Agentes - Amazon Quick
Agentes de UIAgentes personalizados

As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

Agentes

  • Agente de interface de usuário - agente de IA para tarefas de navegadores da web. Usado para automação web dinâmica e inteligente. Basta escrever instruções para que ele navegue em sites, extraia dados e gere saídas estruturadas.

  • Agente personalizado - agente de IA para tarefas complexas. Crie um agente que possa entender as instruções em linguagem natural e realizar ações usando as ferramentas disponíveis. Usado para tarefas que exigem raciocínio, julgamento e planejamento dinâmico.

Agentes de UI

O agente de interface do usuário é um agente nativo que entende as instruções em linguagem natural para realizar ações complexas do navegador. Ele pode navegar em sites de forma autônoma, clicar, digitar, ler dados e produzir saídas estruturadas otimizadas para etapas de automação posteriores. Exemplos de casos de uso incluem resumir produtos em uma página da web ou buscar dados navegando em sites.

Propriedades

Título

Nome do step/UI agente

Instruções

Nesse campo, você escreve o prompt para o agente em linguagem natural. Práticas recomendadas ao escrever o prompt:

  • Seja claro e explícito sobre o que você quer.

  • Estruture o prompt. Comece mencionando primeiro a 'Tarefa' ou 'Função' e depois as 'Instruções' para realizar a tarefa com etapas numeradas

  • Adicione restrições (por exemplo, revise apenas a seção de produtos) e especifique quando stop/end (por exemplo, pare quando encontrar as informações relevantes)

  • Forneça exemplos positivos e negativos (não faça isso)

  • Especifique claramente os requisitos de tamanho (por exemplo, menos de 100 palavras) ou formato de saída (por exemplo, data no MM/DD/YY formato)

Coloque o texto entre aspas triplas (“"”) para escrever solicitações com várias linhas. Por exemplo:

"""Task: Locate the company's latest annual report.
* Visit the provided URL.
* Look for the annual report. The report may be titled 'Annual Report', 'Financial Report', 'Year in Review', or similar variations..."""
Saída estruturada (opcional)

Resposta do agente: Nome da variável para atribuir a saída desta operação

Como configurar campos de saída estruturados

Adicionando campos

  • Clique em Adicionar campo para criar um novo campo de saída

  • Insira o nome de saída - isso se torna o nome da propriedade JSON

  • Selecione o Tipo no menu suspenso

  • Marque Obrigatório se o campo deve estar sempre presente

  • Adicione uma descrição para orientar o agente de IA

Tipos de campo

  • Cadeia de caracteres - valores de texto (nomes, descrições, resumos)

  • Número - Valores numéricos (contagens, pontuações, porcentagens)

  • Booleano - True/false valores (sinalizadores de status, yes/no perguntas)

  • Objeto - Estrutura aninhada (agrupamentos de dados complexos)

  • Matriz - Lista de itens (tags, categorias, vários valores)

  • Arquivo - Referências de arquivo (anexos de documentos, imagens)

  • Tabela de dados - Dados tabulares (conjuntos de dados estruturados, relatórios)

Trabalhando com tipos complexos

Objetos e matrizes podem conter campos aninhados:

  • Clique na seta de expansão (▶) ao lado dos campos Objeto ou Matriz

  • Use Adicionar campo dentro da estrutura aninhada

  • Mantenha o aninhamento em 2 a 3 níveis no máximo para um desempenho ideal

Exemplo de configuração

Aqui está uma configuração simples para resumir o feedback do cliente:

{
  "orderId": "12345",
  "numberOfOrders": 3,
  "hasShipped": true,
  "orderDetails": {
    "quantity": 2,
    "productName": "ABC",
  },
  "tags": ["electronics", "urgent"]
}

Essa estrutura seria configurada como:

  • OrderId (String, obrigatório)

  • numberOfOrders (Número, obrigatório)

  • HasShipped (booleano, obrigatório)

  • Detalhes do pedido (objeto, obrigatório)

    • quantidade (Número, obrigatório)

    • Nome do produto (sequência de caracteres, obrigatório)

  • tags (matriz de sequências de caracteres, opcional)

Práticas recomendadas

  • Use nomes de campo descritivos - ajude a IA a entender quais dados extrair

  • Adicione descrições claras - forneça contexto para campos complexos

  • Marque os campos críticos conforme necessário - Garanta que os dados essenciais estejam sempre presentes

  • Limite a profundidade de aninhamento - mantenha as estruturas simples para um melhor desempenho

  • Teste sua configuração - Verifique se a saída corresponde às suas expectativas executando a etapa do agente e verificando a resposta.

Observações importantes

  • Conhecimento de JSON: Não está familiarizado com JSON? Aprenda o básico em json.org

  • Sem validação: atualmente, o sistema não valida a estrutura de saída - garanta que sua automação manipule dados ausentes ou malformados

Agentes personalizados

O agente personalizado é uma ação inteligente que processa entradas de linguagem natural para automatizar etapas complexas usando recursos integrados de chamada de ferramentas. Ele usa principalmente integrações como interface de ferramentas, ao mesmo tempo em que oferece extensibilidade para usar o Código como ferramenta e outras ações nativas, como tarefa. human-in-the-loop O agente fornece resultados estruturados e previsíveis, otimizados para uma integração perfeita nas etapas de automação posteriores.

Propriedades

  • Título: Nome do step/custom agente

  • Modo: um modo define como o agente opera com base no seu caso de uso. Os três modos disponíveis são: Rápido, Pro e Personalizado. O Fast é ideal para tarefas simples, como resumo, classificação e automações de alto volume, e o Pro é ideal para tarefas complexas que envolvem raciocínio e orquestração de várias ferramentas ou ações. O Fast e o Pro são modos totalmente gerenciados que não exigem pré-configuração prévia. No Modo Personalizado, você precisará de um conector de tempo de execução Bedrock e poderá selecionar o modelo que deseja usar (explicado abaixo). Isso é ideal quando você já tem um prompt ajustado para um modelo Bedrock específico, precisa especificamente de um modelo Bedrock específico para o Agente ou deseja incluir seu próprio modelo personalizado ou ajustado hospedado no Bedrock. No Modo Personalizado, como você traz seu próprio modelo do Bedrock por meio de uma integração, a inferência do modelo é cobrada separadamente na conta associada a essa integração com o Bedrock.

  • Instruções: Neste campo, você escreve o prompt para o agente em linguagem natural. Práticas recomendadas ao escrever o prompt:

    • Seja claro e explícito sobre o que você quer.

    • Estruture o prompt. Comece mencionando primeiro a 'Tarefa' ou 'Função' e depois as 'Instruções' para realizar a tarefa com etapas numeradas

    • Para melhorar a precisão da chamada de ferramenta e orientar o agente, especifique claramente no prompt qual ferramenta usar em cada etapa, se aplicável.

    • Especifique claramente os requisitos de tamanho (por exemplo, menos de 100 palavras) ou formato de saída (por exemplo, data no MM/DD/YY formato)

    • Coloque o texto entre aspas triplas (“"”) para escrever solicitações com várias linhas. Por exemplo:

      """You are content summarization agent.
Summarize the last two paragraphs of the provided text, focusing only on the main conclusion."""

  • Ações: a ação é uma ferramenta que permite ao agente de IA interagir com sistemas externos ou realizar tarefas específicas. Isso é opcional. Você pode executar o agente personalizado sem nenhuma ação. Abaixo estão as diferentes ações que podem ser usadas no agente personalizado

    • Ações gerais

      • Criar tarefa de usuário - Se ativada, essa ferramenta permite que o Agente acione uma tarefa Human-in-the-Loop (HITL) sempre que ela travar e precisar de ajuda durante a execução. O agente faz uma pausa e espera pela intervenção humana. A tarefa do HITL está visível na central de tarefas. Para obter melhores resultados, o autor pode especificar no prompt exatamente quando o agente deve invocar o HITL. Isso é selecionado por padrão. A automação é executada até que a tarefa seja concluída.

      • Código - A ação Código gera e executa o código python em um ambiente restrito do Python, da mesma forma que as ações de código, para resolver tarefas que envolvem cálculos, manipulação de dados e processamento de arquivos. Ao contrário dos geradores de código, ele cria e executa scripts ativamente para atingir objetivos, trabalhando com Excel, arquivos PDF, vários formatos de dados e integrações disponíveis

        • Principais recursos:

          • Operações de arquivo: processe arquivos Excel com várias guias, extraia conteúdo, realize cálculos de datas, aplique formatação condicional e faça upload dos resultados para o S3

          • Transformação de dados: converta entre formatos JSON e de tabela, transponha dados, renomeie colunas e junte tabelas

          • Computações avançadas: gere sequências numéricas e realize validação automatizada

    • Integrações: Se você adicionou ações de integração específicas, como Salesforce, MS Exchange ou Bedrock, ao seu grupo de automação, as ações correspondentes aparecem aqui para serem usadas no agente personalizado. O autor pode então selecionar as ações relevantes para usar como ferramentas para o agente.

      Lista de integrações que podem ser usadas como tools/actions no agente personalizado

      • Amazon S3

      • Automação de dados Amazon Bedrock

      • Amazon Comprehend

      • Amazon Textract

      • API REST personalizada

      • Conector MCP personalizado

      • Microsoft Outlook

      • Salesforce

  • Saída estruturada (opcional)

    Configure seu agente de IA para retornar uma saída JSON estruturada que as etapas posteriores possam processar. Esse recurso é ideal para resumo de texto, geração de relatórios, transformação de dados e extração de estatísticas de conteúdo não estruturado. Esse é um campo opcional. Se você não definir a saída estruturada, o agente retornará a saída em linguagem natural por padrão. Use a saída estruturada quando sua saída tiver uma estrutura definida, como uma lista, tabela de dados ou JSON.

    nota

    A configuração de saída estruturada para agentes personalizados segue o mesmo formato dos agentes de interface do usuário. Consulte a seção Saída estruturada do agente de interface do usuário para obter instruções detalhadas de configuração.

  • Resposta do agente: nome da variável para atribuir a saída do agente. A resposta segue seu formato de saída estruturado em um esquema JSON, se definido, caso contrário, é um texto de formato livre.

Usando modelos personalizados no Custom Agent (traga seu próprio modelo básico)

Integre seus modelos desejados ou personalizados hospedados no AWS Bedrock com os fluxos de trabalho de automação do Quick Suite.

Antes de começar, certifique-se ter:

  • Um modelo ajustado implantado e acessível no Bedrock AWS

  • Acesso do Quick Suite Admin para criar conectores

  • Uma função do IAM com permissões do Bedrock para invocar modelos

  • Seu ID de modelo (por exemplo,us.anthropic.claude-3-5-sonnet-20241022-v2:0)

Etapa 1: Crie uma integração do Bedrock Runtime Action seguindo as instruções detalhadas em AWS conectores de ação de serviço

Etapa 2: configurar seu grupo de automação

Crie um grupo de automação e conecte a integração:

  • Crie um grupo de automação - Siga as instruções detalhadas em Tarefas de configuração

  • Configurar integrações - Siga as instruções detalhadas em Tarefas de configuração

  • Depois de configurado, o conector aparece na sua lista de ativos disponíveis

Etapa 3: configurar um agente personalizado

Adicione e configure um agente personalizado para usar seu modelo ajustado:

  • Em seu fluxo de trabalho de automação, adicione um agente personalizado

  • Defina as seguintes configurações do agente:

    • Título do agente: insira um nome descritivo para seu agente

    • Instruções: insira instruções personalizadas adaptadas ao seu caso de uso

    • Modo: Selecione Personalizado

    • Conector: Escolha seu conector Bedrock Runtime (necessário quando o modo Personalizado é selecionado)

    • Modelo personalizado: insira o ID do modelo (por exemplo,us.anthropic.claude-3-5-sonnet-20241022-v2:0) - obrigatório quando o modo personalizado é selecionado

Próximas etapas

Depois de configurado, seu agente personalizado usa o modelo ajustado para processar solicitações de acordo com as instruções fornecidas. Agora você pode incorporar esse agente em seus fluxos de trabalho do Quick Automate.

nota

Certifique-se de que o ID do modelo esteja formatado corretamente e corresponda ao modelo implantado em sua conta AWS Bedrock. Você pode encontrar o ID do seu modelo no console do AWS Bedrock, em seus modelos provisionados.

Teste personalizado de agentes

O teste personalizado de agentes permite que você teste agentes individuais independentemente do fluxo de trabalho de automação completo. Esse recurso ajuda você a validar o comportamento do agente, depurar solicitações e iterar com mais eficiência sem executar todo o fluxo de trabalho.

Pré-requisitos

  • Um fluxo de trabalho de automação com pelo menos um agente personalizado configurado

  • Permissões apropriadas para executar automações em seu espaço de trabalho

Iniciar um teste

  • Na tela do fluxo de trabalho, passe o mouse sobre o cartão do agente que você deseja testar

  • Escolha o botão Teste de unidade que aparece na parte superior do cartão

  • Na janela de coleta de variáveis que se abre, revise as variáveis detectadas automaticamente a partir do prompt do seu agente

    • A visualização do prompt exibe todas as variáveis detectadas com destaque

  • Insira um valor para cada variável

    • Os valores devem usar uma sintaxe de expressão válida

    • Se um valor contiver uma sintaxe inválida, uma mensagem de erro será exibida e impedirá a execução do teste

Monitore a execução do teste

Durante a execução do teste, você pode monitorar o progresso no painel de auditoria no lado direito da tela. O teste ignora todas as etapas anteriores do fluxo de trabalho e executa somente o agente selecionado. Você obtém a mesma experiência de registro de uma execução completa do fluxo de trabalho.

Revise os resultados do teste

Depois que o teste for concluído, revise as seguintes informações no painel Teste:

  • Cartão de métricas (guia Monitor na parte superior do painel de teste)

    • Tempo de execução total

    • Número de ferramentas usadas

    • Número de tarefas criadas

  • Faz login entre

  • Aba de variáveis do relógio (acordeão inferior do painel de teste)

    • Entrada - Visualize as variáveis de entrada e seus valores

    • Saída - Examine os resultados de saída da execução do agente

    • Para saídas estruturadas, clique no botão Exibir detalhes para escolher o visualizador JSON para abrir a caixa de diálogo Exibir saída:

      • Aba Campos - Navegue pelos dados usando a visualização da estrutura em árvore

      • Campos - Destaque os valores correspondentes selecionando os nós da árvore na guia Campos

      • Campos de saída - valores correspondentes para as chaves JSON

Usando o agente personalizado com o Build with Assistant

O princípio atual do agente personalizado é que ele deve ser mencionado especificamente para que seja invocado de forma consistente. Aqui estão as coisas necessárias no prompt para que ele apareça:

- Function names: `use_inline_agent`
- Representation names: "Custom Agent", "Inline Agent" → use `use_inline_agent`
- Generic terms: "agentic skills" → default to `use_inline_agent`

Caso contrário, é preferível que o modelo crie o fluxo de trabalho de forma determinística.

Porém, na prática, quando nenhuma ação apropriada está disponível, o planejador pode escolher um agente personalizado como solução alternativa. Mas, para invocar consistentemente o agente personalizado no fluxo de trabalho, recomendamos que as frases acima sejam usadas no prompt.

Exemplos de casos de uso de agentes

Caso de uso 1: Agente de classificação e atribuição de e-mails

Função: Você é um agente de categorização e atribuição de e-mails

Instruções: Siga estas etapas:

  • Etapa 1: Classifique o e-mail recebido com base na coluna Categoria da tabela de referência fornecida como conhecimento

  • Etapa 2: use o sistema de e-mail para enviar uma notificação:

    • De: [system_email]

    • Para: [team_distribution_email]

    • Assunto: [Resultado da classificação]

    • Corpo: inclua um breve resumo explicando o raciocínio da classificação e os pontos-chave do e-mail original

  • Etapa 3: Para todas as categorias válidas (exceto “desconhecido”), crie um novo caso no Salesforce com:

    • Assunto: [Assunto do e-mail original]

    • Descrição: Problema resumido do corpo do e-mail

    • Prioridade: com base na urgência do conteúdo () High/Medium/Low

    • Tipo: Selecione o tipo apropriado (Question/Problem/Feature Request/Other)

    • Status: 'Novo'

    • Categoria: [Resultado da classificação da Etapa 1]

  • Etapa 4: Se classificado como 'desconhecido':

    • Encaminhe para o supervisor para análise manual

    • Adicione uma nota explicando por que a classificação era incerta

    • Com base na categoria recebida do supervisor, siga as etapas 2 e 3 e pare

    • Se a categoria recebida do supervisor for desconhecida ou inválida, pare