跳到主要内容
AI News HubLIVE
站内改写5 分钟阅读

用 LangGraph 和 Amazon Bedrock AgentCore 网络搜索构建每日依赖监视器

文章摘要

本文介绍如何在 Amazon Bedrock AgentCore Web Search API 上构建一个 LangGraph 图,作为每日依赖监视器。它并行研究三个包生态系统,将日期窗口、黑名单和搜索预算等规则固定在代码中,并验证每条发现是否得到所引用来源的支持。

来源AWS Machine Learning Blog作者: Sundar Raghavan
用 LangGraph 和 Amazon Bedrock AgentCore 网络搜索构建每日依赖监视器
报告错误

纠错通道尚未开通,可先复制下方文章信息留存。

查看更正说明
直接读正文

AI 智能体处理的任务越来越依赖于当天发生的变化,例如安全公告、产品发布、价格和法规。模型的训练数据无法回答这些问题,因此智能体需要网页搜索。在生产环境中,团队还需要可引用的结果,并能控制哪些来源被采信。他们希望搜索查询留在自己的云环境中,因为查询本身可能泄露内部工作信息。

Amazon Bedrock AgentCore 中的 Web Search API 现已可用。它通过单次 API 调用为智能体和应用提供最新的网页结果,调用使用它们已有的 AWS 凭证签名。AWS 从 Amazon 运营的网页索引提供每次查询,不发送给第三方搜索引擎。每个结果包含页面标题、URL、发布日期以及与查询相关的摘要片段。请求可以包含或排除特定域名,并限制结果的发布日期范围。在 AWS Lambda、Amazon Elastic Container Service (Amazon ECS) 或 Amazon Bedrock AgentCore runtime 上,智能体使用其执行角色调用该 API,无需存储或轮换搜索 API 密钥。Web Search 也可通过 AgentCore Gateway 使用,在那里管理员来源策略覆盖每个智能体和 MCP 客户端。

对于 LangChain 开发者,LangChain AWS 集成中的 AgentCore 网络搜索工具现在调用 Web Search API。一次函数调用即可为智能体提供当前、可引用的搜索结果。该工具还可以持有模型无法更改的规则,例如日期窗口、来源黑名单和搜索预算。它返回结果作为数据,供你的代码检查。它适用于 LangChain 智能体、LangGraph 编排框架以及 Deep Agents——后者增加了子智能体、虚拟文件系统和上下文压缩。

本文中,你将为安全团队构建一个每日依赖监视器,作为基于 Web Search API 的 LangGraph 图。每天早上,监视器检查是否有任何新情况影响团队发布的开源包和容器基础镜像。它并行研究三个包生态系统,同时你的代码将日期窗口、黑名单和搜索预算置于模型控制之外。它对照引用来源检查每项发现,并记住已经报告过的内容。然后你在 AgentCore runtime 上运行监视器,并通过 AgentCore Gateway 将其提供给跨团队使用。在我们的测试中,三个分支在 36 秒内完成,而顺序执行需要 99 秒。

解决方案概述

模型决定搜索什么并撰写发现。所有必须遵守的规则——日期窗口、黑名单、搜索预算以及对每项发现的检查——都保留在代码中。图 1 显示了从 notebook 运行监视器时这些部分如何协同工作。编号步骤如下:

  1. 运行开始,图接收监视列表和监视窗口。
  2. fan_out 为每个生态系统(npm、PyPI 和容器基础镜像)启动一个研究分支。LangGraph 并行运行三个分支。
  3. 在每个分支内,智能体调用 Amazon Bedrock 中的 Anthropic Claude 模型。模型决定搜索什么,并在最后生成结构化发现。
  4. 分支的搜索工具为每个查询添加日期窗口和黑名单。它使用 AWS Signature Version 4 (SigV4) 签名的请求调用 Web Search API。步骤 3 和 4 重复,每个分支最多四次搜索,所有分支同时进行。
  5. 每个分支仅保留其来源支持且落在窗口内的发现。当所有三个分支完成后,LangGraph 合并它们的发现并运行一次 keep_new。
  6. keep_new 检查 LangGraph store 并记录新发现,确保不会重复报告。
  7. report 为安全团队构建新发现的引用表格。

先决条件

开始之前,你需要:

  • 一个 AWS 账户,在提供 Web Search API 的 AWS 区域中工作。示例使用美国东部(弗吉尼亚北部)区域 (us-east-1)。
  • Python 3.10 或更高版本。
  • 运行 notebook 的身份的 AWS 凭证,来自环境变量或 AWS CLI 配置文件。该身份需要步骤 1 中的 IAM 权限以及访问 Amazon Bedrock 中 Anthropic Claude 模型的权限。
  • 以下 Python 包:boto3 1.43.127 或更高版本、AgentCore Python SDK (bedrock-agentcore) 1.26.0 或更高版本,以及 langchain-aws 1.9.3 或更高版本。使用 pip 命令安装。

Web Search 和模型调用按使用量计费。一次监视运行最多进行 12 次搜索。完整代码在 notebook 中。

步骤 1:授予权限

首先,为你运行的身份授予搜索权限。Web Search API 需要对 AWS 拥有的一个资源执行一个 IAM 操作,因此该语句在每个账户中相同。这使用与网关服务角色进行网页搜索相同的权限:

{
"Effect": "Allow",
"Action": "bedrock-agentcore:InvokeWebSearch",
"Resource": "arn:aws:bedrock-agentcore:us-east-1:aws:tool/web-search.v1"
}

步骤 2:构建具有固定规则的搜索工具

现在构建每个研究分支使用的搜索工具。监视器不能让模型选择日期窗口、可信来源或搜索次数。图还需要将返回的来源作为数据,以便之后检查发现。langchain-aws 包中的网页搜索工具包通过其选项涵盖所有这些:

toolkit, tools = create_web_search_toolkit(
region="us-east-1",
exclude_domains=BLOCKLIST,
published_after=window_start.strftime("%Y-%m-%dT%H:%M:%SZ"),
model_filters=False,
max_searches=4,
return_sources=True,
)

没有 gateway 参数时,工具调用 Web Search API。每次搜索都携带黑名单和日期下限,模型自己的参数只能缩小它们。使用 model_filters=False 时,模型只看到查询参数。工具在四次搜索后停止,并两次返回结果:作为文本给模型,作为工件给图。每个分支创建自己的工具包,因此分支并行搜索。你可以将相同的工具提供给 Deep Agents 子智能体。

步骤 3:定义发现模式

有了搜索工具后,定义每个分支返回的内容。每个分支是一个 create_agent 智能体,使用 Pydantic 模式作为响应格式,因此它返回发现而不是散文。发现包含包名、一行标题以及来源提供的 CVE 或公告 ID(如果有)。它还包含来源声明的严重性、来源是否称其被利用、建议操作以及来源 URL。notebook 中有完整的模式和提示。

步骤 4:构建图及其证据检查

现在组装图。fan_out 使用 LangGraph 中的 Send API 为每个生态系统发送一个分支,因此分支并行运行。在分支返回之前,代码对每项发现运行四项检查。这些检查将发现与该分支自己的搜索返回的内容进行比较:

  • 引用的 URL 来自该分支的一次搜索。
  • 来源的标题或文本以整个单词提及包名。
  • 发现中的任何 CVE 或公告 ID 出现在该文本中。
  • 来源的发布日期落在监视窗口内。工件携带每个已解析的日期,缺失日期视为在窗口外。

所有分支完成后,keep_new 将幸存的发现与 LangGraph store 比较,report 构建表格。这些检查可以捕捉不支持的 URL、未提及包的来源、虚构的 ID 和窗口外的来源。它们不确认严重性、利用状态、受影响版本或建议操作。它们也不能证明问题首次披露的时间:索引本周标注的页面可能描述较早的事件。对于生产安全 workflow,请对照权威漏洞源验证发现。在任何人采取行动之前,应有人审查发现。

步骤 5:运行监视器

准备以 7 天窗口运行监视器。在我们的运行中,三个分支进行了 12 次搜索,获得 80 个来源。它们以 36 秒的墙钟时间完成,而分支相加为 99 秒。证据检查丢弃了两项发现:一项来源未提及包名,另一项 CVE ID 未出现在来源中。没有来源来自被阻止的域名。四项发现通过了检查,keep_new 报告了其中两项。之前的测试运行已报告另外两项,因此存储将其保留。图 2 显示了 LangGraph Studio 中的运行。报告的每一行都链接到其来源,这是 Web Search 可接受使用条款对任何向用户展示的输出所要求的。

步骤 6:再次运行监视器以仅查看新发现

最后,再次运行监视器以查看存储的作用。计划监视器每天运行,团队不应两次看到相同的公告。在我们的第二次运行中,分支再次搜索并保留了两项发现,而存储之前已报告过两者。因此报告没有新内容,如图 3 所示。对于计划任务,将 InMemoryStore 替换为具有精确键查找的持久存储,例如 langgraph-checkpoint-aws 中的 DynamoDBStore。

将网页搜索添加到现有 LangChain 或 Deep Agents 应用

如果你已有 LangChain 智能体,添加网页搜索需要几处更改。部署前检查这些:

  • 权限:将步骤 1 的语句添加到你的应用已使用的身份或执行角色。无需创建其他内容。
  • 区域:工具包的区域必须提供 Web Search API,并且可以与模型或应用其余部分的区域不同。
  • 工具名称:工具命名为 web_search。如果你的智能体已有同名工具(例如其他搜索提供商),请在添加前为工具设置不同的名称。
  • 规则和预算:每个工具包携带自己的过滤器和搜索预算。为需要单独规则或自己预算的每个智能体或分支创建一个工具包。
  • 吞吐量:账户中的所有智能体共享其 Web Search 配额,因此并行分支会累加。默认情况下,账户在每个区域每秒可发送 10 个请求。

使用 Deep Agents 时,你通过 create_deep_agent 定义智能体:模型、工具、系统提示和子智能体。将工具包的工具传递到子智能体的工具列表中。将规则设置为工具包选项,因为工具在每次搜索时应用它们,无论模型要求什么。要像步骤 4 那样对照来源检查发现,请在智能体的输出上运行该检查或将其添加为中间件。在我们的测试中,Deep Agents 协调器委托给具有这些工具的研究子智能体,并在一分钟内返回了引用答案。

投入生产:在 AgentCore runtime 上运行

当你准备每天运行监视器而不使用 notebook 时,将其托管在 AgentCore runtime 上。Runtime 运行使用任何框架构建的智能体,包括 LangGraph,无需重写。它提供…(原文截断)

展开要点与分析

文章情报

工程师进阶

要点

  • 使用 LangChain 的 create_web_search_toolkit 调用 AgentCore Web Search API,将日期窗口、域名黑名单和搜索次数限制固化在工具配置中,模型无法更改。
  • 通过 LangGraph 的 Send API 并行运行 npm、PyPI 和容器基础镜像三个研究分支,显著缩短运行时间。
  • 每个分支在返回前执行四项证据检查,过滤掉来源不支持或超出时间窗口的发现;keep_new 节点利用 LangGraph store 去重,确保同一问题不会重复报告。
  • 该方案可部署在 AgentCore runtime 上每日运行,并通过 AgentCore Gateway 在团队间共享,同时需注意搜索配额和 IAM 权限配置。

要点与分析由自动化流程生成,可能有误,请结合原始来源核实。