使用 Amazon Bedrock AgentCore 构建无感知 Agent 与人工干预工作流
- 作者
- 姓名
- Nino
- 职业
- Senior Tech Editor
传统的对话式 AI Agent 极度依赖用户在前端界面中发起的同步交互。用户输入指令，等待模型返回结果，并在连续的 Chatbot 对话框中进行修正。然而，在企业级的自动化场景中，系统往往需要一种 无感知 AI Agent (Ambient Agent)。这类 Agent 能够在后台无缝响应系统事件（如 Amazon S3 文件上传、定时 Cron 任务、数据库变更或云端告警），自动完成复杂的多步骤业务流程，无需人工实时干预。
构建企业级 Ambient Agent 的核心挑战在于：如何在保障全自主执行效率的同时，建立严格的合规与风险控制机制。当 Agent 面对模糊的业务输入、高风险的支付操作或高价值决策时，它必须能够优雅地暂停当前工作流，通过 人机协作（Human-in-the-Loop, HITL） 机制将上下文挂起并推送给人工审核，待人工确认或修正后再恢复执行。
本文将详细拆解如何在 Amazon Bedrock AgentCore 架构下，结合 AWS 无服务器技术栈（Amazon SQS、AWS Lambda、Amazon DynamoDB）构建框架无关的 Ambient Agent，并展示如何通过 n1n.ai 提供的多模型聚合服务提升 API 调用的稳定性与系统容错能力。
1. 系统架构：事件驱动型 Ambient Agent
与聊天机器人不同，无感知 Agent 运行在无头（Headless）环境中。整体系统的核心组成部分如下：
- 事件捕获层 (Amazon S3 / EventBridge / SQS)：捕获企业系统中的各类操作信号（如 PDF 发票上传、运维指标异常等）。
- 执行 Worker (AWS Lambda)：负责拉取事件、实例化 Agent 运行时环境，并管理推理上下文。
- Agent Core 运行时 (Amazon Bedrock / AgentCore 框架)：负责调用工具、拆解任务以及执行 LLM 推理循环。
- 持久化与状态管理 (Amazon DynamoDB)：保存任务运行状态、中间工具输出以及触发人工审核时的上下文 Token。
- 人工干预引擎 (Jobs Page / ask_human 工具)：提供可视化的审核界面，供业务人员查看挂起的任务、输入修正数据并触发任务恢复。
[ 系统事件 (S3/Webhook) ] --> [ SQS 消息队列 ] --> [ AWS Lambda 执行器 ]
|
v
[ AgentCore 运行引擎 ]
|
+----------------+----------------+
| |
(自主执行完毕) (触发审核: ask_human)
| |
v v
[ 任务标记为完成 ] [ 保存状态至 DynamoDB ]
|
v
[ 人工审核 Jobs 界面 ]
|
(人工批准或驳回)
|
v
[ 触发 Lambda 恢复执行 ]
在构建大规模应用时，如果完全依赖单一模型供应商，可能会因 API 限频、并发额度不足或网络抖动导致后台 Worker 挂起。许多开发者选择通过 n1n.ai 这类高性能 LLM 聚合平台进行多模型容灾分发，确保 Agent 在主模型繁忙时快速切入备用模型（如 DeepSeek-V3 或 Claude 3.5 Sonnet），从而维持高可用性。
2. 设计 ask_human 工具与 HITL 机制
为了让 Agent 在遇到低置信度操作或高敏感业务时主动暂停，我们需要设计一个标准的工具接口：ask_human。
当 Agent 的推理判定当前操作超过预设的自主权限时（例如：批准超过 5000 美元的转账请求），Agent 会调用 ask_human 工具。该工具不会阻塞线程，而是将当前的执行状态序列化写入 DynamoDB，并将任务标记为 WAITING_FOR_HUMAN，随后安全退出当前的 Lambda 执行周期。
ask_human JSON Schema 定义
\{
"name": "ask_human