AWS基岩工作坊-代理人工智能训练营
📌 关于训练营
训练营是由我们的AWS解决方案架构师和原型架构师实施的实践支持计划，通过在现场多客户课堂环境中免费共同开发和技术知识转移，加速客户代理人工智能用例。
slidies在文档中/
📅 议程
第1天 -基础和GenAI基础
| 主题 | 内容 |
|---|---|
| 欢迎 | 来自AWS AI/ML FR专家团队负责人Thierry Pierre的欢迎 |
| GenAI模型 | •AWS GenAI产品 |
•基岩型号 •模型选择标准 •模型评估| | GenAI模式 |•快速工程 •多模态 •抹布| | GenAI服务 |•基岩数据自动化 •亚马逊快速套件|
第2天 -代理人工智能架构与编排
| 主题 | 内容 |
|---|---|
| 构建代理人工智能系统 | •Agent AI系统的组件 |
| •MCP | |
| AI代理编排 | •Strands代理商 |
•状态和会议 •多代理解决方案 •模型评估以及如何接近代理的评估和可观察性| | 代理AI安全 |•GenAI代理系统的安全考虑|
第3天 -基岩试剂核心深潜与总结
| 主题 | 内容 |
|---|---|
| 基岩试剂芯 | •基岩试剂岩芯深潜 |
| •试剂评估和可观察性 | |
| AI编码工具和最佳实践 | •Kiro和规范驱动开发 |
| 下一步怎么办？ | •未来两周的预期 |
•认识你的私人助理 •确保账户设置 •致力于客户业务成果|
______________________________________________________________________
🚀 快速开始
先决条件
- Python 3.9或更高版本
- pip（Python包管理器）
- Git
1.️⃣ 创建虚拟环境
在macOS/Linux上
# Create the virtual environment
python3 -m venv venv
# Activate the virtual environment
source venv/bin/activate在Windows上
# Create the virtual environment
python -m venv venv
# Activate the virtual environment
venv\Scripts\activate2.️⃣ 安装依赖项
激活虚拟环境后，安装以下要求：
# Install main packages
pip install -r requirements.txt
# If you're working on AgentCore labs
cd agentcore
pip install -r requirements-agent.txt
cd ..3.️⃣ 验证安装
# Verify that everything is installed correctly
pip list4.️⃣ AWS配置
在开始之前，请确保您的AWS凭据已配置。您可以使用以下两种方法之一：
选项1：带 aws configure （标准）
aws configure您将需要：
- AWS访问密钥ID
- AWS秘密访问密钥
- 默认区域（例如us-east-1）
- 默认输出格式（json）
选项2：带 aws-vault （出于安全考虑建议）
aws保险库 是管理AWS凭据的安全工具。它将您的凭据存储在系统的安全密钥链中。
安装:
# macOS (with Homebrew)
brew install aws-vault
# Linux
curl https://github.com/99designs/aws-vault/releases/download/v7.2.0/aws-vault-linux-amd64 -o aws-vault
chmod +x aws-vault
sudo mv aws-vault /usr/local/bin
# Windows
choco install aws-vault配置:
# Add your credentials
aws-vault add default
# Verify configuration
aws-vault list用法:
# Execute an AWS command securely
aws-vault exec default -- aws s3 ls
# Or launch Jupyter with credentials
aws-vault exec default -- jupyter notebook______________________________________________________________________
📂 项目结构
aws-bedrock-workshop/
├── agentcore/ # AgentCore Labs (1-7)
│ ├── lab-01-create-an-agent.ipynb
│ ├── lab-02-agentcore-memory.ipynb
│ ├── lab-03-agentcore-gateway.ipynb
│ ├── lab-04-agentcore-runtime.ipynb
│ ├── lab-05-agentcore-evals.ipynb
│ ├── lab-06-frontend.ipynb
│ ├── lab-07-agentcore-policy.ipynb
│ ├── lab_helpers/ # Lab utilities
│ ├── prerequisite/ # CloudFormation infrastructure
│ └── scripts/ # Helper scripts
│
├── architecture_patterns/ # GenAI architecture patterns
│ └── 01_text_and_code_generation_w_bedrock.ipynb
│
├── bedrock_data_automation/ # Bedrock automation
│ ├── 01_standard_output_basic_to_advanced.ipynb
│ └── 02_custom_outputs_and_blueprints.ipynb
│
├── guardrails/ # Chatbot security
│ └── 01-secure_chatbots.ipynb
│
├── image_and_multimodal/ # Image and multimodal processing
│ ├── 01_nova-canvas-notebook.ipynb
│ ├── 02_nova-reel-notebook.ipynb
│ └── 03_bedrock-titan-multimodal-embeddings.ipynb
│
├── knowledgebases_and_rag/ # Knowledge Bases and RAG
│ ├── 01_create_ingest_documents_test_kb.ipynb
│ └── 02_managed-rag-kb-retrieve-generate-api.ipynb
│
├── speech_to_speech/ # Text-to-Speech and Speech-to-Text
│ ├── 00_introduction_nova_sonic_console.ipynb
│ ├── 01_core_functionality.ipynb
│ ├── 02_repeatable_patterns.ipynb
│ ├── python-server/
│ └── react-client/
│
├── strands_agents/ # Strands Agents Implementation Examples
│ ├── 01-first-agent/
│ ├── 02-connecting-with-aws-services/
│ ├── 03-using-mcp-tools/
│ ├── 04-agent-as-tool/
│ ├── 05-agent-workflows/
│ ├── 06-graph-agent/
│ └── 07-swarm-agent/
│
├── util/ # Utility modules and helpers
│ ├── __init__.py
│ ├── model_constants.py # Model configuration constants
│ ├── model_selector.py # Model selection utilities
│ ├── strands_retry.py # Retry logic for agent calls
│ └── tagging.py # AWS resource tagging utilities
│
├── cleanup/ # Cleanup scripts
│ └── 01_cleanup.ipynb
│
├── requirements.txt # Main dependencies
├── Agent.md # Agents comprehensive guide
└── README.md # This file______________________________________________________________________
📖 启动实验室
启动Jupyter笔记本
# Launch Jupyter Notebook
jupyter notebook
# Or launch Jupyter Lab (more modern)
jupyter lab然后导航到 agentcore/ 启动实验室的文件夹：
- 实验1：创建代理
- 实验2：代理核心内存
- 实验3：AgentCore网关
- 实验4：AgentCore运行时
- 实验5：代理核心评估
- 实验6：前端
- 实验7：代理商核心政策
有关代理的更多详细信息，请参阅 Agent.md.
______________________________________________________________________
🔧 有用的命令
# Deactivate the virtual environment
deactivate
# Update pip
pip install --upgrade pip
# Reinstall dependencies (if issue)
pip install --force-reinstall -r requirements.txt
# List all installed packages
pip list
# Create a file with current dependencies
pip freeze > requirements.txt______________________________________________________________________
⚠️ 重要提示：AWS资源管理和成本控制
此训练营将在您的帐户中创建AWS资源，包括：
- CloudFormation基础设施（堆栈）
- 基岩服务（代理、知识库等）
- S3存储
- DynamoDB表
- SageMaker端点
- 以及其他云资源
🔴 关键：训练营后的清理
这些资源会产生成本！ 你必须在实验结束后删除它们，以避免不必要的费用。
# Use the included cleanup script
cd cleanup
jupyter notebook 01_cleanup.ipynb
# Or run the cleanup script
python cleanup_tagged_resources.py清理检查表:
- ✅ 停止所有Jupyter笔记本
- ✅ 运行提供的清理脚本
- ✅ 必要时手动删除CloudFormation堆栈
- ✅ 在AWS控制台中验证是否已删除所有资源
- ✅ 请咨询
cleanup/更多详细信息
成本估算：成本因使用情况而异，但对于某些服务来说可能很高。小心！
______________________________________________________________________
📝 重要提示
- ✅ 这个训练营是 实践经验 -准备好编码！
- ✅ 实验室是 渐进式的 -从实验1开始
- ✅ 你需要一个 AWS帐户 有基岩通道
- ✅ 原型建筑师 将为您提供帮助
- ✅ 专注于 客户业务成果
- ⚠️ 在每个实验室结束后清理资源，以避免额外成本
______________________________________________________________________
🆘 支持
对于安装问题或技术问题：
- 检查每个文件夹中的特定README文件
- 查看AWS基岩文档：https://docs.aws.amazon.com/bedrock/
- 联系训练营的解决方案架构师或原型架构师
______________________________________________________________________
📚 其他资源
______________________________________________________________________
最后更新：2026年2月