AWS ML ★ 96 7 min

Build an AI-powered AWS support companion with Amazon Bedrock AgentCore

Advanced (300)Amazon BedrockAmazon Bedrock AgentCoreAmazon CloudWatchAWS LambdaTechnical How-to

🔗 https://aws.amazon.com/blogs/machine-learning/build-an-ai-powered-aws-support-companion-with-amazon-bedrock-agentcore/

使用 Amazon Bedrock AgentCore 建構 AI 驅動的 AWS 支援伴侶
作者：Jose Soto（AWS ML）
來源：https://aws.amazon.com/blogs/machine-learning/build-an-ai-powered-aws-support-companion-with-amazon-bedrock-agentcore/

TL;DR

  • 現行的 AWS 故障排除需要在主控臺、CloudWatch、檔案、社群貼文與開 case 之間切換，平均每起事件耗時 30–45 分鐘。
  • 本文示範如何使用 Amazon Bedrock AgentCore 搭配 Strands Agents、Model Context Protocol (MCP) 與 Amazon Nova Pro（透過 Amazon Bedrock） 建立一個單一對話介面的 AWS 支援伴侶。
  • 該伴侶能夠分析 CloudWatch 日誌、搜尋 AWS 檔案、查詢 AWS re:Post 社群知識並直接建立支援案件。
  • 解決方案透過 AWS CloudFormation 一鍵部署，隨附以 AWS Amplify 建置的網頁前端，讓開發與運維團隊能在同一介面內完成所有調查步驟。
  • AgentCore 負責執行階段的作業複雜度（工作階段隔離、自動擴充、安全性與可觀測性），讓開發者只需專注於代理的行為，而無需管理基礎設施。

為何需要 AI 驅動的 AWS 支援伴侶

在處理 AWS 基礎設施事件時，工程師通常需要：

  1. 開啟 AWS Management Console 檢視資源狀態。
  2. 檢視 Amazon CloudWatch 日誌尋找異常。
  3. 搜尋 AWS 官方檔案尋找相關操作說明。
  4. 瀏覽 AWS re:Post 社群尋找類似案例。
  5. 手動建立支援案件等待後續處理。

這些步驟分散在不同的介面與工具之間，導致每起事件在真正開始修復前就已耗費 30–45 分鐘，嚴重影響團隊的響應速度，且取得的資訊無法在各工具間自然流動。

解決方案概覽

本文介紹的 AWS 支援伴侶 利用以下元件將上述步驟整合為單一的對話式介面：

  • Amazon Bedrock AgentCore – 負責代理的執行階段，提供工作階段隔離、自動擴充、安全性與可觀測性，讓開發者只需專注於代理的行為。
  • Strands Agents – 作為協調框架的 Python 應用程式，以 Docker 容器形式打包並部署至 AgentCore 執行階段。
  • Model Context Protocol (MCP) – 三個 MCP 伺服器分別提供對 AWS 檔案、AWS re:Post 社群知識、支援案件建立以及 CloudWatch 日誌查詢的存取。
  • 基礎模型 (FM) – 透過 Amazon Bedrock 存取 Amazon Nova Pro，可依需求換成其他支援的模型而無需修改代理程式碼。
  • AWS CloudFormation – 一鍵部署所有後端資源。
  • AWS Amplify – 提供網頁前端，讓使用者透過網頁與代理進行互動。

架構元件說明

代理執行階段（Agent Runtime）

  • 以 Strands Agents 編寫的 Python 應用程式，打包成 Docker 容器。
  • 部署至 Amazon Bedrock AgentCore 執行階段，由 AgentCore 負責容器的生命週期、擴縮容、安全隔離與日誌收集。

基礎模型與工具協調

  • 代理透過 Strands Agents 呼叫 Amazon Nova Pro（經 Amazon Bedrock 取得），根據使用者的自然語言指令決定要呼叫哪些工具。
  • 透過 Model Context Protocol (MCP)，代理能夠存取三個後端服務：
    1. AWS 檔案伺服器 – 檢索官方操作手冊與最佳實踐。
    2. AWS re:Post 社群伺服器 – 搜尋社群討論與已知解決方案。
    3. 支援案件與 CloudWatch 伺服器 – 建立支援工單以及查詢最近的日誌與指標。

部署與前端

  • 全部後端資源（AgentCore 執行階段、MCP 伺服器、必要的 IAM 角色等）透過單一 AWS CloudFormation 指令碼完成佈署。
  • 前端採用 AWS Amplify 建置的單頁應用程式，提供簡易的聊天視窗，使用者只要輸入問題或描述症狀，代理即會自動 orchestrate 所需的工具與模型，回傳整合後的答案或直接建立支援案件。

運作流程（簡化說明）

  1. 使用者在網頁介面輸入：例如 “我的 EC2 Instance 在過去 10 分鐘內 CPU utilisation 持續超過 90%，請幫我診斷”。
  2. 代理接收輸後，透過 Strands Agents 決定需要哪些工具：
    • 呼叫 CloudWatch MCP 伺服器抓取相關指標與日誌。
    • 查詢 AWS 檔案 MCP 伺服器尋找高 CPU 可能原因與處理步驟。
    • 搜尋 re:Post MCP 伺服器尋找類似案例的社群解答。
  3. 取得資訊後，代理將結果送往 Amazon Nova Pro 進行摘要與建議生成。
  4. 根據摘要內容，代理可以：
    • 直接回覆可能的根本原因與修復步驟。
    • 在使用者確認後，透過支援案件 MCP 伺服器自動建立支援工單。
  5. 整個過程在同一個對話視窗內完成，免除切換多個主控臺與工具的需求。

解決方案的主要優勢

  • 減少上下文切換時間：所有調查步驟透過單一介面完成，可縮小原本 30–45 分鐘的準備階段。
  • 操作簡化：開發與運維團隊不需要學習多種工具，只需熟悉對話介面。
  • 作業複雜度由 AgentCore 負載：工作階段隔離、自動擴容、安全控制與觀測性皆由代理執行階段處理，開發者專注於代理的邏輯與工具整合。
  • 模型彈性：只要在 Amazon Bedrock 中有可用的模型，即可透過設定變更 FM，無需改動代理程式碼。
  • 快速部署：單一 CloudFormation 指令碼即可完成後端佈署，前端則由 Amplify 提供即時更新的網頁介面。

部署步驟概覽（僅概述）

  1. 下載隨文附帶的 CloudFormation 範本與 Amplify 前端原始碼。
  2. 透過 AWS CLI 或 Console 執行該 CloudFormation 堆疊，系統會自動建立：
    • AgentCore 執行階段（含 Docker 容器）
    • 三個 MCP 伺服器（檔案、re:Post、支援/CloudWatch）
    • 必要的 IAM 角色與政策
  3. 部署完成後，啟動 Amplify 應用程式，取得網頁網址。
  4. 在網頁介面中開始與代理對話，即可體驗完整的 AWS 支援流程進行問題診斷與案件建立。

完整部署指令碼與原始碼請參考原文連結：https://aws.amazon.com/blogs/machine-learning/build-an-ai-powered-aws-support-companion-with-amazon-bedrock-agentcore/

結論

透過將 Amazon Bedrock AgentCore、Strands Agents、Model Context Protocol 與 Amazon Nova Pro（經 Amazon Bedrock）結合，並以 AWS CloudFormation 與 AWS Amplify 完成一鍵部署，本文展示瞭如何將原本分散在多個主控臺與工具中的 AWS 故障排除流程，縮減為單一的對話式體驗。此做法不只減少了上下文切換所帶來的時間浪費，也讓團隊能將更多精力放在真正的問題解決上，而非工具切換與資訊搜尋的雜務上。

如需完整的程式碼與部署說明，請參考上述原始文章連結。祝您開發順利！

由 google/gemma-4-31b-it:free 自動生成

同來源相關文章