Agentic-AI se ha vuelto esencial para implementar aplicaciones de IA listas para producción, sin embargo, muchos desarrolladores luchan con la complejidad de configurar manualmente la infraestructura del agente en múltiples entornos. La infraestructura como código (IaC) facilita la infraestructura consistente, segura y escalable que requieren los sistemas autónomos de IA. Minimiza los errores de configuración manual a través de la gestión automatizada de recursos y plantillas declarativas, lo que reduce el tiempo de implementación de horas a minutos y, al mismo tiempo, facilita la coherencia de la infraestructura en todos los entornos para ayudar a prevenir el comportamiento impredecible de los agentes. Proporciona control de versiones y capacidades de reversión para una recuperación rápida de problemas, esenciales para mantener la disponibilidad del sistema agente, y permite el escalado automatizado y la optimización de recursos a través de plantillas parametrizadas que se adaptan desde el desarrollo liviano hasta implementaciones de nivel de producción. Para aplicaciones agentes que funcionan con una mínima intervención humana, la confiabilidad de IaC, la validación automatizada de los estándares de seguridad y la perfecta integración en los flujos de trabajo de DevOps son esenciales para operaciones autónomas sólidas.
Para optimizar la implementación y administración de recursos, los servicios de Amazon Bedrock AgentCore ahora cuentan con el respaldo de varios marcos de IaC, como AWS Cloud Development Kit (AWS CDK), Terraform y AWS CloudFormation Templates. Esta integración lleva el poder de IaC directamente a AgentCore para que los desarrolladores puedan aprovisionar, configurar y administrar su infraestructura de agentes de IA. En esta publicación, utilizamos plantillas de CloudFormation para crear una aplicación de un extremo a otro para un planificador de actividades meteorológicas. Se pueden encontrar ejemplos de uso de CDK y Terraform en la Biblioteca de muestras de GitHub.
Creación de un agente planificador de actividades basado en el clima
La muestra crea un planificador de actividades meteorológicas, lo que demuestra una aplicación práctica que procesa datos meteorológicos en tiempo real para proporcionar recomendaciones de actividades personalizadas basadas en una ubicación de interés. La aplicación consta de múltiples componentes integrados:
Recopilación de datos meteorológicos en tiempo real: la aplicación recupera las condiciones meteorológicas actuales de fuentes meteorológicas autorizadas como Weather.gov, recopilando puntos de datos esenciales que incluyen lecturas de temperatura, pronósticos de probabilidad de precipitación, mediciones de la velocidad del viento y otras condiciones atmosféricas relevantes que influyen en la idoneidad de las actividades al aire libre. Motor de análisis meteorológico: la aplicación procesa datos meteorológicos sin procesar a través de una lógica personalizada para evaluar la idoneidad de un día para una actividad al aire libre en función de múltiples factores climáticos: Puntuación de comodidad de temperatura: las actividades reciben puntuaciones de idoneidad reducidas cuando las temperaturas caen por debajo de los 50 °F Evaluación del riesgo de precipitación: las probabilidades de lluvia que superan el 30 % desencadenan ajustes en las recomendaciones de actividades al aire libre Evaluación del impacto de la condición del viento: las velocidades del viento superiores a 15 mph afectan las calificaciones generales de comodidad y seguridad para diversas actividades Sistema de recomendación personalizado: la aplicación procesa los resultados del análisis meteorológico con las preferencias del usuario y según la ubicación Concientización para generar sugerencias de actividades personalizadas.
El siguiente diagrama muestra este flujo.
Ahora veamos cómo se puede implementar esto utilizando los servicios de AgentCore:
AgentCore Browser: para la exploración automatizada de datos meteorológicos de fuentes como Weather.gov AgentCore Code Interpreter: para ejecutar código Python que procesa datos meteorológicos, realiza cálculos e implementa los algoritmos de puntuación. AgentCore Runtime: para alojar un agente que organiza el flujo de la aplicación, gestiona los canales de procesamiento de datos y coordina entre diferentes componentes. AgentCore Memory: para almacenar las preferencias del usuario como memoria a largo plazo.
El siguiente diagrama muestra esta arquitectura.
Implementación de la plantilla de CloudFormation
Descargue la plantilla de CloudFormation desde github para End-to-End-Weather-Agent.yaml en su máquina local Abra CloudFormation desde la consola de AWS Haga clic en Crear pila → Con nuevos recursos (estándar) Elija la fuente de la plantilla (cargue el archivo) y seleccione su plantilla Ingrese el nombre de la pila y cambie los parámetros necesarios si es necesario Revise la configuración y reconozca las capacidades de IAM Haga clic en Enviar y supervise el progreso de la implementación en la pestaña Eventos
Estos son los pasos visuales para la implementación de la plantilla de CloudFomation
Ejecutando y probando la aplicación.
Agregar observabilidad y monitoreo
AgentCore Observability proporciona ventajas clave. Ofrece calidad y confianza a través de visualizaciones detalladas del flujo de trabajo y monitoreo del desempeño en tiempo real. Puede acelerar el tiempo de comercialización mediante el uso de paneles con tecnología de Amazon CloudWatch que reducen la integración manual de datos de múltiples fuentes, lo que permite tomar acciones correctivas basadas en conocimientos prácticos. La flexibilidad de integración con el formato compatible con OpenTelemetry admite herramientas existentes como Vigilancia de la nube, Perro de datos, Arize Fénix, LangSmithy LangFuse.
El servicio proporciona trazabilidad de extremo a extremo entre marcos y modelos básicos (FM), captura métricas críticas como el uso de tokens y patrones de selección de herramientas, y admite instrumentación automática para agentes alojados en AgentCore Runtime y monitoreo configurable para agentes implementados en otros servicios. Este enfoque integral de observabilidad ayuda a las organizaciones a lograr ciclos de desarrollo más rápidos, un comportamiento de los agentes más confiable y una visibilidad operativa mejorada, mientras crean agentes de IA confiables a escala.
La siguiente captura de pantalla muestra métricas en la interfaz de usuario de AgentCore Runtime.
Personalización para su caso de uso
La plantilla de AWS CloudFormation del planificador de actividades meteorológicas está diseñada con componentes modulares que se pueden adaptar perfectamente a diversas aplicaciones. Por ejemplo, puede personalizar la herramienta AgentCore Browser para recopilar información de diferentes aplicaciones web (como sitios web financieros para orientación de inversiones, fuentes de redes sociales para monitorear sentimientos o sitios de comercio electrónico para seguimiento de precios), modificar los algoritmos de AgentCore Code Interpreter para procesar su lógica comercial específica (como modelos predictivos para pronósticos de ventas, evaluación de riesgos para seguros o control de calidad para fabricación), ajustar el componente AgentCore Memory para almacenar preferencias de usuario relevantes o contexto comercial (como perfiles de clientes, niveles de inventario o requisitos de proyectos) y reconfigurar la Tareas de Strands Agents para orquestar flujos de trabajo específicos de su dominio (como optimización de la cadena de suministro, automatización del servicio al cliente o monitoreo del cumplimiento).
Mejores prácticas para implementaciones
Recomendamos las siguientes prácticas para sus implementaciones:
Arquitectura de componentes modulares: diseñe plantillas de AWS CloudFormation con secciones separadas para cada servicio de AWS. Diseño de plantilla parametrizada: utilice los parámetros de AWS CloudFormation para los elementos configurables para facilitar plantillas reutilizables en todos los entornos. Por ejemplo, esto puede ayudar a asociar el mismo contenedor base con múltiples implementaciones de agentes, ayudar a señalar dos configuraciones de compilación diferentes o parametrizar el LLM de elección para potenciar sus agentes. Seguridad y privilegios mínimos de AWS Identity and Access Management (IAM): implemente funciones de IAM detalladas para cada componente de AgentCore con nombres de recursos de Amazon (ARN) de recursos específicos. Consulte nuestra documentación sobre consideraciones de seguridad de AgentCore. Monitoreo y observabilidad integrales: habilite el registro de CloudWatch, métricas personalizadas, seguimiento distribuido de AWS X-Ray y alertas en todos los componentes. Control de versiones e integración continua y entrega continua (CI/CD): mantenga plantillas en GitHub con validación automatizada, pruebas integrales y AWS CloudFormation StackSets para implementaciones consistentes en varias regiones.
Puede encontrar un conjunto más completo de mejores prácticas en Mejores prácticas de CloudFormation.
Limpiar recursos
Para evitar incurrir en cargos futuros, elimine los recursos utilizados en esta solución:
En la consola de Amazon S3, elimine manualmente el contenido dentro del depósito que creó para la implementación de la plantilla y luego elimine el depósito. En la consola de CloudFormation, elija Pilas en el panel de navegación, seleccione la pila principal y elija Eliminar.
Conclusión
En esta publicación, presentamos una solución automatizada para implementar servicios AgentCore mediante AWS CloudFormation. Estas plantillas preconfiguradas permiten una implementación rápida de potentes sistemas de IA agentes sin la complejidad de la configuración manual de componentes. Este enfoque automatizado ayuda a ahorrar tiempo y facilita implementaciones consistentes y reproducibles para que pueda concentrarse en crear flujos de trabajo de IA agentes que impulsen el crecimiento empresarial.
Pruebe algunos ejemplos más de nuestros repositorios de muestra de Infraestructura como código:
Sobre los autores
Chintan Patel es arquitecto de soluciones senior en AWS con amplia experiencia en diseño y desarrollo de soluciones. Ayuda a organizaciones de diversas industrias a modernizar su infraestructura, desmitificar las tecnologías de IA generativa y optimizar sus inversiones en la nube. Fuera del trabajo, le gusta pasar tiempo con sus hijos, jugar pickleball y experimentar con herramientas de inteligencia artificial.
Shreyas Subramanian es un científico de datos principal y ayuda a los clientes mediante el uso de IA generativa y aprendizaje profundo para resolver sus desafíos comerciales utilizando servicios de AWS como Amazon Bedrock y AgentCore. El Dr. Subramanian contribuye a la investigación de vanguardia en aprendizaje profundo, IA agente, modelos básicos y técnicas de optimización con varios libros, artículos y patentes a su nombre. En su puesto actual en Amazon, el Dr. Subramanian trabaja con varios líderes científicos y equipos de investigación dentro y fuera de Amazon, ayudando a guiar a los clientes a aprovechar mejor los algoritmos y técnicas de última generación para resolver problemas críticos para el negocio. Fuera de AWS, el Dr. Subramanian es un revisor experto de artículos sobre IA y financiación a través de organizaciones como Neurips, ICML, ICLR, NASA y NSF.
Kosti Vasilakakis es PM principal en AWS en el equipo de Agentic AI, donde ha dirigido el diseño y desarrollo de varios servicios Bedrock AgentCore desde cero, incluido Runtime. Anteriormente trabajó en Amazon SageMaker desde sus inicios, lanzando capacidades de IA/ML que ahora utilizan miles de empresas en todo el mundo. Al principio de su carrera, Kosti fue científico de datos. Fuera del trabajo, construye automatizaciones de productividad personal, juega tenis y explora la naturaleza con su familia.