资源介绍
视频数量：7个
总时长：1小时8分
课程介绍：
一小时在AWS上搭建生产级多智能体AI系统
想象一下，你走进一家咖啡店，还没开口，吧台后面的智能系统已经记住了你上次点的低糖冷萃、大杯、多加冰。这不是科幻片，而是多智能体AI系统正在落地的真实场景。这门课要做的，就是在不到七十分钟的时间里，带你从零开始，在AWS云上搭建出一套可以上线运行的多智能体咖啡店系统。整个项目以一家虚拟咖啡店AnyCompany作为业务背景，把多智能体AI的技术细节拆解到一个具体的商业场景里，让你看完就能照着做。
课程围绕这个AnyCompany咖啡店展开。讲师会先带你认识项目的全貌：当你打开CloudFormation模板时，里面已经准备好了二十三个资源，涵盖Aurora数据库集群、Secrets Manager密钥管理、S3文档存储桶、DynamoDB订单表、IAM角色以及独立VPC网络。这套基础设施不是玩具，而是讲师在生产环境中验证过的架构，拿来就能用。Aurora集群提供写入实例和区域集群两种模式确保高可用，Secrets Manager帮你安全地管理数据库凭证，S3存储桶用来存放菜单文档和FAQ资料，DynamoDB则记录每一笔下单数据。所有资源都部署在独立的VPC里，网络安全不用担心。讲师会在介绍环节逐一展示这些资源的配置状态和使用方式，让你对整个技术栈有一个清晰的认知地图。
搞清楚技术架构之前，先得回答一个老板最关心的问题：这玩意儿到底能不能赚钱？所以课程第二部分专门讲商业价值建模。整个过程不写一行代码，直接在Streamlit应用里算账。你会学到怎么估算模型API的调用成本——课程用的是Amazon Nova Pro和Mistral两种模型——怎么计算工程时间的节省量，怎么规划提示词调优和缓存策略来压低每次推理的费用，甚至还会聊到护栏设计和红队测试，在动手写代码之前就把风险摸清楚。很多AI项目之所以烂尾，根子就出在没算过这笔账。课程里讲师会带你一步步搭建这个ROI计算器，输入模型定价、预计调用量、工程师时薪这些参数，自动得出整个项目是盈是亏的结论。这种先算账再动手的做法，正是企业级AI项目和玩具Demo之间的最大区别。
地基打好了，接下来进入实操阶段。第三部分带你在本地装好开发环境的所有依赖项，确保后面跑得顺畅。然后是数据策略部分：你会把咖啡店的菜单数据、常见问题解答数据以及订单数据分别导入到对应的AWS服务里。菜单是JSON格式的，每条记录包含配料、尺寸、咖啡因含量、冷热饮选项和流行度评分，这些字段会喂给个性化推荐智能体，让它能根据用户偏好精准推荐。常见问题解答部分则覆盖了用户最常问的问题，比如美式和拿铁的区别、不同豆子的风味特征、冰饮和热饮的容量差异等等。这些数据是智能体回答问题的素材来源，数据质量直接决定了系统最终的表现。
最有嚼头的部分是第五课，讲解智能体循环的核心实现。你会亲手搭建知识库和RAG管道，这相当于智能体的大脑。当用户问美式和拿铁有什么区别或者今天的特调是什么时，系统会先从知识库中检索相关信息，再交给大模型生成自然语言回答。这一步是整个系统智能程度的分水岭。课程会演示怎么创建知识库、怎么配置数据源指向S3存储桶、怎么设置检索精度和召回阈值，还会讲清楚RAG管道中每个环节的作用。没有RAG，大模型只能靠训练时的旧知识瞎编；有了RAG，智能体就能基于最新最准确的业务数据给出回答。
搭好大脑之后，第六课进入本地多智能体概念验证阶段。你会部署一个订单智能体，它可以读取菜单、处理下单逻辑、查询用户历史偏好，然后把订单写入DynamoDB。多个智能体各司其职，通过协作完成点单、推荐、查询的完整流程。虽然是在本地环境跑，但架构已经是生产级的雏形。讲师会展示智能体之间是怎么通信的：订单智能体收到请求后，先调用菜单智能体获取商品信息，再调用用户画像智能体拿到偏好数据，最后综合判断推荐什么。整个过程涉及多轮工具调用和上下文传递，是理解多智能体协作机制的最佳教材。
最后一步是把系统推向真正的生产环境。第七课讲解AWS的AgentCore无服务器部署方案，本地跑的POC和云上跑的正式服务之间，距离其实没有你想的那么远。讲师会演示如何把多智能体系统打包部署到无服务器架构上，让它真正具备弹性伸缩和高可用的能力。AgentCore的部署方式让你不用操心服务器运维，系统会根据请求量自动扩缩容，按实际使用量付费。这对于刚起步的AI项目来说特别友好，省去了前期预估服务器规模的麻烦。
这门课适合有一定AWS基础、想了解多智能体系统如何落地的工程师和产品经理。不需要你是AI专家，但至少得会用基本的AWS控制台服务，看得懂CloudFormation模板和IAM策略。七节课看下来，你拿到的不仅是一套能跑起来的咖啡店AI系统，更是一套从商业建模到技术实现再到生产部署的完整方法论。下次再有人跟你聊AI代理，你聊的就不只是概念了。