用 Strands Agents + NVIDIA NIM + Bedrock AgentCore 搭建高性能多 Agent 系统

营销文案输入
    │
    ├─→ 品牌合规审查 Agent ──→ 写入共享记忆
    ├─→ 事实准确性审查 Agent ──→ 写入共享记忆
    └→ 受众匹配度审查 Agent ──→ 写入共享记忆
    │
    └─→ 汇总 Agent ←── 从共享记忆读取三项结论
    │
    └─→ 输出最终审查报告

# 安装依赖
# pip install strands-agents strands-agents-tools

from strands import Agent
from strands.tools.agent_tool import agent_tool

# ---- 定义审查 Agent ----

# 品牌合规审查 Agent
brand_reviewer = Agent(
    model="nim",  # 指向 NVIDIA NIM 端点，需在环境变量中配置 NIM_BASE_URL 和 NIM_API_KEY
    system_prompt="""你是一个品牌合规审查专家。
对输入的营销文案检查以下问题：
- 是否包含未经授权的品牌引用
- 是否有误导性比较
- 是否违反广告法常见禁用词
输出格式：JSON，包含 verdict(pass/fail) 和 details 字段。""",
    tools=[],  # 审查 Agent 不需要额外工具，纯推理
)

# 事实准确性审查 Agent
fact_reviewer = Agent(
    model="nim",
    system_prompt="""你是一个事实准确性审查专家。
对输入的营销文案检查：
- 数据引用是否有来源
- 技术声明是否可验证
- 是否存在夸大或虚假陈述
输出格式：JSON，包含 verdict 和 details 字段。""",
    tools=[],
)

# 受众匹配度审查 Agent
audience_reviewer = Agent(
    model="nim",
    system_prompt="""你是一个受众匹配度审查专家。
对输入的营销文案检查：
- 语气是否匹配目标受众（如开发者、企业决策者）
- 术语使用是否恰当
- 是否有文化或地域敏感问题
输出格式：JSON，包含 verdict 和 details 字段。""",
    tools=[],
)

# ---- 把审查 Agent 注册为汇总 Agent 的工具 ----

@agent_tool(agent=brand_reviewer, name="brand_review", description="调用品牌合规审查 Agent")
def brand_review_tool(content: str) -> str:
    """将营销文案交给品牌合规审查 Agent 处理"""
    return brand_reviewer(content)

@agent_tool(agent=fact_reviewer, name="fact_review", description="调用事实准确性审查 Agent")
def fact_review_tool(content: str) -> str:
    """将营销文案交给事实准确性审查 Agent 处理"""
    return fact_reviewer(content)

@agent_tool(agent=audience_reviewer, name="audience_review", description="调用受众匹配度审查 Agent")
def audience_reviewer_tool(content: str) -> str:
    """将营销文案交给受众匹配度审查 Agent 处理"""
    return audience_reviewer(content)

# ---- 定义汇总 Agent ----

coordinator = Agent(
    model="nim",
    system_prompt="""你是营销内容审查汇总 Agent。
收到营销文案后，你需要同时调用三个审查工具：
1. brand_review —— 品牌合规
2. fact_review —— 事实准确性
3. audience_review —— 受众匹配度

收到三个审查结果后，汇总成一份最终报告，包含：
- 总体结论（全部 pass 才算通过）
- 各项审查摘要
- 改进建议（如有 fail 项）""",
    tools=[brand_review_tool, fact_review_tool, audience_reviewer_tool],
)

# ---- 运行 ----

campaign_text = """
CloudDB Pro 是全球最快的云数据库，性能比 AWS Aurora 快 10 倍。
已服务 500 万开发者，零宕机记录。
适合所有企业，从初创到跨国集团。
"""

result = coordinator(campaign_text)
print(result)

# NVIDIA NIM 端点配置（替换为你的实际端点）
export NIM_BASE_URL="https://integrate.api.nvidia.com/v1"
export NIM_API_KEY="nvapi-xxxx"

# 如果部署在 Bedrock AgentCore 上，还需要配置 AWS 凭证
export AWS_REGION="us-east-1"
export AWS_ACCESS_KEY_ID="AKIAxxxx"
export AWS_SECRET_ACCESS_KEY="xxxx"

# agentcore-deploy.yaml
agents:
  brand_reviewer:
    runtime: python3.12
    model_endpoint: nim  # 指向 NIM 端点
    memory: shared       # 启用 AgentCore 共享记忆
    trace: enabled       # 启用内置 trace

  fact_reviewer:
    runtime: python3.12
    model_endpoint: nim
    memory: shared
    trace: enabled

  audience_reviewer:
    runtime: python3.12
    model_endpoint: nim
    memory: shared
    trace: enabled

  coordinator:
    runtime: python3.12
    model_endpoint: nim
    memory: shared
    trace: enabled
    tools:
      - brand_reviewer
      - fact_reviewer
      - audience_reviewer

trace_id: abc-123
  ├── coordinator.invoke (token: 150, latency: 1.2s)
  │   ├── brand_review_tool.invoke (token: 800, latency: 3.1s)
  │   ├── fact_review_tool.invoke (token: 900, latency: 3.4s)
  │   ├── audience_review_tool.invoke (token: 700, latency: 2.8s)
  │   └── coordinator.summarize (token: 200, latency: 0.8s)