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

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）

1. 登录 Amazon Bedrock 控制台
2. 左侧菜单 Model access（模型访问） → Manage model access
3. 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）
4. 点 Save changes，几秒钟就开通

第 2 步：创建 Agent（2 分钟）

1. 左侧菜单 Agents → Create Agent
2. 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
3. Foundation model：选刚才开通的模型（如 Claude Sonnet 4.6）
4. Instructions（系统提示词）——这是 Agent 的"灵魂"：

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。

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

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"。

1. 在 Agent 详情页，点 Add Action Group
2. Action group name：OrderActions
3. 定义方式选 Define with function details（比 OpenAPI Schema 简单得多）
4. 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）

5. Action group executor 选 Return Control

6. 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）：

[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：

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：

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

部署到应用：一个 API 调用

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：

1. 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。

2. 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。

3. 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？

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。

相关资源

• Amazon Bedrock Agents 官方文档
• Bedrock 快速入门（5 分钟跑通第一个推理请求）
• Action Group 配置指南
• Knowledge Base 文档
• 支持的模型列表

有问题欢迎评论区交流，也欢迎分享你用 Agent 做的项目