2026. október 23., péntek · Eszközök

AWS: öt gyártási kihívás a multi-ügynökös rendszereknél

Az AWS Machine Learning hivatalos blogja szerint az AWS Solutions Architecture csapata felépítette a Deep Insight nevű, éles üzemre szánt multi-ügynökös rendszert, amely összetett adatelemzési feladatokat automatizál. A vállalat bejelentése szerint a most induló, három részes cikksorozat első darabja azt az öt alapvető problémát azonosítja, amely minden ilyen rendszert próbára tesz működés közben, például amikor az ügynök megkerüli a validációs lépéseket vagy figyelmen kívül hagyja az üzleti logikát. Az AWS szerint a megoldás nem a promptok finomhangolása, hanem az ügynökök teljes gondolkodási és végrehajtási folyamatának megtervezése, amihez a Strands Agents SDK-t, az Amazon Bedrock-ot, a Bedrock AgentCore-t, az Application Load Balancert és az AWS Fargate-et használták. A cikk az Anthropic által javasolt Context Engineering technikákat (strukturált jegyzetelés, emberi felügyelet) is bemutatja gyakorlati példákkal.

Egy forrás erősíti A hír állításait legfeljebb egy forrás támasztja alá tárgyilag; a többi forrás anyaga nem erről szól.

Miért fontos?

A cikk konkrét AWS-szolgáltatásokhoz (Bedrock AgentCore, Fargate, Strands SDK) köti a megoldásokat, ami gyakorlati útmutatást ad vállalatoknak az ügynökök validációs lépéseinek éles környezetben való biztosításához. A mögöttes eredményt leíró tanulmány preprint: még nem ment át szakmai bírálaton (peer review).

Források

AWS Machine Learning Hivatalos arXiv cs.AI

Kapcsolódó témák

Napi összefoglalók AI eszközök #AWS#Multi-agent rendszerek

Napi összefoglaló

Ez a hír a 2026. október 23., péntek napi AI összefoglaló része.

Kapcsolódó hírek

Amazon Polly: nagy frissítés a generatív hangmotorhoz

Az Amazon bejelentette, hogy frissítette Polly nevű szolgáltatásának generatív hangmotorját, amely a vállalat szerint természetesebb, kifejezőbb és pontosabb beszédet produkál alacsony késleltetéssel. A frissítés 14 új hangot hoz 9 nyelvi régióban, köztük először érhető el általánosan hindi és finn nyelvű generatív hang. Az AWS közlése szerint a frissítés zökkenőmentesen, API-váltás nélkül illeszthető be a meglévő alkalmazásokba, mivel a hangnevek és hívások változatlanok maradnak. A szolgáltatás mostantól éles környezetben, általánosan elérhető. A cég mintaszövegekkel demonstrálja, hogy a rendszer pontosan visszaadja a számokat, pénznemeket és címeket, például egy rendelési visszaigazolásban.

AWS két nyílt forráskódú eszközt vezetett be AI-ágensek fejlesztéséhez

Az AWS bejelentése szerint két nyílt forráskódú projektet indított: a Strands Decider 2B egy kétmilliárd paraméteres modell, amely nem hosszú szöveget generál, hanem előre megadott opciók közül választ bizalmi pontszámmal, így modellirányításra, eszközválasztásra, osztályozásra és korlátozó szabályok betartatására használható. A Qwen3.5-2B alapú modellt egy rank-16 LoRA adapterrel finomhangolták, a nyelvi modell fejét egy pontozó fejjel helyettesítve; az AWS szerint a döntési késleltetés mediánja körülbelül 115 ezredmásodperc egy NVIDIA RTX 3090-en, 153 ezredmásodperc kisebb feladatoknál egy Apple M3 gépen, a JevBench teszten pedig 72,3 százalékos pontosságot ért el 231 nyilvános feladaton a v19 jelű változat. A másik, fejlesztői előnézetben elérhető Strands Box egy izolált futtatási környezet ágensekhez, amely operációsrendszer-szintű elkülönítést kombinál a Dogwood nevű nyílt szabálynyelvvel, így meghatározható, milyen parancsokat, Python-kódokat vagy hálózati hívásokat hajthat végre egy ágens, és ez a kontroll a nyelvi modellen kívül, kernel szinten érvényesül.

AWS Ray LLM konténer: multi-node LLM-kiszolgálás EKS-en

Az AWS hivatalos blogbejegyzése szerint a vállalat bemutatta a Ray LLM Deep Learning Containers (DLC) multi-node változatát, amellyel egyetlen nagy nyelvi modell két GPU-csomóponton, Amazon EKS-en futtatható egy közös, OpenAI-kompatibilis végponton keresztül. A megoldás külön csomópontra választja szét az előfeltöltési (prefill) és a dekódolási (decode) fázist, így a hosszú, számításigényes promptok nem akasztják meg a már folyamatban lévő kérések token-generálását. Az AWS azt írja, hogy korábban az ügyfeleknek maguknak kellett összeállítaniuk és karbantartaniuk a kompatibilis GPU-függőségi láncot (CUDA-könyvtárak, keretrendszerek), ami jelentős, a modellfejlesztéstől elvonó mérnöki munkát igényelt. A most bemutatott, előre tesztelt és patchelt konténer ezt a réteget automatikusan biztosítja, kiterjesztve a korábbi, egycsomópontos Ray Serve DLC-nél alkalmazott megközelítést a többcsomópontos, szétválasztott (disaggregated) inferenciára.

Pizza Bot: nyílt forráskódú postaláda AI-ügynököknek az AWS-től

AWS-fejlesztők nyílt forráskódúvá (Apache 2.0 licenc alatt) tették a Pizza Bot nevű, önhosztolt alkalmazást, amely e-mail-kliens stílusú felületen kezeli a háttérben futó AI-ügynökök munkáját. A rendszer kliens-szerver architektúrán alapul: az ügynökök ütemezetten vagy webhookra indulva dolgoznak, feladatokat delegálhatnak specializált munkásoknak, és emberi jóváhagyásra várhatnak fontosabb lépések előtt. A fejlesztők, Joseph Dolivo (principal technologist) és Igor Fil (solutions architect) szerint a postaláda-metafora azért illik, mert egy szál olyan munkaegység, amihez visszatérünk, nem olyan munkamenet, amit folyamatosan figyelni kell. A rendszer több modellszolgáltatót és MCP-szervert támogat, miközben az ügynök állapotát, szálait és naplóit helyben, a felhasználó gépén tárolja, és csak a kiválasztott modellszolgáltatónak, illetve az engedélyezett MCP-szervereknek küld adatot. A projekt a fejlesztők elmondása szerint egy 2025 áprilisában indult, CRM-naplózást automatizáló belső eszközből, a „JoeBot”-ból nőtte ki magát.