SageMaker AI 笔记本上手：Strands Agents 构建智能体教程

在 AWS 上构建 AI Agent 并不需要复杂的部署流程。借助 SageMaker AI 笔记本实例和开源的 Strands Agents SDK，开发者可以在熟悉的 JupyterLab 环境中快速搭建一个能调用工具、执行任务的智能助手。本文基于一篇 Dev.to 社区的实操教程，完整梳理从环境准备到 Agent 运行的全过程，并补充社区中值得关注的成本与权限注意事项。

为什么要用 SageMaker + Strands Agents 组合

Strands Agents 是一个开源的 Python SDK，核心理念是把 AI 模型与外部工具连接起来。它不是让模型单纯回答问题，而是让它能够「做事」——理解用户请求、决定调用哪个工具、拿回结果再组织成自然语言回复。

可以把它想象成一个个人助理：你问「班加罗尔天气怎么样」，AI 判断需要查天气，于是调用真实的天气 API，最后把当前气温、湿度、风速告诉你。整个过程模型自主决策，无需硬编码判断逻辑。

选择 SageMaker AI 笔记本作为开发环境有几个现实优势：无需本地配置 AWS 凭证链、执行角色天然集成 IAM 权限管理、JupyterLab 交互式调试工具调用过程直观。配套的 Amazon Bedrock 则提供了模型托管能力，本例使用 amazon.nova-lite-v1:0 作为基础模型。

Strands Agents SDK 的技术定位

Strands Agents 是 AWS 于 2025 年开源的轻量级 Agent 框架，采用「模型驱动」而非「流程编排」的设计哲学。传统工作流式框架需要开发者预先定义状态机或 DAG 来决定工具调用顺序，而 Strands 把决策权交给模型本身：通过 system prompt 描述可用工具，模型在推理时输出结构化的工具调用意图，SDK 负责执行并将结果回灌给模型，形成多轮循环直至任务完成。其核心抽象只有三个——Agent（编排容器）、@tool（函数即工具）、Model Provider（模型后端，本例为 BedrockModel）。这种极简设计降低了入门门槛，但也意味着 Agent 的行为高度依赖模型本身的指令遵循与工具选择能力，换用较弱模型时可能频繁出现误调用或漏调用。

Amazon Bedrock 的角色

Bedrock 是 AWS 的模型托管服务，通过统一 API 提供 Anthropic Claude、Amazon Nova、Meta Llama、Mistral 等多家厂商的基础模型，无需自行部署推理端点。它按 token 用量计费，与 SageMaker 笔记本的计算费用完全独立。调用 Bedrock 需要 IAM 权限 bedrock:InvokeModel，且每个模型必须在目标区域显式申请开通——这是新手最常见的踩坑点，因为控制台可以看到模型列表，但未开通时调用会直接返回 AccessDeniedException。

环境准备：创建笔记本实例

进入 AWS 控制台后，从左侧面板找到 Notebooks 入口，点击创建笔记本实例。命名后其余配置保持默认即可。实例状态会经历从 Pending 到 InService 的转变，通常需要几分钟等待。

SageMaker 笔记本实例创建界面

实例就绪后点击「Open JupyterLab」进入 IDE，在 Notebooks 区域选择 conda_python3 内核新建 ipynb 文件，右键重命名为 SimpleAgent.ipynb 即可开始编写代码。

成本控制不可忽视

教程作者专门用一节强调费用问题，这一点在实际操作中很容易被忽略：

计费方式：按笔记本运行时长、存储用量及其他 AWS 服务综合计费
免费额度：符合条件的用户前两个月每月可获 250 小时 ml.t3.medium 使用时长
实例选型：开发阶段建议先用小规格实例
及时停止：用完立即 Stop，但要注意存储费用在停止后仍可能产生
Bedrock 单独计费：调用模型会产生额外费用，与笔记本费用分开计算
预算告警：建议设置 AWS Budget 监控花费

构建 Agent 的完整步骤

第一步：安装依赖

在第一个单元格中安装 Strands Agents、boto3 和 requests 库。后两者分别用于 AWS 服务调用和天气 API 请求。

第二步：配置 Bedrock 连接

导入必要的模块后，从环境变量读取 AWS 区域和模型 ID，并提供默认值。代码中通过 STS 的 get_caller_identity() 做早期凭证验证，打印出当前身份 ARN 和配置信息。

教程特别提醒：在 SageMaker 环境中应优先使用笔记本的执行角色，不要硬编码访问密钥。

第三步：创建计算器工具

通过 @tool 装饰器定义一个 calculate 函数。安全设计上，函数只允许数字和基本运算符字符，用 eval 时传入空的 __builtins__ 字典来限制执行范围。

关于 eval 安全的进一步说明

教程中用 eval 执行表达式并清空 __builtins__，这是一种最低限度的沙箱手段。清空 __builtins__ 可以阻断 __import__、open、exec 等内建函数的访问，配合前置的字符白名单校验（仅允许数字和 +-*/.()），能挡住绝大多数注入尝试。但它并非绝对安全：Python 的 eval 仍可能通过对象属性链（如 ().__class__.__bases__）绕过限制，因此这只是演示级防护。生产环境中应改用 ast.literal_eval（仅支持字面量）、专用表达式解析库（如 simpleeval、numexpr），或干脆把计算逻辑放到隔离的容器/沙箱服务中执行。这个例子真正想传达的理念是：工具函数的输入来自模型生成，必须视为不可信输入对待，这与 Web 开发中处理用户提交数据的思路一致。

第四步：创建天气工具

这个工具调用 Open-Meteo 的免费 API，无需申请密钥。流程分两步：先通过地理编码 API 把城市名解析为经纬度，再用预报 API 获取当前天气数据。

返回信息包含温度、体感温度、湿度、风速、降水量和观测时间。代码内置了 WMO 天气代码到可读描述的映射表，覆盖从晴天到雷暴冰雹的 28 种天气状况。异常处理区分了网络请求失败和数据解析异常两种情况，都会返回明确的错误说明而非抛出堆栈。

需要留意的是，笔记本环境必须具备出站互联网访问权限。

第五步：组装 Agent

用 BedrockModel 指定模型和区域，创建 Agent 实例时传入模型、工具列表和系统提示词。系统提示词要求助手：有用时使用工具、简洁清晰地解释答案、天气结果要标明来自 Open-Meteo 并附上观测时间、遇到 API 错误要如实告知而非编造数据。

第六到九步：测试 Agent 能力

教程设计了递进的测试用例：

纯计算问题「25 * 8」——验证计算器工具调用
纯天气问题「班加罗尔天气」——验证天气工具调用
组合问题「班加罗尔温度是多少，换算成华氏度并展示计算过程」——验证多工具协作的 agentic 工作流
自定义问题——让读者自行探索

第 3 个用例最能体现 Agent 的价值：模型需要先调用天气工具拿到摄氏温度，再调用计算器工具完成单位换算。

权限配置与故障排查

Strands Agents 与 Bedrock 的集成最常见的失败原因集中在权限和区域配置上：

AccessDeniedException：需要在 Bedrock 控制台启用目标模型，同时确认 SageMaker 角色具备 bedrock:InvokeModel 权限。

ValidationException 或模型不可用：检查模型 ID 与区域是否匹配。某些模型并非在所有区域都可用，可在配置单元格修改或通过环境变量覆盖。

无 AWS 凭证：为 SageMaker 环境附加 IAM 执行角色，或配置标准凭证链。切忌把访问密钥直接写进笔记本文本。

教程提供了一个可附加到 AmazonSageMaker-ExecutionRole 的内联策略示例，授予 bedrock:InvokeModel 和 bedrock:InvokeModelWithResponseStream 两个操作权限，资源限定为对应区域的 nova-lite 模型 ARN。

一个实用经验：笔记本默认使用 us-east-1 区域，如果你的 Bedrock 模型在其他区域启用，需要显式设置 AWS_REGION 或 AWS_DEFAULT_REGION。

Agent 自主选择工具的工作机制

当 Agent 收到「班加罗尔温度是多少，换算成华氏度并展示计算过程」这类请求时，底层发生的是多轮 ReAct 式循环：模型先输出第一轮推理，判定需要天气数据，于是发出 weather_tool(city="Bangalore") 的调用请求；SDK 执行该函数并把返回的 JSON 结果作为新一轮消息追加进上下文；模型读取到摄氏温度后，再发出 calculate(expression="28*9/5+32")；拿到数值后最终生成自然语言回复。整个过程没有硬编码的 if-else 分支，工具选择完全由模型依据工具的名称、docstring 描述和参数 schema 决定。因此工具函数的 docstring 写得是否清晰，直接决定模型能否在该用的时候用对——这是很多人调试 Agent 时容易忽略的一环。如果发现模型该调用工具却直接凭记忆作答，通常需要在系统提示词中强化「必须使用工具」的约束，或改进工具描述。

收尾工作与核心收获

完成实验后务必停止并删除笔记本实例，删除前记得备份 ipynb 文件。教程作者提供了完整的 notebook 文件供下载，可通过 JupyterLab 的上传按钮导入。

回顾整个流程，这套方案帮助开发者掌握了几个关键能力：用 Strands Agents 框架和 Bedrock 搭建 Agent、编写 Python 工具函数并集成到 Agent、对接真实 API 获取动态数据、理解 Agent 基于问题类型自主选择工具的工作机制、以及 IAM 权限在访问 Bedrock 服务时的决定性作用。

对于想快速体验 AI Agent 开发流程的工程师来说，这是一个成本可控、步骤清晰的入门路径。