使用Amazon Bedrock AgentCore构建企业支持AI代理
AWS生成式AI创新中心与Works Human Intelligence合作，利用Amazon Bedrock AgentCore构建了两个AI代理，分别用于通勤津贴审批和浏览器操作，实现了高达97%的成本降低并提升了运营效率。
文章情报
要点
- AI代理自动化HR例行任务，如通勤津贴审批和浏览器操作。
- 通过迁移至AgentCore和Strand Agents架构，成本降低97%。
- 采用提示缓存、模型优化和子代理改进减少令牌消耗。
- 浏览器操作代理灵活处理复杂任务，支持连续更改和人工询问。
为什么重要
这条新闻值得关注，因为AI代理自动化HR例行任务，如通勤津贴审批和浏览器操作。
技术影响
可能影响模型选型、推理成本、产品能力和评测基准。
在当今企业环境中，自动化HR例行任务是提升效率的关键。Works Human Intelligence（WHI）是一家为日本大型企业和公益机构提供集成HR系统“COMPANY”的公司。通过与AWS生成式AI创新中心（GenAIIC）合作，WHI利用Amazon Bedrock AgentCore构建了两个AI代理，显著降低了成本并提高了运营效率。
通勤津贴代理
该代理自动化了通勤津贴申请的审批流程，这是一项在员工搬迁等事件中出现的常规任务。最初，WHI使用LangGraph、Amazon ECS和AWS Fargate进行概念验证。然而，随着Amazon Bedrock AgentCore的发布，团队考虑迁移。他们希望与GenAIIC合作，利用AgentCore构建集成“COMPANY”的AI代理，并实现多代理环境、认证和授权。
解决方案：将架构从单一ECS任务改为在AgentCore Runtime上单独启动子代理。使用DynamoDB和Cognito管理多租户。Slack作为入口点，进行身份认证后由子代理处理请求。结果：虽然继续使用LangGraph，但子代理运行在单独的Runtime上，便于未来扩展。同时，切换到AgentCore Observability降低了运营成本。
浏览器操作代理
该代理通过浏览器访问HR系统，检查内容、执行操作并收集证据。最初使用LangGraph和Playwright MCP，并通过去除不必要的对话历史、优化返回值、使用提示缓存，实现了88%的令牌减少。但依赖专有实现，难以迁移到Strand Agents。
解决方案：使用Strand Agents构建代理。测试多种浏览器操作工具后，选择fast playwright以最小化令牌消耗。工作流程：从知识库搜索操作模板→替换占位符→操作浏览器检查信息→提出变更方案→用户批准后执行变更。代理能灵活处理不完整指令或部分任务。架构：将AgentCore Runtime放在VPC内，通过NAT网关固定IP访问COMPANY。使用S3存储短期信息。
结果：通过使用提示缓存、优化系统提示和子代理提示、更换模型（从Claude Sonnet 4.5到Haiku 4.5），成本从$14.5降至$0.4，降幅达97%。代理能成功处理连续多项变更和指令模糊时向人类询问的场景。
总结：通过合作，WHI将AI代理执行基础设施迁移到AgentCore Runtime，利用托管服务简化了日志检查。采用Strand Agents实现了最小实现下的灵活行为。未来计划继续评估模型并优化成本。如需体验，请访问Amazon Bedrock AgentCore入门指南或实践实验室。