使用Amazon Bedrock AgentCore構建企業支援AI代理
AWS生成式AI創新中心與Works Human Intelligence合作，利用Amazon Bedrock AgentCore構建了兩個AI代理，分別用於通勤津貼審批和瀏覽器操作，實現了高達97%的成本降低並提升了運營效率。
文章情報
要點
- AI代理自動化HR例行任務，如通勤津貼審批和瀏覽器操作。
- 透過遷移至AgentCore和Strand Agents架構，成本降低97%。
- 採用提示快取、模型最佳化和子代理改進減少令牌消耗。
- 瀏覽器操作代理靈活處理複雜任務，支援連續更改和人工詢問。
為什麼重要
這條新聞值得關注，因為AI代理自動化HR例行任務，如通勤津貼審批和瀏覽器操作。
技術影響
可能影響模型選型、推理成本、產品能力和評測基準。
在當今企業環境中，自動化HR例行任務是提升效率的關鍵。Works Human Intelligence（WHI）是一家為日本大型企業和公益機構提供整合HR系統“COMPANY”的公司。透過與AWS生成式AI創新中心（GenAIIC）合作，WHI利用Amazon Bedrock AgentCore構建了兩個AI代理，顯著降低了成本並提高了運營效率。
通勤津貼代理
該代理自動化了通勤津貼申請的審批流程，這是一項在員工搬遷等事件中出現的常規任務。最初，WHI使用LangGraph、Amazon ECS和AWS Fargate進行概念驗證。然而，隨著Amazon Bedrock AgentCore的釋出，團隊考慮遷移。他們希望與GenAIIC合作，利用AgentCore構建整合“COMPANY”的AI代理，並實現多代理環境、認證和授權。
解決方案：將架構從單一ECS任務改為在AgentCore Runtime上單獨啟動子代理。使用DynamoDB和Cognito管理多租戶。Slack作為入口點，進行身份認證後由子代理處理請求。結果：雖然繼續使用LangGraph，但子代理執行在單獨的Runtime上，便於未來擴充套件。同時，切換到AgentCore Observability降低了運營成本。
瀏覽器操作代理
該代理透過瀏覽器訪問HR系統，檢查內容、執行操作並收集證據。最初使用LangGraph和Playwright MCP，並透過去除不必要的對話歷史、最佳化返回值、使用提示快取，實現了88%的令牌減少。但依賴專有實現，難以遷移到Strand Agents。
解決方案：使用Strand Agents構建代理。測試多種瀏覽器操作工具後，選擇fast playwright以最小化令牌消耗。工作流程：從知識庫搜尋操作模板→替換佔位符→操作瀏覽器檢查資訊→提出變更方案→使用者批准後執行變更。代理能靈活處理不完整指令或部分任務。架構：將AgentCore Runtime放在VPC內，透過NAT閘道器固定IP訪問COMPANY。使用S3儲存短期資訊。
結果：透過使用提示快取、最佳化系統提示和子代理提示、更換模型（從Claude Sonnet 4.5到Haiku 4.5），成本從$14.5降至$0.4，降幅達97%。代理能成功處理連續多項變更和指令模糊時向人類詢問的場景。
總結：透過合作，WHI將AI代理執行基礎設施遷移到AgentCore Runtime，利用託管服務簡化了日誌檢查。採用Strand Agents實現了最小實現下的靈活行為。未來計劃繼續評估模型並最佳化成本。如需體驗，請訪問Amazon Bedrock AgentCore入門指南或實踐實驗室。