# 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:
+ 계획 및 확인이 필요한 복잡한 여러 단계의 워크플로에서 최상의 결과를 얻으려면 중간 또는 높은 수준의 추론 활성화
+ 여러 에이전트 상호 작용에서 유연한 도구 선택을 위해 도구 선택 `auto` 구현
+ 에이전트가 수정된 접근 방식으로 복구하고 재시도할 수 있도록 설계 오류 처리
+ 대화 기록을 유지 관리하여 여러 에이전트 상호 작용에서 컨텍스트 보존
+ 에이전트 시스템이 사용하는 제어되지 않는 여러 콘텐츠에서 강력한 콘텐츠 필터링 및 조정 메커니즘을 구현합니다. 예를 들어 Amazon은 여러 파운데이션 모델, 지식 베이스 및 에이전트에서 보호 기능을 적용하도록 설계된 기능인 Amazon Bedrock 가드레일을 제공합니다. 이러한 가드레일은 유해한 콘텐츠를 필터링하고, 거부된 주제를 차단하며, 개인 식별 정보와 같은 민감한 정보를 삭제할 수 있습니다.
### 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](prompting-best-practices.md) 섹션을 참조하세요.
대화형 AI 에이전트 개발에 대한 지침은 [음성-음성(Amazon Nova 2 Sonic)](using-conversational-speech.md) 섹션을 참조하세요.