5 分钟用 Amazon Bedrock 搭一个 AI Agent：从零到能干活

最近打开掘金，热榜一半都是 AI Agent 相关的内容------OpenClaw 拆解、MCP 协议、Function Call 实战... 概念已经讲了不少，但真正从零搭过一个完整 Agent 的人可能不多。

今天换个思路：不装环境、不写框架、不管运维，直接用 Amazon Bedrock 的 Agent 功能，5 分钟搭一个能理解用户意图、自动调 API 的 Agent。

本文所有步骤均已实际验证跑通，不是对着文档猜的。

前置条件

一个 AWS 账号（注册入口，新用户有免费额度）
就这一个。不需要 GPU、不需要装 Python、不需要 Docker。

第 1 步：开通模型访问权限（1 分钟）

登录 Amazon Bedrock 控制台
左侧菜单 Model access（模型访问） → Manage model access
勾选你要用的模型，推荐：
- Claude Sonnet 4.6（综合能力强，支持中文）
- DeepSeek V3.2（性价比高）
点 Save changes，几秒钟就开通

💡 Bedrock 目前支持 100+ 基础模型，覆盖 Anthropic Claude 全系列、DeepSeek、Meta Llama 4、Qwen3、GLM 等主流模型。注意：部分模型需要使用 Inference Profile（跨区域推理配置）才能调用，控制台会自动处理这个，API 调用时需要用 us.anthropic.claude-sonnet-4-6 这样的 Profile ID 而非裸模型 ID。

第 2 步：创建 Agent（2 分钟）

左侧菜单 Agents → Create Agent
填写基本信息：
- Agent name ：order-assistant（订单助手）
- Description ：帮用户查询和管理订单
Foundation model：选刚才开通的模型（如 Claude Sonnet 4.6）
Instructions（系统提示词）------这是 Agent 的"灵魂"：

markdown 复制代码

你是一个订单管理助手。你可以帮用户完成以下操作：
1. 查询订单状态（需要订单号）
2. 查询最近的订单列表（需要用户ID）
3. 取消订单（需要订单号和取消原因）

请用中文和用户交流。如果用户没有提供必要信息，请主动询问。

Agent resource role ：选 Create and use a new service role（控制台自动创建，省心）
点 Create

⚠️ 如果通过 API/CLI 创建 Agent，需要手动创建 IAM Service Role 并绑定。Trust Policy 要允许 bedrock.amazonaws.com 做 sts:AssumeRole，并附加 bedrock:InvokeModel 权限。控制台操作会自动搞定这些，所以推荐新手用控制台。

第 3 步：给 Agent 装上"手脚"------Action Group（1 分钟）

光有模型和提示词，Agent 只能聊天，不能干活。Action Group 就是告诉 Agent "你能做什么操作"。

在 Agent 详情页，点 Add Action Group
Action group name ：OrderActions
定义方式选 Define with function details（比 OpenAPI Schema 简单得多）
添加函数：

函数 1：GetOrderStatus

描述：查询订单状态
参数：order_id（string，必填，描述：订单编号）

函数 2：CancelOrder

描述：取消订单
参数：order_id（string，必填）、reason（string，必填，描述：取消原因）

Action group executor 选 Return Control

💡 Return Control 是什么意思？Agent 收集完参数后，不直接执行操作，而是把参数返回给你的应用程序。你的应用拿到参数后去调自己的后端 API，再把结果返回给 Agent 继续对话。这种模式不需要写 Lambda，对已有后端服务的场景特别友好。

Save → 回到 Agent 页面，点顶部 Prepare

第 4 步：测试（30 秒）

Agent 状态变成 Prepared 后（通常几秒），右侧出现 Test 对话窗口。

测试 1：完整信息

输入：我想查一下订单 ORD-20260310-001 的状态

Agent 的推理过程（Trace）：

ini 复制代码

[思考] 用户想查询订单状态，我有所需的全部信息可以调用函数。
[调用] GetOrderStatus → ActionGroup: OrderActions
  参数: order_id = ORD-20260310-001
[类型] ACTION_GROUP（Return Control，等待应用返回结果）

✅ Agent 准确识别了意图，提取了订单号，调用了正确的函数。

测试 2：不完整信息

输入：我想取消一个订单

Agent 回复：

markdown 复制代码

好的，我来帮您取消订单！为了完成取消操作，我需要了解以下信息：
1. 订单编号是什么？
2. 取消原因是什么？
请提供这两项信息，我将立即为您处理。

✅ Agent 发现缺少必要参数，自动用中文追问，而不是直接报错。

Trace 是调试利器------每一步推理都可视化，不用猜模型在想什么。

第 5 步（可选）：Knowledge Base 让 Agent 更聪明

如果你希望 Agent 不仅能调 API，还能回答"退货政策是什么"这类基于文档的问题：

左侧 Knowledge bases → Create
上传文档（PDF、TXT、HTML、Markdown 都支持）
Bedrock 自动完成：文档切分 → 向量嵌入 → 存储到向量数据库
回到 Agent → Add Knowledge Base → 选刚才创建的
重新 Prepare

💡 向量数据库可以让 Bedrock 自动创建（Amazon OpenSearch Serverless），零配置。也支持自建的 Pinecone、Redis 等。

部署到应用：一个 API 调用

python 复制代码

import boto3

client = boto3.client('bedrock-agent-runtime', region_name='us-east-1')

response = client.invoke_agent(
    agentId='你的AgentID',        # 创建时获得
    agentAliasId='你的AliasID',   # 创建Alias时获得，测试用 TSTALIASID
    sessionId='user-session-123',  # 用户会话ID，用于多轮对话
    inputText='帮我查一下订单 ORD-20260310-001 的状态'
)

# 处理流式响应
for event in response['completion']:
    if 'chunk' in event:
        print(event['chunk']['bytes'].decode('utf-8'))

Java、JavaScript、Go SDK 写法类似，参考 InvokeAgent API 文档。

踩坑记录

实际跑通过程中遇到的几个坑，分享出来：

模型 ID vs Inference Profile ID ：直接用 anthropic.claude-sonnet-4-6 调用会报 validationException，需要用 Inference Profile ID（如 us.anthropic.claude-sonnet-4-6）。控制台创建不受影响，API/CLI 创建需注意。
Agent 必须有 Service Role ：即使是最简单的 Agent，Prepare 时如果没有绑定 agentResourceRoleArn 会报错。控制台选"Create new role"即可，CLI 需要手动创建 IAM Role。
Prepare 是必须步骤：每次修改 Agent 配置（Instructions、Action Group、模型等）后，必须重新 Prepare 才生效。

自建 vs 托管，怎么选？

维度	自建（LangChain / AutoGen 等）	Bedrock Agents
环境	需要 Python 环境 + 依赖管理	不需要
模型	自己管 GPU 或调第三方 API	100+ 模型一键切换
工具编排	自己写编排逻辑	平台自动编排
RAG	搭向量数据库 + 检索链路	上传文档即可
调试	print / log	Trace 可视化
扩缩容	自己管	全托管，按需付费
灵活性	⭐⭐⭐⭐⭐	⭐⭐⭐
上手速度	⭐⭐	⭐⭐⭐⭐⭐

不是说自建不好------如果你需要深度定制编排逻辑、用特殊的工具链，自建框架更灵活。但如果目标是"快速让 Agent 能干活并上线"，托管方案能帮你省掉大量基础设施层的工作。

两者也不冲突，完全可以用 Bedrock 做快速原型验证，确认可行后再决定是否迁移到自建方案。

5 分钟用 Amazon Bedrock 搭一个 AI Agent：从零到能干活