View a markdown version of this page

Dari sistem yang didorong oleh peristiwa hingga sistem yang ditambah kognisi - AWS Bimbingan Preskriptif
Arsitektur berbasis peristiwaAlur kerja yang ditambah kognisiWawasan inti

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Dari sistem yang didorong oleh peristiwa hingga sistem yang ditambah kognisi

Arsitektur cloud modern, terutama yang dibangun di atas prinsip tanpa server dan berbasis peristiwa, secara tradisional mengandalkan pola seperti perutean, fan-out, dan pengayaan untuk menciptakan sistem yang responsif dan dapat diskalakan. Sistem AI agen dibangun di atas fondasi ini sambil membingkainya kembali di sekitar penalaran yang ditambah LLM dan fleksibilitas kognitif. Pendekatan ini memungkinkan kemampuan pemecahan masalah dan otomatisasi yang lebih canggih, berpotensi merevolusi bagaimana tugas kompleks ditangani di lingkungan cloud.

Arsitektur berbasis peristiwa

Diagram berikut menunjukkan sistem terdistribusi yang khas:

Arsitektur berbasis peristiwa dengan pengayaan data.

  1. Pengguna mengirimkan permintaan ke Amazon API Gateway.

  2. Amazon API Gateway merutekan permintaan ke suatu AWS Lambda fungsi.

  3. AWS Lambda melakukan pengayaan data dengan menanyakan database Amazon Aurora

  4. Amazon API Gateway mengembalikan payload yang diperkaya ke pemanggil.

Struktur ini dapat diandalkan dan dapat diskalakan, tetapi pada dasarnya statis. Aturan bisnis dan jalur logika harus dikodekan secara eksplisit, dan beradaptasi dengan perubahan konteks atau informasi yang tidak lengkap terbatas.

Alur kerja yang ditambah kognisi

Arsitektur agen menambahkan augmentasi kognitif ke sistem yang digerakkan oleh peristiwa. Diagram berikut menunjukkan ekuivalen agen:

Alur kerja yang ditambah kognisi.

  1. Pengguna mengirimkan kueri melalui panggilan SDK atau API.

  2. Agen Amazon Bedrock menerima kueri.

  3. Agen menafsirkan kueri dengan memanggil LLM

  4. Agen melakukan pengayaan semantik dengan mencari basis pengetahuan Amazon Bedrock atau sumber data eksternal lainnya.

  5. LLM mensintesis respons yang kaya konteks dan selaras dengan tujuan.

  6. Sistem mengembalikan respons yang disintesis kepada pengguna.

Dalam alur ini, LLM menggunakan logika, memahami maksud, mengambil dan menggabungkan konteks yang relevan, dan kemudian memutuskan cara terbaik untuk merespons. Pola ini mencerminkan pola pengayaan tradisional, di mana pesan ditambah dengan data eksternal sebelum diarahkan lebih lanjut. Namun, dalam sistem agen, pengayaan ini bukan pencarian statis. Sebaliknya, pengayaan bersifat dinamis, dibimbing secara semantik, dan didorong oleh tujuan.

Wawasan inti

Setiap alur kerja LLM dapat dipetakan ke pola alur kerja agen, yang mencerminkan dan mengembangkan gaya arsitektur berbasis peristiwa tradisional. Blok bangunan dasar alur kerja agen adalah kemampuan untuk menambah konteks LLM dengan data, alat, dan memori. Ini menciptakan loop penalaran yang diinformasikan, adaptif, dan selaras dengan maksud pengguna. Di mana sistem tradisional memperkaya pesan dengan data pencarian, sistem agen memungkinkan perangkat lunak untuk bertindak kurang seperti skrip dan lebih seperti kolaborator cerdas.