View a markdown version of this page

Création des agents d’IA - Amazon Nova
Création d'un agentInvocation d’un agent

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Création des agents d’IA

Les modèles Amazon Nova sont optimisés pour créer des agents d'intelligence artificielle avec Amazon Nova Act. Les modèles offrent une meilleure utilisation des outils, un meilleur raisonnement pour les tâches en plusieurs étapes, une capacité améliorée à maintenir le contexte dans les flux de travail complexes des agents et une prise en charge des outils MCP à distance.

Création d'un agent

Les agents d'intelligence artificielle conçus avec Nova peuvent orchestrer plusieurs appels d'outils, maintenir le contexte lors d'interactions prolongées et corriger le cap en cas de besoin. La pensée étendue transforme les flux de travail agentiques en permettant un raisonnement systématique basé sur des objectifs complexes. Envisagez d'utiliser un SDK de structure de planification tel que Strands Agents pour renforcer le processus de planification et d'exécution de vos systèmes d'agents.

Modèles de conception des agents

Lorsque vous concevez des agents avec Nova :

  • Permettez un raisonnement moyen ou élevé pour obtenir les meilleurs résultats pour les flux de travail complexes en plusieurs étapes nécessitant une planification et une vérification

  • Mettre en œuvre le choix auto des outils pour permettre une sélection flexible des outils lors des interactions avec les agents

  • Gestion des erreurs de conception qui permet aux agents de récupérer et de réessayer avec des approches modifiées

  • Conservez l'historique des conversations pour préserver le contexte des interactions entre les agents

  • Mettez en œuvre des mécanismes robustes de filtrage et de modération du contenu pour le contenu non contrôlé consommé par votre système d'agents. Par exemple, Amazon propose Amazon Bedrock Guardrails, une fonctionnalité conçue pour appliquer des garanties à plusieurs modèles de base, bases de connaissances et agents. Ces barrières de sécurité peuvent filtrer les contenus préjudiciables, bloquer les sujets refusés et supprimer des informations sensibles telles que des informations personnelles identifiables.

Exemple d'agent multi-outils

tool_config = { 
    "tools": [ 
        { 
            "toolSpec": { 
                "name": "calculator", 
                "description": "Perform mathematical calculations", 
                "inputSchema": { 
                    "json": { 
                        "type": "object", 
                        "properties": { 
                            "expression": { 
                                "type": "string", 
                                "description": "Mathematical expression to evaluate" 
                            } 
                        }, 
                        "required": ["expression"] 
                    } 
                } 
            } 
        }, 
        { 
            "toolSpec": { 
                "name": "database_query", 
                "description": "Query financial database for historical data", 
                "inputSchema": { 
                    "json": { 
                        "type": "object", 
                        "properties": { 
                            "query": { 
                                "type": "string", 
                                "description": "SQL query to execute" 
                            } 
                        }, 
                        "required": ["query"] 
                    } 
                } 
            } 
        } 
    ] 
} 
 
response = client.converse( 
    modelId=" us.amazon.nova-2-lite-v1:0", 
    messages=[{ 
        "role": "user", 
        "content": [{ 
            "text": "Analyze our Q3 financial performance across all business units, calculate year-over-year growth rates with statistical significance testing, and recommend budget allocation strategies for Q4." 
        }] 
    }], 
    toolConfig=tool_config, 
    inferenceConfig={"maxTokens": 10000, "temperature": 1, “topP”: 0.9}, 
    additionalModelRequestFields={ 
        "reasoningConfig": { 
            "type": "enabled", 
            "maxReasoningEffort": "low" 
        } 
    } 
)

Invocation d’un agent

L'invocation d'un agent implique la gestion du flux de conversation, le traitement des appels aux outils et le maintien de l'état lors de multiples interactions.

Réponses des agents de streaming

Diffusez les réponses pour fournir une visibilité en temps réel sur le raisonnement et les actions de l'agent :

import boto3
response = client.converse_stream( 
    modelId=" us.amazon.nova-2-lite-v1:0", 
    messages=[{ 
        "role": "user", 
        "content": [{ 
            "text": "Design a scalable microservices architecture for an e-commerce platform handling 1M+ daily transactions. Consider data consistency, fault tolerance, performance, security, and cost optimization." 
        }] 
    }], 
    inferenceConfig={"maxTokens": 10000, "temperature": 10}, 
    additionalModelRequestFields={ 
        "reasoningConfig": { 
            "type": "enabled", 
            "maxReasoningEffort": "low" 
        } 
    } 
) 
 
# Process the streaming response 
reasoning_complete = False 
for event in response["stream"]: 
    if "contentBlockDelta" in event: 
        delta = event["contentBlockDelta"]["delta"] 
         
        if "reasoningContent" in delta: 
            reasoning_text = delta["reasoningContent"]["reasoningText"]["text"] 
            print(f"{reasoning_text}", end="", flush=True) 
        elif "text" in delta: 
            if not reasoning_complete: 
                print(f" 
 
Final Architecture Design: 
") 
                reasoning_complete = True 
            print(f"{delta['text']}", end="", flush=True)

Gestion de l'état des agents

Conservez l'historique des conversations et les résultats des outils pour préserver le contexte ; l'exemple ci-dessous le montre en un tour de main, mais le développeur peut déterminer comment orchestrer l'ensemble du système d'agents en fonction des exigences du flux de travail. En outre, les outils Amazon Web Services tels que Strands gèrent le contexte des agents et l'état des outils pour le compte du développeur.

messages = []

messages = [] 
 
# Initial user query 
messages.append({ 
    "role": "user", 
    "content": [{"text": user_query}] 
}) 
 
# Get agent response 
response = client.converse( 
    modelId=" us.amazon.nova-2-lite-v1:0", 
    messages=messages, 
    toolConfig=tool_config, 
    inferenceConfig=inf_params 
) 
 
# Add assistant response to history 
messages.append(response["output"]["message"]) 
 
# Process tool calls and add results 
if response["stopReason"] == "tool_use": 
    tool = next( 
        block["toolUse"] 
        for block in response["output"]["message"]["content"] 
        if "toolUse" in block 
    ) 
     
    # Execute tool 
    result = execute_tool(tool["name"], tool["input"]) 
     
    # Add tool result to conversation 
    messages.append({ 
        "role": "user", 
        "content": [{ 
            "toolResult": { 
                "toolUseId": tool["toolUseId"], 
                "content": [{"json": result}], 
                "status": "success" 
            } 
        }] 
    }) 
     
    # Continue conversation 
    response = client.converse( 
        modelId=" us.amazon.nova-2-lite-v1:0", 
        messages=messages, 
        toolConfig=tool_config, 
        inferenceConfig=inf_params 
    )

Meilleures pratiques pour les agents

Pour plus d'informations sur les meilleures pratiques relatives aux agents, consultezBonnes pratiques d'ordre général.

Pour obtenir des conseils sur le développement d'agents d'IA conversationnelle, consultezSpeech-to-Speech (Amazon Nova 2 Sonic).