This is Oscar
返回

Amazon Bedrock AgentCore 的 Spring AI SDK 正式发布（GA）

原文标题：Spring AI SDK for Amazon Bedrock AgentCore is now Generally Available
原文链接：https://aws.amazon.com/blogs/machine-learning/spring-ai-sdk-for-amazon-bedrock-agentcore-is-now-generally-available/

智能体式 AI 正在改变组织使用生成式 AI 的方式，从提示-响应的交互模式，演进为能够规划、执行并完成复杂多步骤任务的自主系统。尽管智能体式 AI 领域的早期概念验证令业务干系人感到兴奋，但将其推向生产仍需解决可扩展性、治理和安全性方面的挑战。Amazon Bedrock AgentCore 是一个智能体式 AI 平台，旨在帮助您使用任意框架和任意模型，大规模构建、部署和运营 Agent。

Java 开发者希望使用熟悉的 Spring 模式构建 AI Agent，但生产部署需要从头构建极为复杂的基础设施。Amazon Bedrock AgentCore 提供了以下构建块：托管运行时基础设施（可扩展性、可靠性、安全性、可观测性）、短期和长期记忆、浏览器自动化、沙盒化代码执行以及评估能力。目前，将这些能力集成到 Spring 应用中需要编写自定义控制器以满足 AgentCore 运行时契约、处理服务端发送事件（SSE）流、实现健康检查、管理限速，以及连接 Spring 顾问、记忆仓库和工具定义。在编写任何 AI Agent 逻辑之前，这些基础设施工作就需要数周时间。

借助全新的 Spring AI AgentCore SDK，您可以构建生产就绪的 AI Agent，并在高度可扩展的 AgentCore 运行时上运行它们。Spring AI AgentCore SDK 是一个开源库，通过注解、自动配置和可组合的顾问等熟悉的模式，将 Amazon Bedrock AgentCore 的能力引入 Spring AI。Spring AI 开发者只需添加一个依赖项、标注一个方法，SDK 便会处理其余的一切。

理解 AgentCore 运行时契约

AgentCore 运行时以按用量计费的方式管理 Agent 生命周期和扩展，这意味着您无需为闲置的计算资源付费。运行时负责将传入请求路由到您的 Agent 并监控其健康状态，但这要求您的 Agent 遵循一套契约。该契约要求实现暴露两个端点：/invocations 端点用于接收请求并以 JSON 或 SSE 流的形式返回响应；/ping 健康端点用于报告 Healthy 或 HealthyBusy 状态。长时间运行的任务必须发出繁忙信号，否则运行时可能会为了节省成本而将其缩减。SDK 自动实现这一契约，包括异步任务检测功能——在 Agent 处理过程中报告繁忙状态。

除契约外，SDK 还为生产工作负载提供了额外能力，例如：处理具有正确帧格式的 SSE 响应、针对大型响应的背压处理和连接生命周期管理；以及限速功能，用于保护 Agent 免受流量峰值冲击并限制单个用户的消费量。您专注于 Agent 逻辑，SDK 负责运行时集成。

在本文中，我们从一个聊天端点开始，逐步构建一个生产就绪的 AI Agent，依次添加流式响应、对话记忆以及用于网页浏览和代码执行的工具。最终，您将拥有一个完全功能的 Agent，可部署至 AgentCore 运行时或独立运行于您现有的基础设施上。

前置条件

在开始之前，您需要准备：

解决方案概述

Spring AI AgentCore SDK 基于三项设计原则构建：

下图展示了 SDK 各组件的交互方式。@AgentCoreInvocation 注解处理运行时契约，而 ChatClient 则组合了记忆顾问、浏览器工具和代码解释器。部署到 AgentCore 运行时是可选的。您可以将 SDK 模块作为独立功能使用。

创建您的第一个 AI Agent

以下章节将逐步引导您创建一个完整功能的 Agent：

步骤 1：添加 SDK 依赖

将 Spring AI AgentCore BOM 添加到您的 Maven 项目中，然后引入运行时 starter：

<dependencyManagement>
    <dependencies>
        <dependency>
            <groupId>org.springaicommunity</groupId>
            <artifactId>spring-ai-agentcore-bom</artifactId>
            <version>1.0.0</version>
            <type>pom</type>
            <scope>import</scope>
        </dependency>
    </dependencies>
</dependencyManagement>

<dependencies>
    <dependency>
        <groupId>org.springaicommunity</groupId>
        <artifactId>spring-ai-agentcore-runtime-starter</artifactId>
    </dependency>
</dependencies>

步骤 2：创建 Agent

@AgentCoreInvocation 注解告知 SDK 此方法负责处理传入的 Agent 请求。SDK 会自动配置 POST /invocations 和 GET /ping 端点，处理 JSON 序列化，并自动报告健康状态。

@Service
public class MyAgent {

   private final ChatClient chatClient;

   public MyAgent(ChatClient.Builder builder) {
        this.chatClient = builder.build();
    }

   @AgentCoreInvocation
    public String chat(PromptRequest request) {
        return chatClient.prompt()
            .user(request.prompt())
            .call()
            .content();
    }
}

record PromptRequest(String prompt) {}

步骤 3：配置 Amazon Bedrock

在 application.properties 中设置您的模型和 AWS 区域：

spring.ai.bedrock.aws.region=us-east-1
spring.ai.bedrock.converse.chat.options.model=global.anthropic.claude-sonnet-4-5-20250929-v1:0

步骤 4：本地测试

启动应用并发送请求：

mvn spring-boot:run

curl -X POST http://localhost:8080/invocations \
  -H "Content-Type: application/json" \
  -d '{"prompt": "What is Spring AI?"}'

这就是一个完整的、兼容 AgentCore 的 AI Agent。无需自定义控制器，无需协议处理，无需健康检查实现。

步骤 5：添加流式响应

若要在生成响应时以流的形式传输，只需将返回类型改为 Flux<String>。SDK 会自动切换为 SSE 输出：

@AgentCoreInvocation
public Flux<String> streamingChat(PromptRequest request) {
    return chatClient.prompt()
        .user(request.prompt())
        .stream()
        .content();
}

SDK 负责处理 SSE 帧格式、Content-Type 请求头、换行符保留和连接生命周期。您的代码保持专注于 AI 交互。

步骤 6：为 Agent 添加记忆

现实世界中的 Agent 必须记住用户在对话早期说过的内容（短期记忆），以及它随时间积累的知识（长期记忆）。SDK 通过 Spring AI 的顾问模式集成了 AgentCore 记忆——顾问是在请求到达模型之前用上下文丰富提示的拦截器。

短期记忆（STM）使用滑动窗口保留最近的消息。长期记忆（LTM）通过四种策略跨会话持久化知识：

AgentCore 异步整合这些策略，无需开发者显式干预即可提取相关信息。添加记忆依赖并启用自动发现——在自动发现模式下，SDK 会自动检测可用的长期记忆策略和命名空间，无需手动配置：

agentcore.memory.memory-id=${AGENTCORE_MEMORY_ID}
agentcore.memory.long-term.auto-discovery=true

然后注入 AgentCoreMemory 并将其组合到您的 chat client 中：

// 添加到 MyAgent 构造函数
private final AgentCoreMemory agentCoreMemory;

public MyAgent(ChatClient.Builder builder, AgentCoreMemory agentCoreMemory) {
    this.agentCoreMemory = agentCoreMemory;
    this.chatClient = builder.build();
}

// 更新 chat 方法以包含记忆顾问
@AgentCoreInvocation
public String chat(PromptRequest request, AgentCoreContext context) {
    String sessionId = context.getHeader(AgentCoreHeaders.SESSION_ID);

   return chatClient.prompt()
        .user(request.prompt())
        .advisors(agentCoreMemory.advisors)
        .advisors(a -> a.param(ChatMemory.CONVERSATION_ID, "user:" + sessionId))
        .call()
        .content();
}

agentCoreMemory.advisors 列表包含 STM 和所有已配置的 LTM 顾问。有关详细配置选项，请参阅记忆文档。

步骤 7：使用工具扩展 Agent

AgentCore 提供了专用工具，SDK 通过 ToolCallbackProvider 接口将其作为 Spring AI 工具回调暴露出来。

浏览器自动化——Agent 可以使用 AgentCore 浏览器导航网站、提取内容、截图并与页面元素交互：

<dependency>
    <groupId>org.springaicommunity</groupId>
    <artifactId>spring-ai-agentcore-browser</artifactId>
</dependency>

代码解释器——Agent 可以使用 AgentCore 代码解释器在安全沙盒中编写并运行 Python、JavaScript 或 TypeScript。沙盒包含 numpy、pandas 和 matplotlib。生成的文件通过 artifact store 捕获。

<dependency>
    <groupId>org.springaicommunity</groupId>
    <artifactId>spring-ai-agentcore-code-interpreter</artifactId>
</dependency>

两种工具均通过 Spring AI 的 ToolCallbackProvider 接口集成。以下是集成了记忆、浏览器和代码解释器的最终版 MyAgent：

@Service
public class MyAgent {

   private final ChatClient chatClient;
   private final AgentCoreMemory agentCoreMemory;

   public MyAgent(
            ChatClient.Builder builder,
            AgentCoreMemory agentCoreMemory,
            @Qualifier("browserToolCallbackProvider") ToolCallbackProvider browserTools,
            @Qualifier("codeInterpreterToolCallbackProvider") ToolCallbackProvider codeInterpreterTools) {
        this.agentCoreMemory = agentCoreMemory;
        this.chatClient = builder
            .defaultToolCallbacks(browserTools, codeInterpreterTools)
            .build();
    }

   @AgentCoreInvocation
   public Flux<String> chat(PromptRequest request, AgentCoreContext context) {
        String sessionId = context.getHeader(AgentCoreHeaders.SESSION_ID);

       return chatClient.prompt()
            .user(request.prompt())
            .advisors(agentCoreMemory.advisors)
            .advisors(a -> a.param(ChatMemory.CONVERSATION_ID, "user:" + sessionId))
            .stream()
            .content();
    }
}

模型会平等地看到所有工具，并根据用户的请求决定调用哪个工具。虽然本文重点介绍使用 Amazon Bedrock 访问基础模型（FM），但 Spring AI 支持包括 OpenAI 和 Anthropic 在内的多种大型语言模型（LLM）提供商，因此您可以选择最适合自身需求的模型。例如，一个差旅费用管理 Agent 可以使用浏览器工具查询航班选项，使用代码解释器分析消费模式并生成图表，所有这一切都在单次对话中完成：

部署您的 Agent

SDK 支持两种部署模式：

AgentCore 运行时——对于全托管基础设施，将您的应用打包为 ARM64 容器，推送至 Amazon Elastic Container Registry（Amazon ECR），并创建一个引用该镜像的 AgentCore 运行时。运行时负责扩缩容和健康监控。examples/terraform 目录提供了基础设施即代码（IaC）示例，支持 IAM 和 OAuth 认证选项。

独立部署——在运行于 Amazon Elastic Kubernetes Service（Amazon EKS）、Amazon Elastic Container Service（Amazon ECS）、Amazon Elastic Compute Cloud（Amazon EC2）或本地环境的应用中使用 AgentCore 记忆、浏览器或代码解释器。通过这种方式，团队可以逐步采用 AgentCore 能力。例如，先向现有的 Spring Boot 服务添加记忆功能，之后再迁移到 AgentCore 运行时。

认证与授权

AgentCore 运行时支持两种认证方式：基于 IAM 的 SigV4（用于 AWS 服务间调用）和 OAuth2（用于面向用户的应用）。当您的 Spring AI Agent 部署到 AgentCore 运行时时，认证在基础设施层处理。您的应用通过 AgentCoreContext 接收已认证用户的身份信息。细粒度的授权可以在您的 Spring 应用中使用标准 Spring Security 模式以这些原则实现。对于独立部署，您的 Spring 应用负责使用 Spring Security 提供认证和授权。在这种情况下，对 AgentCore 服务（记忆、浏览器、代码解释器）的调用使用标准 AWS SDK 凭证机制进行保护。

通过 AgentCore Gateway 连接 MCP 工具

Spring AI Agent 可以通过 AgentCore Gateway 访问组织内部工具，后者提供了带出站认证和语义工具注册表的 Model Context Protocol（MCP）支持。要使用 Gateway，将您的 Spring AI MCP 客户端端点配置为指向 AgentCore Gateway，并使用 IAM SigV4 或 OAuth2 进行认证：

spring.ai.mcp.client.toolcallback.enabled=true
spring.ai.mcp.client.initialized=false
spring.ai.mcp.client.streamable-http.connections.gateway.url=${GATEWAY_URL}

这使 Agent 能够发现和调用企业工具，而 Gateway 负责下游服务的凭证管理。有关动手实践示例，请参阅”使用 Spring AI 和 Amazon Bedrock AgentCore 构建 Java AI Agent”workshop，该 workshop 演示了与 AgentCore Gateway 的 MCP 集成。

下一步是什么？

SDK 还在持续演进。即将推出的集成包括：

清理资源

如果您在跟随本文操作时创建了资源，请将其删除以避免持续产生费用：

  1. 删除您创建的所有 AgentCore 运行时 Agent。
  2. 从 Amazon ECR 删除容器镜像。
  3. 移除为 Agent 部署创建的 IAM 角色和策略。
  4. 如果您使用了 Terraform 示例，运行 terraform destroy 以删除所有资源。

总结

在本文中，我们展示了如何使用 Spring AI AgentCore SDK 在 Java 中构建生产就绪的 AI Agent。从一个带注解的方法出发，我们依次添加了流式响应、持久化记忆、浏览器自动化和代码执行——所有这一切都通过熟悉的 Spring 模式实现。SDK 基于 Apache 2.0 许可证开源。要开始使用：

欢迎您的反馈与贡献。请留言分享您的使用体验，或在 GitHub 仓库上提交 Issue。

引用

分享到:
分享到 X 通过邮件分享
上一篇
深入 VAKRA：Agent 的推理、工具使用与失败模式分析
下一篇
自动化弱到强研究者（Automated Weak-to-Strong Researcher）