使用LangGraph和Strands在AgentCore上构建市场监控智能体

随着人工智能应用从简单聊天机器人演变为复杂的自主系统，组织在编排可处理真实生产场景的多智能体工作流方面面临新的挑战。传统单智能体方法难以应对需要专业专长、动态决策和强大错误恢复机制的复杂业务流程。金融服务行业是典型例子：市场监控系统必须协调多个专业智能体来分析交易模式、调查可疑活动并生成全面报告，同时保持严格的合规和可靠性标准。

该解决方案结合了两大框架：LangGraph用于宏观工作流编排，Strands用于智能推理。LangGraph擅长管理多智能体协调中的状态和有向图，提供对工作流执行和智能体间共享状态的精细控制。其中心化持久层支持生产级关键特性，包括人机交互和基于检查点的故障恢复。Strands智能体作为单个工作流节点内的推理引擎，提供模型无关能力，可集成多种大语言模型（LLM）提供商，同时保持灵活的工具集成和全面的可观测性。

Amazon Bedrock AgentCore的发布简化了智能体解决方案的生产化过程。该组合为生产级智能体AI系统提供了坚实基础，可处理复杂用例，同时提供企业应用所需的基础设施可靠性和可观测性。

文章演示了如何在AWS基础设施上使用LangGraph和Strands构建和部署多智能体AI系统。读者将学习如何实现基于状态的工作流编排（利用LangGraph的检查点系统）、集成Strands进行专用推理任务，以及使用AgentCore进行可扩展生产部署。完整解决方案可在GitHub上获取。

Strands智能体基于模型无关架构运行，适应现有基础设施而不强加架构约束。其实现了一个智能推理循环，持续评估工具输出并根据中间结果做出决策，从而构建复杂的多步骤分析工作流。框架包含全面的会话和状态管理以及多种对话管理器，防止上下文窗口溢出。

在市场监控智能体中，为了减少幻觉并加强防注入攻击，数据发现与检索被分离。使用了get_report_list、get_report_schema和run_report等工具：run_report通过验证参数构建参数化SQL查询，避免LLM直接编写SQL。安全监控智能体配置了系统提示和这些工具，代码示例展示了如何定义和集成这些工具。

编排器使用状态图定义工作流：从“分发”节点开始，根据所需智能体列表索引进行动态路由，依次调用安全监控、交易分析等节点，最后使用“报告编写”节点生成最终报告。每个节点从共享状态获取任务并返回结果更新。LangGraph的检查点系统确保在失败时可以从最后保存状态恢复。

部署方面，Amazon Bedrock AgentCore提供完全托管服务，可将本地智能体代码转化为云原生部署。通过AgentCore Python SDK和启动工具包部署LangGraph编排器和Strands智能体，运行时自动处理容器化、网络和计算资源。代码示例展示了定义入口点、配置运行时和调用已部署智能体的过程。

内存集成通过langgraph-checkpoint-aws包实现：AgentCoreMemorySaver类处理检查点对象，包含用户消息、AI响应、图执行状态和元数据。每次节点完成后，LangGraph自动将检查点保存到AgentCore内存，实现有状态对话和工作流恢复。AgentCoreMemoryStore提供智能内存能力，自动从对话中提取见解、摘要和用户偏好，智能体可在后续交互中搜索这些记忆，实现个性化体验。

可观测性方面，AgentCore内置与Amazon CloudWatch和AWS X-Ray的集成，捕获日志和追踪，便于监控和调试。