Invocar um agente em linha - Amazon Bedrock

As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

Invocar um agente em linha

nota

Os recursos de configuração e invocação de um recurso de agente em linha está em uma versão prévia do Amazon Bedrock e está sujeito a alterações.

Para invocar o agente em linha, primeiro verifique se os pré-requisitos foram atendidos.

Para invocar um agente em linha, envie uma solicitação de InvokeInlineAgentAPI com um endpoint de tempo de execução do Agents for Amazon Bedrock e inclua minimamente os seguintes campos.

Campo Caso de uso
instruction Forneça instruções que digam ao agente em linha o que ele deve fazer e como ele deve interagir com os usuários.
foundationModel Especifique um modelo de base a ser usado para orquestração pelo agente em linha criado por você. Por exemplo, Claude da Anthropic, Llama3.1 da Meta etc.
sessionId Um identificador exclusivo da sessão. Use o mesmo valor em todas as solicitações para continuar a mesma conversa.

Os seguintes campos são opcionais:

Campo Caso de uso
actionGroups Lista de grupos de ação em que cada grupo de ação define as ações que o agente integrado pode realizar.
knowledgeBases Associações da base de conhecimento com o agente em linha para aumentar a resposta gerada pelo modelo.
guardrailConfiguration Configurações de barreira de proteção para bloquear tópicos, evitar alucinações e implementar proteções para sua aplicação.
agentCollaboration Define como o agente colaborador lida com as informações de vários agentes colaboradores para coordenar uma resposta final. O agente colaborador também pode ser o supervisor.
collaboratorConfigurations Configurações para o agente colaborador.
collaborators Lista de agentes colaboradores.
promptOverrideConfiguration Configurações para prompts avançados usados para substituir os prompts padrão.
enableTrace Especifique se deseja ativar ou não o rastreamento do processo de raciocínio do agente em linha.
Segundos da sessão ociosa TTLIn Especifique a duração após a qual o agente em linha deve encerrar a sessão e excluir todas as informações armazenadas.
customerEncryptionKeyArn Especifique o ARN de uma chave do KMS para criptografar recursos do agente.
endSession Especifique se a sessão deve ser encerrada com o agente ou não.
inlineSessionState Parâmetros que especificam os vários atributos de uma sessão.
inputText Especifique o texto do prompt a ser enviado ao agente.
reasoning_config Para habilitar o raciocínio de modelo para que o modelo explique como chegou às respectivas conclusões. Use dentro de um campo additionalModelRequestFields. Você deve especificar o número de budget_tokens que é usado para o raciocínio de modelo, que são um subconjunto dos tokens de saída. Para ter mais informações, consulte Aprimorar as respostas do modelo com o raciocínio de modelo.

O exemplo da API InvokeInlineAgent a seguir fornece configurações completas de agentes em linha, como modelo de base, instruções, grupos de ação com interpretador de código, barreiras de proteção e bases de conhecimento. 

response = bedrock_agent_runtime.invoke_inline_agent(
    // Initialization parameters: cannot be changed for a conversation
    sessionId='uniqueSessionId',
    customerEncryptionKeyArn: String,
    
    // Input
    inputText="Hello, can you help me with a task?",
    endSession=False,
    enableTrace=True,
    
    // Agent configurations
    foundationModel='anthropic.claude-3-7-sonnet-20250219-v1:0',
    instruction="You are a helpful assistant...",
    actionGroups=[
        {
            'name': 'CodeInterpreterAction',
            'parentActionGroupSignature': 'AMAZON.CodeInterpreter'
        },
        {
            'actionGroupName': 'FetchDetails',
            'parentActionGroupSignature': '',
            "actionGroupExecutor": { ... },
            "apiSchema": { ... },
            "description": "string",
            "functionSchema": { ... }
        }
    ],
    knowledgeBases=[
        {
            knowledgeBaseId: "string",
            description: 'Use this KB to get all the info',
            retrievalConfiguration: { 
                vectorSearchConfiguration: { 
                    filter: { ... },
                    numberOfResults: number,
                    overrideSearchType: "string"
               }
            }
        }
    ],
    guardrailConfiguration={
        guardrailIdentifier: 'BlockEverything',
        gurardrailVersion: '1.0'
    },
    promptOverrideConfiguration: {...}
    
    // session properties: persisted throughout conversation
    inlineSessionState = {
        sessionAttributes = { 'key': 'value' },
        promptSessionAttributes = {k:v},
        returnControlInvocationResults = {...},
        invocationId = 'abc',
        files = {...},
    }
  }

Também é possível incluir parâmetros de raciocínio de modelo na solicitação. Veja a seguir um exemplo de um único prompt que ativa o raciocínio de modelo em additionalModelRequestFields.

{
    "basePromptTemplate": " ... ",
    "inferenceConfiguration": {
        "stopSequences": [
            "</answer>"
        ]
    },
    "parserMode": "DEFAULT",
    "promptCreationMode": "DEFAULT",
    "promptState": "DISABLED",
    "promptType": "ORCHESTRATION",
    "additionalModelRequestFields":
    "reasoning_config": {
        "type": "enabled",
        "budget_tokens": 1024
    }
}