top of page

Agenci Amazon Bedrock otrzymują architekturę referencyjną Spring AI

41 minut temu
11 minut(y) czytania

11 listopada AWS opublikował architekturę referencyjną dla agentów Amazon Bedrock, łączącą aplikacje Java z narzędziami, pamięcią rozmów i zarządzanym wdrożeniem. Jej przykłady wprowadzają znane wzorce programowania Spring do aplikacji agentowych. Zachowują też istotne rozróżnienie: wdrożenie agenta nie dowodzi, że jego decyzje są niezawodne.

Publikacja jest skierowana do korporacyjnych zespołów Java, które decydują, jak wiele istniejącej infrastruktury programistycznej mogą zachować przy wdrażaniu agentów. Spring AI, framework łączący aplikacje Spring z modelami AI i powiązanymi usługami, zapewnia warstwę aplikacyjną. Amazon Bedrock AgentCore, zestaw usług AWS do hostowania i obsługi agentów, zapewnia infrastrukturę wspierającą.

Centralne napięcie dotyczy znanej inżynierii aplikacji i nieznanego zachowania decyzyjnego. Usługa może poprawnie odpowiadać na żądania na poziomie sieciowym, a jednocześnie wybierać niewłaściwe działanie. AWS oferuje praktyczny punkt wyjścia do łączenia tych warstw, lecz nabywcy nadal potrzebują dowodów dotyczących rezultatów, uprawnień i odzyskiwania sprawności.

Co zmieniło się dla agentów Amazon Bedrock

AWS dostarczyło referencję implementacyjną, a nie ogłosiło nowy model Bedrock ani nie potwierdziło niezawodności autonomicznych działań.

Architektura agenta Java obejmuje asystenta podróży oraz system przetwarzania dokumentów. Przykłady łączą wywoływanie narzędzi, pamięć rozmów, odporność i wdrożenie. Wywoływanie narzędzi oznacza, że model żąda funkcji aplikacji, którą wykonuje otaczające go oprogramowanie.

System dokumentowy wykorzystuje reguły routingu i oceny. Równoległe wykonanie przez wyspecjalizowane komponenty pozostaje opcjonalnym rozszerzeniem, a jego punkt końcowy wsadowy przetwarza dokumenty sekwencyjnie. Demonstrowana usługa mechanizmów ochronnych różni się również od produkcyjnych Bedrock Guardrails. Rozproszone śledzenie i automatyczna pętla informacji zwrotnej z oceny wymagają dodatkowej implementacji.

Te granice są istotne, ponieważ diagramy architektury upraszczają rozróżnienia, które stają się ważne podczas zakupów. Diagram może pokazywać połączenie z usługą, nie dowodząc, że każde wdrożenie ją konfiguruje. Komponent może wspierać daną możliwość, nawet jeśli próbka nie testuje jej w realistycznych warunkach.

Dla programistów referencja zmniejsza niepewność dotyczącą miejsca kodu aplikacyjnego. Dla kierowników inżynierii zapewnia konkretny materiał do oceny przed wyborem frameworka. Dla osób oceniających bezpieczeństwo ujawnia pytania, które dopracowana demonstracja czatu często ukrywa.

Architektura referencyjna ma inną rolę dowodową niż raport z wdrożenia u klienta. Wyjaśnia podejście i dostarcza materiały implementacyjne. Nie potwierdza wydajności dla typów dokumentów organizacji, kontroli dostępu, warunków operacyjnych ani wyjątków biznesowych.

Rozważmy wewnętrznego asystenta, który pobiera informacje o podróżach i proponuje plan podróży. Przekonująca odpowiedź demonstruje użyteczną interakcję. Nie ustanawia jednak uprawnienia do zakupu biletów, zmiany rezerwacji ani ujawniania preferencji innego pracownika.

To samo rozróżnienie dotyczy przetwarzania dokumentów. Pomyślne wyodrębnienie pola różni się od zatwierdzenia transakcji na podstawie tego pola. Zespoły aplikacyjne muszą wskazać, gdzie kończy się interpretacja, a zaczyna działanie o istotnych konsekwencjach.

Dlatego publikacja ma znaczenie wykraczające poza składnię Java. Przenosi dyskusję w stronę granic aplikacji, które zespoły korporacyjne mogą analizować. Architektura daje tym zespołom punkt wyjścia i słownictwo, lecz ich własne obciążenia muszą dostarczyć kryteriów akceptacji.

Bezpośrednia zmiana ma zatem charakter praktyczny, a nie uniwersalny. Programiści otrzymują kolejną konkretną drogę od interakcji z modelem do wdrożonej usługi. Nadal muszą zdecydować, które decyzje zasługują na automatyzację, które wymagają potwierdzenia, a które powinny pozostać poza uprawnieniami agenta.

Traktowanie przykładów jako punktów wyjścia poddawanych analizie lepiej uwidacznia ich wartość. Zespoły mogą sprawdzać poszczególne granice przed zaakceptowaniem szerszej obietnicy autonomicznego działania.

Zespoły Java mogą zachować swój stos technologiczny, lecz przejmują nowe decyzje

Presja spada na właścicieli aplikacji, którzy muszą przełożyć demonstracje agentów na rozliczalne usługi biznesowe.

Repozytorium przykładowego agenta zawiera backendy Java i oddzielne interfejsy przeglądarkowe. Udokumentowane wdrożenie buduje obrazy kontenerów ARM64, przechowuje je w Amazon Elastic Container Registry i udostępnia AgentCore Runtime za pośrednictwem Terraform.

Obraz kontenera pakuje kod aplikacji i zależności do wykonania. Terraform opisuje infrastrukturę jako konfigurację. Te wybory sprawiają, że ścieżka wdrożenia jest rozpoznawalna dla zespołów już obsługujących aplikacje chmurowe.

Wymagania konfiguracyjne repozytorium różnią się jednak od części opisu na blogu, w tym pod względem wersji narzędzi frontendowych i infrastrukturalnych. Programiści powinni sprawdzić wymagania towarzyszące wybranej przez nich wersji. Skopiowana lista wymagań wstępnych nie powinna zastępować przeglądu faktycznie wdrażanego oprogramowania.

Większą korzyścią organizacyjną jest ciągłość. Zespół może oceniać agenta poprzez istniejący przegląd kodu, zatwierdzanie wydań i odpowiedzialność operacyjną. Zmniejsza to potrzebę wprowadzania odrębnego procesu rozwoju tylko dlatego, że uczestniczy w nim model.

Ciągłość stwarza również ryzyko pozornej znajomości. Konwencjonalne zachowanie aplikacji często wynika z jawnych gałęzi zapisanych przez programistów. Agent wprowadza działania wybierane przez model w obrębie tych gałęzi. Znana mechanika wdrożeniowa nie czyni tych wyborów równie przewidywalnymi.

Zespół platformowy staje więc przed innym pytaniem podczas przeglądu. Sprawdzenie, czy aplikacja się uruchamia, jest konieczne, lecz niewystarczające. Recenzenci muszą także rozumieć, jakich działań może żądać model i na co pozwala otaczający go kod.

Na przykład asystent pracownika może mieć dostęp do systemu wydatków. Odczytywanie zasad zwrotu kosztów i składanie wniosku o zwrot wydatków oznaczają różne uprawnienia. Udostępnienie obu operacji w tym samym interfejsie konwersacyjnym nie powinno zacierać ich odmiennych konsekwencji.

Kierownicy produktu mają związaną z tym odpowiedzialność. Muszą opisać dozwolone wyniki działania usługi wystarczająco precyzyjnie, aby inżynierowie mogli je przetestować. „Obsługa pytań o wydatki” pozostawia więcej niejasności niż określenie obsługiwanych żądań i wymaganych punktów zatwierdzenia.

Zespoły operacyjne przejmują kolejną granicę. Agent może zawieść z powodu niedostępnej infrastruktury, błędnej interpretacji, niewłaściwego wyboru narzędzia lub nierozwiązanego wyjątku biznesowego. Błędy te wymagają różnych reakcji, nawet gdy użytkownicy opisują je wszystkie jako złą odpowiedź.

Zespoły wsparcia potrzebują również zapisów wyjaśniających, co się wydarzyło. Sama końcowa odpowiedź może ukrywać nieudane wyszukiwanie, powtórzone działanie lub nieskuteczną eskalację. Użyteczne dowody operacyjne muszą łączyć żądanie użytkownika z wynikowym zachowaniem aplikacji.

Dla zespołów dokumentujących te decyzje przeszukiwalna baza wiedzy może ułatwić dostęp do założeń projektowych i wskazówek operacyjnych. Taka dokumentacja wspiera recenzentów i osoby utrzymujące system; powinna pozostać odrębna od pamięci konwersacyjnej agenta.

Szansa architektoniczna polega na zachowaniu ustalonej odpowiedzialności przy dodaniu nowej warstwy decyzyjnej. Wyzwanie zarządcze to dopilnowanie, aby ktoś wyraźnie odpowiadał za tę warstwę. W przeciwnym razie zachowanie modelu może znaleźć się pomiędzy rozwojem aplikacji, operacjami infrastrukturalnymi i polityką biznesową.

To pytanie o odpowiedzialność powinno poprzedzać szerszą autonomię. Rozszerzanie dostępu przed przypisaniem odpowiedzialności utrudnia późniejszą diagnozę i rozwiązywanie incydentów.

Wywoływanie narzędzi czyni aplikację granicą wykonania

Model może proponować działanie, ale kod aplikacji musi ustalić, czy jest ono dopuszczalne.

Dokumentacja wywoływania narzędzi Spring AI opisuje pętlę, w której model żąda funkcji, a framework wykonuje pasujące narzędzia. Wyniki wracają do modelu w celu dalszego przetwarzania. Dokumentacja wyraźnie odróżnia ten układ od udostępniania modelowi bezpośredniego dostępu do podstawowych interfejsów aplikacji.

To rozdzielenie jest najbardziej użytecznym sposobem oceny architektury. Żądanie modelu reprezentuje proponowaną intencję. Implementacja otaczająca narzędzie określa, czy ta intencja staje się działaniem zewnętrznym.

Wyobraźmy sobie hipotetycznego asystenta podróży obsługującego prośbę o przygotowanie planu podróży. Sprawdzenie pogody ma charakter informacyjny. Rezerwacja pokoju zmienia zewnętrzny system. Różnica powinna być widoczna w autoryzacji i zachowaniu potwierdzeń, nawet jeśli oba narzędzia wyglądają dla modelu podobnie.

Opisowa nazwa narzędzia nie ustanawia tej granicy. Nie robi tego również instrukcja nakazująca modelowi ostrożność. Aplikacja potrzebuje kontroli, które pozostają skuteczne, gdy model błędnie rozumie żądanie lub otrzymuje wprowadzające w błąd informacje.

Walidacja danych wejściowych, sprawdzająca, czy podane wartości spełniają wymagania aplikacji, rozwiązuje część tego problemu. Miejsce docelowe musi istnieć, data musi dawać się zinterpretować, a żądanie musi dotyczyć dozwolonego zasobu. Kontrole te powinny nastąpić przed wykonaniem działania o istotnych konsekwencjach.

Autoryzacja odpowiada na odrębne pytanie: czy zidentyfikowany użytkownik może wykonać żądaną operację. Poprawne argumenty nadal mogą opisywać niedozwolone działanie. Łączenie tych kontroli w niejasne pojęcie „bezpiecznego wyniku” utrudnia identyfikację błędów.

Projekt narzędzi wpływa także na odzyskiwanie sprawności. Wyszukiwanie można zwykle powtórzyć bez zmiany stanu biznesowego. Powtórzenie zgłoszenia może stworzyć zduplikowaną pracę. Idempotencja, w której powtórzone równoważne żądania nie wywołują dodatkowego skutku biznesowego, staje się ważna, gdy działania można ponawiać.

Jest to implikacja inżynieryjna tej architektury, a nie dowód, że każde przykładowe narzędzie wdraża te zabezpieczenia. Zespoły adaptujące przykłady powinny sprawdzać faktyczne zachowanie każdego narzędzia. Dozwolone skutki uboczne są ważniejsze niż etykieta konwersacyjna.

Ta sama dyscyplina obowiązuje, gdy narzędzia zwracają informacje do modelu. Odpowiedź może zawierać niepełne rekordy, nieoczekiwany tekst lub komunikat o błędzie. Traktowanie każdej odpowiedzi jako wiarygodnego kontekstu może przekształcić problem dalszego etapu w błędną rekomendację.

Właściciele aplikacji powinni zdecydować, co agent widzi, gdy narzędzie zawodzi. Jasny wynik błędu daje modelowi możliwość wyjaśnienia niepewności. Pusty wynik przypominający sukces może zachęcać do odpowiedzi bez potwierdzenia.

Interfejs potrzebuje również uczciwego opisu ukończenia działania. Model generujący płynną odpowiedź nie dowodzi, że żądana operacja się powiodła. Sukces powinien zależeć od dowodów z systemu odpowiedzialnego za tę operację.

W tym miejscu przydatne stają się znane wzorce aplikacyjne tej architektury. Istniejące granice usług mogą egzekwować uprawnienia, walidować rekordy i rejestrować wyniki. Model może działać w obrębie tych granic, nie stając się ich autorytetem.

Najsilniejsza implementacja zachowuje ten podział nawet wtedy, gdy rozmowa staje się skomplikowana. Dodawanie narzędzi powinno rozszerzać użyteczne możliwości, przy jednoczesnym zachowaniu możliwości kontroli i ograniczenia decyzji wykonawczych.

Pamięć i routing wieloagentowy poszerzają zakres kontroli

Dodatkowy kontekst i role specjalistyczne tworzą więcej zachowań wymagających walidacji, zamiast automatycznie zwiększać poprawność.

Pamięć konwersacji zachowuje informacje na potrzeby późniejszych interakcji. Może to czynić asystenta użytecznym w trakcie kontynuowanego zadania, lecz zachowany kontekst rodzi pytania o własność, dokładność i usuwanie danych.

Zapamiętana preferencja nie powinna po cichu stawać się trwałym uprawnieniem. Pracownik może zmienić miejsce docelowe, wycofać prośbę lub skorygować wcześniejsze stwierdzenie. Aplikacja potrzebuje mechanizmu rozstrzygania takich zmian bez traktowania każdej historycznej wiadomości jako równie aktualnej.

Pamięć wymaga też jasnej relacji z zapisami przechowywanymi gdzie indziej. Konwersacja może opisywać zatwierdzenie, podczas gdy system biznesowy nie odnotowuje żadnego zatwierdzenia. System odpowiedzialny za transakcję powinien pozostać źródłem autorytatywnym.

To rozróżnienie ma szczególne znaczenie w przypadku tożsamości. Wytyczne AWS dotyczące bezpieczeństwa środowiska wykonawczego wskazują, że backendy muszą wymuszać mapowania między użytkownikami a sesjami. Izolacja środowiska wykonawczego nie potwierdza, że podany identyfikator sesji należy do użytkownika składającego żądanie.

Izolacja oznacza rozdzielanie środowisk wykonawczych. Autoryzacja oznacza decydowanie, kto może uzyskać dostęp do zasobu. Mylenie tych pojęć pozostawia lukę między ochroną infrastruktury a dostępem na poziomie aplikacji.

Hipotetyczny asystent wsparcia dobrze ilustruje ten problem. Środowisko wykonawcze może pozostać odizolowane, podczas gdy aplikacja wczytuje konwersację niewłaściwego klienta. Ochrona środowiska nie koryguje błędnej decyzji o tym, którą historię pobrać.

Routing do specjalistów wprowadza kolejny rodzaj granicy. Router wybiera ścieżkę przetwarzania, która otrzymuje żądanie. Specjalista obsługuje następnie węższe zadanie. Taki układ może wyraźniej rozdzielać odpowiedzialności, ale początkowy wybór routingu staje się kolejną decyzją wymagającą walidacji.

Rozważmy dokument łączący umowę z załącznikami finansowymi. Etykieta sugerująca treści prawne nie potwierdza, że każde istotne pytanie ma charakter prawny. Aplikacja potrzebuje polityki dotyczącej niejednoznaczności, materiałów mieszanych i żądań, których nie obsługuje.

Ewaluator wprowadza kolejne rozróżnienie. Ewaluator oparty na regułach sprawdza wyniki względem skonfigurowanych warunków. Ewaluator oparty na modelu generuje ocenę. Oba mogą być użyteczne, lecz różnią się trybami awarii i wartością dowodową.

Reguła może konsekwentnie wykrywać brakujące pole, lecz nie potwierdzi, czy wypełnione pole jest dokładne. Recenzent oparty na modelu może wykrywać niespójności, jednocześnie dzieląc założenia z pierwotnym modelem. Sama zgodność nie powinna stawać się dowodem.

Istotne porównanie branżowe ma charakter architektoniczny. Wzorce projektowe agentów Anthropic rozróżniają zdefiniowane wcześniej przepływy pracy od agentów, którzy dynamicznie kierują własnymi procesami. Wytyczne firmy preferują proste, kompozycyjne podejścia i dodawanie złożoności wtedy, gdy wymaga tego zadanie.

Ta perspektywa stanowi użyteczną przeciwwagę dla traktowania wielu agentów jako nieuniknionego celu. Przewidywalna ścieżka przetwarzania może być łatwiejsza do sprawdzenia niż system wybierający własną sekwencję. Dynamiczne zachowanie wymaga uzasadnienia specyficznego dla obciążenia.

Dla zespołów Java decyzja powinna wynikać z niepewności zadania. Jeśli znana sekwencja niezawodnie obsługuje pracę, dodatkowa koordynacja musi przynosić mierzalne korzyści. Same etykiety specjalistów nie zapewniają takich korzyści.

Przetwarzanie równoległe zasługuje na równie dokładną analizę. Niezależne działania mogą być wykonywane równocześnie, ale działania zależne nadal wymagają kolejności. Łączenie wyników wymaga również zasad dotyczących rozbieżności, brakujących rezultatów i częściowych awarii.

Praktyczne pytanie brzmi, czy dodatkowa koordynacja poprawia akceptowane wyniki po uwzględnieniu przeglądu i odzyskiwania sprawności. Pytanie to pozostaje istotne niezależnie od użytego frameworka lub usługi chmurowej.

Odporność utrzymuje dostępność usług, nie poprawność decyzji

Mechanizmy odzyskiwania sprawności reagują na awarie operacyjne, podczas gdy jakość wyników wymaga odrębnych dowodów.

Ponowienie próby powtarza operację po awarii. Wyłącznik obwodu tymczasowo zatrzymuje wywołania do zawodnej zależności. Limit czasu ogranicza, jak długo operacja czeka. Mechanizmy te pomagają kontrolować zachowanie usługi, ale żaden z nich nie określa, czy odpowiedź jest poprawna.

Aplikacja może szybko odpowiedzieć nieprawidłową rekomendacją. Może też poprawnie zakończyć działanie z błędem, pozostawiając operację biznesową częściowo ukończoną. Zdrowie infrastruktury i ukończenie zadania wymagają zatem odrębnych definicji.

Dla hipotetycznego asystenta dokumentów pomyślne ukończenie może wymagać dokładnego wyodrębnienia informacji, właściwej decyzji routingowej i zarejestrowanej dyspozycji. Otrzymanie poprawnej składniowo odpowiedzi potwierdza jedynie część tego łańcucha.

Ustrukturyzowane dane wyjściowe, które umieszczają wygenerowane informacje w zdefiniowanym wcześniej formacie, pomagają kodowi aplikacji wykorzystywać wyniki. Nie potwierdzają jednak, że informacje odpowiadają źródłu. Poprawnie sformatowana data może nadal być niewłaściwą datą.

Pewność wymaga podobnej ostrożności. Wynik punktowy towarzyszący rezultatowi staje się użyteczny dopiero wtedy, gdy zespoły rozumieją, co przewiduje w ich własnym obciążeniu. Wysoki wynik nie powinien automatycznie przeważać nad brakiem dowodów lub wyraźnym ograniczeniem biznesowym.

Przegląd przez człowieka również potrzebuje operacyjnej treści. Oznaczenie wyniku różni się od przekazania go osobie odpowiedzialnej, która może go ocenić. Proces przeglądu wymaga właściciela, istotnych dowodów, dyspozycji oraz jasnego wpływu na kolejne działania.

Alert, którego nikt nie otrzymuje, nie może zapewnić znaczącego nadzoru. Otrzymany alert także nie wystarcza, gdy recenzent nie widzi materiału źródłowego ani nie może skorygować wyniku. Zespoły muszą sprawdzać kompletne przekazanie sprawy.

Kontrole treści dotyczą innej części problemu. Bedrock Guardrails obsługuje konfigurowalne filtrowanie danych wejściowych i odpowiedzi modelu, w tym niepożądanych treści i informacji wrażliwych. Kontrole te należy oceniać względem zastosowania aplikacji, a nie uznawać za skuteczne wyłącznie z powodu ich obecności.

Filtrowanie treści i autoryzacja transakcji pozostają odmiennymi odpowiedzialnościami. Uprzejma, zwyczajna prośba może nadal dążyć do uzyskania dostępu do danych innej osoby. Odpowiedź może spełniać zasady dotyczące treści, jednocześnie opisując działanie biznesowe, którego użytkownik nie ma prawa autoryzować.

Architektura wymaga zatem dowodów na kilku granicach. Zespoły muszą wiedzieć, czego zażądał użytkownik, co zaproponował model, na co pozwoliła aplikacja oraz co ukończył system zewnętrzny.

Obserwowalność oznacza zbieranie sygnałów pomagających wyjaśniać zachowanie systemu. Użyteczne sygnały wspierają badanie problemów, lecz samo ich zbieranie nie tworzy decyzji o wydaniu. Ktoś nadal musi zdefiniować, które wyniki uzasadniają wdrożenie.

Ewaluacja oznacza testowanie zachowania względem jawnych kryteriów przy użyciu reprezentatywnych zadań. W przypadku agenta przedsiębiorstwa powinno to obejmować zwykłe żądania, niejednoznaczne dane wejściowe, niedostępne zależności, nieautoryzowane żądania i korekty wcześniejszego kontekstu.

Celem jest ujawnienie awarii, zanim użytkownicy zaczną zależeć od usługi. Demonstracja zoptymalizowana wokół udanych interakcji nie może odpowiedzieć na te same pytania. Nie może tego zrobić również pulpit pokazujący liczbę żądań bez wskazania, czy praca była akceptowalna.

Prywatność także należy do tej oceny. Rejestrowanie pełnych konwersacji i wyników narzędzi może tworzyć odrębny zbiór informacji wrażliwych. Zespoły powinny zdecydować, jakich dowodów potrzebują oraz jak będzie działać dostęp i retencja danych.

W przypadku agentów Amazon Bedrock granica wydania powinna odpowiadać obsługiwanemu zadaniu. Wewnętrzny asystent badawczy i aplikacja zmieniająca zapisy finansowe uzasadniają odmienne kryteria akceptacji. Współdzielenie frameworka nie sprawia, że ich ryzyka operacyjne są wymienne.

Takie jest tutaj praktyczne znaczenie gotowości produkcyjnej: zdefiniowane zachowanie, wymuszane granice, mierzalne wyniki i wykonalne odzyskiwanie sprawności dla konkretnej oferowanej usługi.

Co obserwować przed rozszerzeniem autonomii

Kolejne użyteczne dowody połączą architekturę z powtarzalnymi wynikami biznesowymi w realistycznych warunkach operacyjnych.

Pierwszym sygnałem, który należy obserwować w nadchodzących miesiącach, są dowody ewaluacyjne specyficzne dla obciążenia. Zespoły powinny szukać udokumentowanych zadań, jasnych kryteriów akceptacji i wyników powiązanych z identyfikowalnymi wersjami aplikacji.

Najbardziej informatywne dowody obejmowałyby przypadki niepowodzeń i wynikające z nich korekty. Wzmocniłoby to pewność, że programiści rozumieją ograniczenia systemu. Szersza lista funkcji bez dowodów dotyczących wyników pozostawiłaby nierozwiązaną kluczową niepewność.

Ewaluacja powinna także odróżniać udaną automatyzację od pracy ukończonej dzięki interwencji człowieka. Przegląd może być właściwym wyborem projektowym. Ukrywanie jego wkładu utrudnia jednak ocenę autonomicznego działania.

Drugim sygnałem jest kompletna, przetestowana granica tożsamości. Użyteczne dowody implementacyjne łączyłyby uwierzytelnionych użytkowników z dozwolonymi sesjami, dostępem do pamięci i wykonywaniem narzędzi.

Test negatywny jest tu równie ważny jak udana konwersacja. Wykazanie, że użytkownik nie może pobrać historii innego użytkownika, wzmocniłoby argument za wdrożeniem. Poleganie na wartościach tożsamości dostarczonych przez klienta osłabiłoby go.

Taką samą analizę należy zastosować do uprawnień narzędzi. Asystent o wąsko określonym zakresie zapewnia jaśniejsze twierdzenie operacyjne niż asystent z szerokim dostępem i niejasnymi zabezpieczeniami. Rozszerzanie powinno następować po uzyskaniu dowodów, że węższa usługa działa zgodnie z zamierzeniem.

Trzecim sygnałem jest wykazane odzyskiwanie sprawności po częściowej awarii. Zespoły powinny szukać kontrolowanego zachowania, gdy zależność zawiedzie po rozpoczęciu działania, odpowiedź zostanie przerwana lub konieczny stanie się przegląd.

Użyteczne dowody pokażą, czy operacje są powtarzane, jak identyfikuje się nieukończoną pracę i kto może ją rozwiązać. Pomyślne odzyskanie sprawności wzmocniłoby pewność co do projektu operacyjnego. Sama wiadomość awaryjna pozostawiłaby niepewność co do ukończenia.

Sygnały te nie wymagają, by każdy agent stał się autonomicznym pracownikiem ogólnego przeznaczenia. Aplikacja o ograniczonym zakresie może dostarczać użyteczne wyniki, zachowując wyraźne punkty zatwierdzania. Istotną miarą jest to, czy wykonuje obsługiwaną pracę w granicach deklarowanych uprawnień.

AWS zapewnił zespołom Java konkretną architekturę do zbadania. Jej długoterminowe znaczenie będzie zależeć od tego, co zespoły będą mogły zweryfikować po jej dostosowaniu. Znane wzorce programistyczne ułatwiają organizację wdrożenia; dowody dotyczące zachowania ułatwiają jego uzasadnienie.

Przed przyjęciem rozwiązania referencyjnego wybierz ograniczone zadanie i zapisz, co oznacza jego pomyślne ukończenie. Określ zapisy, które agent może odczytywać, operacje, o które może wnioskować, oraz decyzje wymagające zatwierdzenia. Następnie oceń implementację względem reprezentatywnej pracy, w tym przypadków awarii i odmowy dostępu. Zachowaj te ustalenia wraz z decyzjami projektowymi aplikacji, aby przyszłe zmiany miały jasny punkt odniesienia. Rozszerzaj zakres tylko wtedy, gdy dowody wspierają kolejne uprawnienie lub przepływ pracy. W przypadku agentów Amazon Bedrock użyteczne pytanie początkowe jest konkretne: które zadanie wasz zespół może zweryfikować od pierwszego żądania aż po końcowy wynik biznesowy, włącznie z momentami, w których agent musi się zatrzymać?

 
 

Zacznij bezpłatnie

Asystent AI działający przede wszystkim lokalnie, z funkcją zarządzania wiedzą osobistą

Aby zapewnić lepsze działanie AI,

remio obsługuje obecnie wyłącznie Windows 10+ (x64) i M-Chip Macs.

Twój partner AI w pracy
Zrób więcej z remio

Planuj. Twórz. Dostarczaj.
Wszystko w jednym miejscu.

bottom of page