AWS Quick 中智能体与技能的协作及落地要点

行业分析AWS Quick中智能体与技能的协…openstarry.com

智能体、技能与数据如何配合

AWS Quick 是一种通过自然语言完成自动化任务、分析数据、构建 Web 应用和开展研究的 AI 服务。其核心工作方式是:智能体接收请求,根据任务加载所需技能,通过连接器读取数据或执行操作,并以已连接的数据作为回答依据。

其中,智能体负责理解目标、安排步骤并调用能力;技能是一组可复用的任务指令,负责告诉智能体具体应该怎样完成某项工作;数据与连接器则决定智能体能够看到什么、能够执行什么。

AWS Quick 提供默认的通用智能体。它没有固定业务范围,会在对话中结合当前用户可访问的空间、知识库、数据集、仪表板、连接器和技能处理请求。对于周报、发布说明、工单创建等重复任务,也可以把稳定的执行方法沉淀为技能,供个人或团队重复使用。

数据层承担不同作用:空间适合整理文档及 Quick 资源;知识库用于组织、索引和检索文档,并按同步计划保持更新;数据集和仪表板面向结构化数据分析,其中相关能力来自 Quick Sight;连接器负责连接外部应用,让智能体不仅能查询,也能执行操作。云端连接器可连接 Outlook、Slack、Jira、Asana、Salesforce 等服务,本地连接器则依赖运行该工具的机器保持开机并联网。

对用户的价值与适用场景

这类协作方式首先解决的是重复说明和重复操作问题。用户不必每次重新描述周报格式、发布说明规则或工单创建步骤,只需提出任务要求,智能体便可加载对应技能并按照既定步骤处理。

适合落地的场景通常具有以下特征:任务会重复发生、执行步骤相对稳定、需要结合团队数据、最终产物或动作比较明确。

对团队而言,技能的价值还在于统一执行方法。完成测试后发布的技能可以共享给其他成员,后续发布新版本时,接收方的版本会随之更新。技能与自定义智能体结合后,还能在特定业务范围内重复使用这些流程。

选择标准:通用智能体、技能还是自定义智能体

选择时不必一开始就构建复杂配置,可以按照任务的稳定程度、复用范围和权限边界逐层判断。

如果只是临时处理通用任务,且需要结合当前用户已有的空间、知识库、仪表板或连接器,可以先使用默认 Quick。它会根据每次请求调用当前可访问的资源,适合探索需求和低频任务。

如果同一任务会反复出现,并且具备清晰的步骤、模板和验收条件,就应考虑创建技能。技能名称和描述直接影响触发效果,应明确任务内容,并使用容易理解的表达。Quick 会先读取技能名称和描述,在请求匹配时再加载完整指令;清晰的触发语句有助于减少选错技能的情况。技能目录以 SKILL.md 为必需文件,可附带脚本和参考文件。规范对名称和描述长度设有上限,并建议将完整指令控制在 5000 个 token 以内。

如果任务属于明确岗位或业务流程,例如人力资源入职支持或固定周报生成,可以创建自定义智能体。自定义智能体拥有自己的名称、描述和指令,并可限定使用哪些空间、连接器和技能。完成测试和发布后,可以在同一 AWS Quick 账号内共享。设置时应只开放用例需要的资源,并同步共享相关数据源,否则使用者只能访问自己有权访问的内容,可能得到不完整的结果。

官方目录适合寻找现成技能:可以直接安装使用,也可以作为改造起点。目录中的技能发布前经过质量、安全等方面的检查,其中 Skill Architect 可用于帮助应用软件工程实践。系统技能则可以开启或关闭,但不能编辑、复制、导出、发布、共享或删除。

数据组件也应按任务性质选择:非结构化文档和参考材料可放入空间或知识库,结构化分析可使用数据集和仪表板,需要读取或操作外部应用时则应配置对应连接器。

成本、权限与失败风险

评估成本时,不宜只按对话次数估算。至少需要核对以下成本驱动项:数据上传与知识库同步规模、结构化数据集和仪表板的使用方式、连接服务及外部应用的使用条件、定时例程的运行频率与时长、文档生成和研究等长任务,以及本地连接器所依赖

以 AI 之力,筑未来之境

现在注册,立即免费获赠 200 次大模型调用权益

免费注册 →