AI 에이전트 구축

Amazon Nova 모델은 Amazon Nova Act를 사용하여 AI 에이전트를 빌드하는 데 최적화되어 있습니다. 이 모델을 사용하면 도구 사용을 개선하고 여러 단계의 태스크에 대한 추론을 개선하며 여러 복잡한 에이전트 워크플로에서 컨텍스트를 유지 관리하는 기능을 향상시키고 원격 MCP 도구를 지원할 수 있습니다.

에이전트 생성

Nova로 빌드된 AI 에이전트는 여러 도구 직접 호출을 오케스트레이션하고, 확장된 여러 상호 작용에서 컨텍스트를 유지 관리하며, 필요한 경우 과정을 수정할 수 있습니다. 확장된 사고는 복잡한 목표를 통해 체계적 추론을 지원하여 에이전트 워크플로를 변환합니다. 에이전트 시스템의 계획 및 실행 프로세스를 보다 견고하게 만들려면 Strands Agents와 같은 계획 프레임워크 SDK를 사용하는 방법을 고려합니다.

에이전트 설계 패턴

Nova를 사용하여 에이전트를 설계하는 경우:

다중 도구 에이전트 예제

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" 
        } 
    } 
) 

에이전트 간접 호출

에이전트 간접 호출에는 대화 흐름 관리, 도구 직접 호출 처리, 여러 상호 작용에서 상태 유지 관리가 포함됩니다.

에이전트 응답 스트리밍

응답을 스트리밍하여 에이전트의 추론 및 작업에 대한 실시간 가시성을 제공합니다.

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) 

에이전트 상태 관리

대화 기록과 도구 결과를 유지 관리하여 컨텍스트를 보존합니다. 아래 예제에서는 싱글턴에서 이를 보여주지만 개발자는 워크플로 요구 사항에 따라 전체 에이전트 시스템을 오케스트레이션하는 방법을 결정할 수 있습니다. 또한 Strands와 같은 Amazon Web Services 도구는 개발자를 대신하여 에이전트 컨텍스트 및 도구 상태를 관리합니다.

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 
    ) 

에이전트 모범 사례

에이전트 모범 사례에 대한 자세한 내용은 일반 모범 사례 섹션을 참조하세요.

대화형 AI 에이전트 개발에 대한 지침은 음성-음성(Amazon Nova 2 Sonic) 섹션을 참조하세요.