Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Cara kerja Amazon Bedrock Agents
catatan
Amazon Bedrock Agents (sekarang Amazon Bedrock Agents Classic) tidak lagi terbuka untuk pelanggan baru. Untuk kemampuan yang mirip dengan Bedrock Agents Classic, jelajahi Amazon Bed AgentCore rock. Pelanggan yang sudah ada dapat terus menggunakan layanan ini seperti biasa. Untuk informasi selengkapnya, lihat Mode perawatan klasik Amazon Bedrock Agents.
Amazon Bedrock Agents terdiri dari dua set operasi API utama berikut untuk membantu Anda menyiapkan dan menjalankan agen:
-
Build-time Operasi API untuk membuat, mengkonfigurasi, dan mengelola agen Anda dan sumber daya terkaitnya
-
Operasi Runtime API untuk memanggil agen Anda dengan input pengguna dan untuk memulai orkestrasi untuk melaksanakan tugas
Build-time konfigurasi
Agen terdiri dari komponen-komponen berikut:
-
Model dasar — Anda memilih model dasar (FM) yang dipanggil agen untuk menafsirkan input pengguna dan petunjuk berikutnya dalam proses orkestrasinya. Agen juga memanggil FM untuk menghasilkan tanggapan dan langkah-langkah tindak lanjut dalam prosesnya.
-
Instruk si — Anda menulis instruksi yang menjelaskan apa yang dirancang untuk dilakukan agen. Dengan petunjuk lanjutan, Anda dapat menyesuaikan instruksi lebih lanjut untuk agen di setiap langkah orkestrasi dan menyertakan fungsi Lambda untuk mengurai output setiap langkah.
-
Setidaknya salah satu dari berikut ini:
-
Grup tindakan — Anda menentukan tindakan yang harus dilakukan agen untuk pengguna (melalui penyediaan sumber daya berikut):
-
Salah satu skema berikut untuk menentukan parameter yang perlu diperoleh agen dari pengguna (setiap grup tindakan dapat menggunakan skema yang berbeda):
-
OpenAPISkema untuk menentukan operasi API yang dapat dipanggil agen untuk melakukan tugasnya. S OpenAPI kema mencakup parameter yang perlu ditimbulkan dari pengguna.
-
Skema detail fungsi untuk menentukan parameter yang dapat diperoleh agen dari pengguna. Parameter ini kemudian dapat digunakan untuk orkestrasi lebih lanjut oleh agen, atau Anda dapat mengatur cara menggunakannya dalam aplikasi Anda sendiri.
-
-
(Opsional) Fungsi Lambda dengan input dan output berikut:
-
Input — and/or Parameter operasi API yang diidentifikasi selama orkestrasi.
-
Output — Respons dari pemanggilan API atau respons dari pemanggilan fungsi.
-
-
-
Basis pengetahuan — Mengaitkan basis pengetahuan dengan agen. Agen menanyakan basis pengetahuan untuk konteks tambahan untuk menambah pembuatan respons dan masukan ke dalam langkah-langkah proses orkestrasi.
-
-
Template prompt - Template prompt adalah dasar untuk membuat prompt yang akan diberikan kepada FM. Amazon Bedrock Agents mengekspos empat template prompt dasar default yang digunakan selama pra-pemrosesan, orkestrasi, pembuatan respons basis pengetahuan, dan pasca-pemrosesan. Secara opsional, Anda dapat mengedit template prompt dasar ini untuk menyesuaikan perilaku agen Anda pada setiap langkah urutannya. Anda juga dapat mematikan langkah-langkah untuk tujuan pemecahan masalah atau jika Anda memutuskan bahwa langkah tersebut tidak diperlukan. Untuk informasi selengkapnya, lihat Tingkatkan akurasi agen menggunakan templat prompt lanjutan di Amazon Bedrock.
Pada waktu pembuatan, semua komponen ini dikumpulkan untuk membangun prompt dasar bagi agen untuk melakukan orkestrasi sampai permintaan pengguna selesai. Dengan petunjuk lanjutan, Anda dapat memodifikasi prompt dasar ini dengan logika tambahan dan beberapa contoh untuk meningkatkan akurasi untuk setiap langkah pemanggilan agen. Template prompt dasar berisi instruksi, deskripsi tindakan, deskripsi basis pengetahuan, dan riwayat percakapan, yang semuanya dapat Anda sesuaikan untuk memodifikasi agen agar memenuhi kebutuhan Anda. Anda kemudian menyiapkan agen Anda, yang mengemas semua komponen agen, termasuk konfigurasi keamanan. Mempersiapkan agen membawanya ke keadaan di mana ia dapat diuji dalam runtime. Gambar berikut menunjukkan bagaimana operasi API build-time membangun agen Anda.
Grup tindakan terdiri dari OpenAPI skema dan fungsi Lambda untuk menentukan operasi API apa yang dapat dipanggil agen dan bagaimana agen harus menangani permintaan dan tanggapan. Agen mensintesis informasi dari template prompt dasar, instruksi yang diberikan kepadanya, dan kelompok tindakan terlampir dan basis pengetahuan untuk menghasilkan prompt dengan model yang digunakannya. Prompt ditambahkan ke penyimpanan prompt agen.
Proses runtime
Runtime dikelola oleh operasi InvokeAgent API. Operasi ini memulai urutan agen, yang terdiri dari tiga langkah utama berikut.
-
Pre-processing- Mengelola bagaimana agen mengontekstualisasikan dan mengkategorikan input pengguna dan dapat digunakan untuk memvalidasi input.
-
Orkestrasi — Menafsirkan input pengguna, memanggil grup tindakan dan kueri basis pengetahuan, dan mengembalikan output ke pengguna atau sebagai masukan untuk orkestrasi lanjutan. Orkestrasi terdiri dari langkah-langkah berikut:
-
Agen menafsirkan input dengan model dasar dan menghasilkan alasan yang menjabarkan logika untuk langkah selanjutnya yang harus diambil.
-
Agen memprediksi tindakan mana dalam grup tindakan yang harus dipanggil atau basis pengetahuan mana yang harus ditanyakan.
-
Jika agen memprediksi bahwa ia perlu memanggil tindakan, agen mengirimkan parameter, ditentukan dari prompt pengguna, ke fungsi Lambda yang dikonfigurasi untuk grup tindakan atau mengembalikan kontrol dengan mengirimkan parameter dalam respons. InvokeAgent Jika agen tidak memiliki informasi yang cukup untuk memanggil tindakan, agen mungkin melakukan salah satu tindakan berikut:
-
Kueri basis pengetahuan terkait (Pembuatan respons basis pengetahuan) untuk mengambil konteks tambahan dan meringkas data untuk menambah generasinya.
-
Minta ulang pengguna untuk mengumpulkan semua parameter yang diperlukan untuk tindakan tersebut.
-
-
Agen menghasilkan output, yang dikenal sebagai pengamatan, dari memanggil tindakan yang and/or merangkum hasil dari basis pengetahuan. Agen menggunakan pengamatan untuk menambah prompt dasar, yang kemudian ditafsirkan dengan model pondasi. Agen kemudian menentukan apakah perlu mengulangi proses orkestrasi.
-
Loop ini berlanjut sampai agen mengembalikan respons kepada pengguna atau sampai perlu meminta pengguna untuk informasi tambahan.
Selama orkestrasi, template prompt dasar ditambah dengan instruksi agen, grup tindakan, dan basis pengetahuan yang Anda tambahkan ke agen. Kemudian, prompt basis ditambah digunakan untuk memanggil FM. FM memprediksi langkah dan lintasan terbaik untuk memenuhi masukan pengguna. Pada setiap iterasi orkestrasi, FM memprediksi operasi API untuk dipanggil atau basis pengetahuan untuk kueri.
-
-
Post-processing— Agen memformat respons akhir untuk kembali ke pengguna. Langkah ini dimatikan secara default.
Saat Anda memanggil agen Anda, Anda dapat mengaktifkan pelacakan saat runtime. Dengan pelacakan, Anda dapat melacak alasan, tindakan, kueri, dan pengamatan agen pada setiap langkah urutan agen. Pelacakan mencakup prompt penuh yang dikirim ke model dasar pada setiap langkah dan output dari model dasar, respons API, dan kueri basis pengetahuan. Anda dapat menggunakan jejak untuk memahami alasan agen di setiap langkah. Untuk informasi selengkapnya, lihat Lacak proses penalaran langkah demi langkah agen menggunakan jejak.
Saat sesi pengguna dengan agen berlanjut melalui lebih banyak InvokeAgent permintaan, riwayat percakapan dipertahankan. Riwayat percakapan terus menambah template prompt dasar orkestrasi dengan konteks, membantu meningkatkan akurasi dan kinerja agen. Diagram berikut menunjukkan proses agen selama runtime:
Setelah menerima masukan pengguna, agen mengambil prompt tambahan dari penyimpanan prompt dan riwayat percakapan dari penyimpanan sesi. Jika langkah prapemrosesan diaktifkan, agen memanggil FM dengan prompt prapemrosesan untuk memvalidasi input pengguna. Pada langkah orkestrasi, agen memanggil FM dengan prompt orkestrasi dan mengurai respons. Kemudian menentukan kelompok tindakan dan menanyakan basis pengetahuan seperlunya dan menghasilkan pengamatan yang mungkin memicu prompt orkestrasi baru. Tahap orkestrasi berputar sampai pengamatan mengembalikan respons akhir kepada pengguna.
