandeln Sie Rohdaten in strukturierte Eingabeaufforderungen um |
Maschine zum Argumentieren |
Amazon Bedrock, Amazon SageMaker, AWS Lambda |
Ereignisse analysieren, Verhalten klassifizieren, Erkenntnisse gewinnen |
Speicher und Arbeitsspeicher |
Amazon S3, Amazon DynamoDB, OpenSearch |
Ständige Beobachtungen, Zusammenfassungen und Ergebnisse |
Alarmierung und Eskalation |
Amazon SNS AWS AppFabric, Amazon EventBridge |
Lösen Sie nachgeschaltete Systeme oder Agenten aus |
Im Folgenden sind zusätzliche Anwendungen aufgeführt:
-
AWS Security Hub CSPMfür die Überwachung von Sicherheitsprotokollen
-
Amazon Quick
zur Visualisierung von Agentenausgaben
Zusammenfassung
Beobachter- und Monitoring-Agenten verfolgen Systeme und Verhalten in Echtzeit. Sie erkennen Anomalien, überprüfen die Sicherheit und sammeln Betriebsinformationen, indem sie Muster identifizieren, die von Menschen oder Regeln möglicherweise übersehen werden. Diese Fähigkeit hilft bei der Entwicklung von Systemen, die sich an sich ändernde Bedingungen anpassen und Entscheidungen auf der Grundlage umfassender Datenanalysen treffen können.