# Criar agentes de IA
Os modelos do Amazon Nova são otimizados para criar agentes de IA com o Amazon Nova Act. Os modelos oferecem um uso aprimorado das ferramentas, melhor raciocínio para tarefas de várias etapas, maior capacidade de manter o contexto em fluxos de trabalho complexos de agentes e compatibilidade com ferramentas MCP remotas.
## Crie um agente
Agentes de IA criados com o Nova podem orquestrar várias chamadas de ferramentas, manter o contexto em interações estendidas e corrigir o curso quando necessário. O pensamento estendido transforma os fluxos de trabalho agênticos, permitindo o raciocínio sistemático por meio de metas complexas. Considere usar um SDK de framework de planejamento, como o Strands Agents, para tornar o processo de planejamento e execução de seus sistemas de agentes mais robusto.
### Padrões de design do agente
Ao projetar agentes com o Nova:
+ Habilite o raciocínio médio ou alto para obter melhores resultados em fluxos de trabalho complexos de várias etapas que exigem planejamento e verificação
+ Implemente a opção de ferramentas `auto` para permitir a seleção flexível de ferramentas em todas as interações do agente
+ Desenvolva um tratamento de erros que permita que os agentes se recuperem e tentem novamente com abordagens modificadas
+ Mantenha o histórico de conversas para preservar o contexto entre as interações dos agentes
+ Implemente mecanismos robustos de filtragem e moderação de conteúdo em todo o conteúdo não controlado que seu sistema de agentes consome. Por exemplo, a Amazon oferece as Barreiras de Proteção para Amazon Bedrock, um recurso projetado para aplicar proteções em vários modelos de base, bases de conhecimentos e agentes. Essas barreiras de proteção podem filtrar conteúdo prejudicial, bloquear tópicos proibidos e ocultar informações confidenciais, como informações de identificação pessoal.
### Exemplo de agente de várias ferramentas
```
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"
}
}
)
```
## Invocar um agente
A invocação do agente envolve o gerenciamento do fluxo de conversação, o processamento de chamadas de ferramentas e a manutenção do estado em várias interações.
### Respostas do agente via streaming
Transmita respostas via streaming para fornecer visibilidade em tempo real do raciocínio e das ações do agente:
```
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)
```
### Gerenciamento de estados do agente
Mantenha o histórico de conversas e os resultados da ferramenta para preservar o contexto; o exemplo abaixo demonstra isso em um único turno, mas o desenvolvedor pode determinar como orquestrar o sistema geral do agente com base nos requisitos do fluxo de trabalho. Além disso, as ferramentas da Amazon Web Services, como o Strands, gerenciam o contexto do agente e o estado da ferramenta em nome do desenvolvedor.
```
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
)
```
### Práticas recomendadas de agentes
Para obter mais informações sobre as práticas recomendadas de agentes, consulte [Práticas recomendadas gerais](prompting-best-practices.md).
Para obter orientação sobre o desenvolvimento de agentes de IA conversacional, consulte [Conversão de fala em fala (Amazon Nova 2 Sonic)](using-conversational-speech.md).