Agentic Multi Agent

Agent AI多Agent演示

AWS解决方案架构师演示：由Strands agent、A2A通信和模型上下文协议（MCP）支持的生产就绪多代理系统

   

主要成就：

• 使用Claude Sonnet 4.5 OCR将PDF转换为Markdown
• 具有A2A通信的生产就绪多代理编排
• 具有防超时功能的智能报告生成
• 复杂查询的响应时间低于30秒

______________________________________________________________________

概述

高级 agent多agent系统 用于企业可持续性分析。作为AWS解决方案架构师DEMO构建，结合了Amazon Bedrock、Strands Agents框架和模型上下文协议，用于智能可持续性报告分析。

用例： 企业可持续发展报告的实时问答和全面的HTML/PDF报告（公开文件）。

技术亮点：

• 7名专业代理 具有智能编排功能
• 计划执行器模式 用于复杂的多步推理
• 智能报表代理 具有自适应数据收集功能
• 3台MCP服务器 （基岩知识库、DuckDuckGo、HTML2PDF）
• 任何阶段的智能澄清循环
• 三阶段报告生成（防止超时）

演示：系统在行动

欢迎屏幕：

Welcome Screen

查询与响应：

Query Result

*实时可持续性分析，智能报告生成。截图显示：*

• *具有格式化面板和markdown渲染的丰富CLI界面*
• *多代理架构：主管→ 知识代理→ 基岩知识库*
• *带有markdown格式的结构化响应，以提高可读性*
• *快速响应时间（简单查询不到5秒）*

______________________________________________________________________

系统架构

A2A和MCP的高层架构

flowchart TD
    User[User Interface
CLI with Rich Formatting] --> Supervisor[Supervisor Agent V2
Claude Sonnet 4.5
Orchestrator + Clarification]

    Supervisor -->|Simple Query| A2A_Knowledge[call_knowledge_agent
A2A Communication]
    Supervisor -->|External Query| A2A_Research[call_research_agent
A2A Communication]
    Supervisor -->|Complex Query| A2A_Plan[create_and_execute_plan
A2A Communication]
    Supervisor -->|Report Request| A2A_Report[create_detailed_report
A2A Communication]

    A2A_Knowledge --> KnowledgeAgent[Knowledge Agent
Claude Sonnet 4.5
Internal Specialist]
    A2A_Research --> ResearchAgent[Research Agent
Claude Sonnet 4.5
Web Search Specialist]

    A2A_Plan --> Planner[Planner Agent
Claude Sonnet 4.5
JSON Plan Creator]
    Planner -->|ExecutionPlan JSON| Executor[Executor
Sequential + Early Termination]

    Executor -->|Step: kb_query| KnowledgeAgent
    Executor -->|Step: web_search| ResearchAgent
    Executor -->|Step: aggregate| Aggregator[Aggregator Agent
Claude Sonnet 4.5
Data Synthesizer]
    Executor -->|Step: compare| Aggregator

    A2A_Report --> ReportAgent[Report Agent
Claude Haiku 4.5
Intelligent Report Generator]
    ReportAgent -->|If data insufficient| ReportA2A_Knowledge[get_additional_knowledge_data
A2A to Knowledge Agent]
    ReportAgent -->|If data insufficient| ReportA2A_Research[get_additional_research_data
A2A to Research Agent]
    ReportA2A_Knowledge --> KnowledgeAgent
    ReportA2A_Research --> ResearchAgent

    KnowledgeAgent -->|MCP Tool| MCP_KB[Bedrock KB Tool
get_knowledge
Hybrid Search]
    ResearchAgent -->|MCP Tools| MCP_Search[DuckDuckGo Tools
web_search
news_search]
    ReportAgent -->|3-Stage Generation| MCP_PDF[HTML2PDF Tool
Puppeteer
scale 80%]

    MCP_KB -->|boto3| BedrockKB[Amazon Bedrock
Knowledge Base]
    MCP_Search -->|API| DuckDuckGo[DuckDuckGo
Web + News Search]
    MCP_PDF -->|subprocess| PDFEngine[Node.js Puppeteer
HTML → PDF]

    BedrockKB --> BedrockRuntime[Amazon Bedrock Runtime
Claude Sonnet 4.5
Inference Profile]

    Supervisor -.->|Clarification| User
    ReportAgent -.->|Clarification if needed| User

    style Supervisor fill:#FF6B6B,stroke:#C92A2A,stroke-width:3px,color:#fff
    style Planner fill:#4ECDC4,stroke:#087F5B,stroke-width:2px,color:#fff
    style Executor fill:#4ECDC4,stroke:#087F5B,stroke-width:2px,color:#fff
    style KnowledgeAgent fill:#95E1D3,stroke:#0CA678,stroke-width:2px
    style ResearchAgent fill:#95E1D3,stroke:#0CA678,stroke-width:2px
    style Aggregator fill:#95E1D3,stroke:#0CA678,stroke-width:2px
    style ReportAgent fill:#95E1D3,stroke:#0CA678,stroke-width:2px
    style MCP_KB fill:#FFE66D,stroke:#F59F00,stroke-width:2px
    style MCP_Search fill:#FFE66D,stroke:#F59F00,stroke-width:2px
    style MCP_PDF fill:#FFE66D,stroke:#F59F00,stroke-width:2px
    style BedrockKB fill:#A8DADC,stroke:#1864AB,stroke-width:2px
    style BedrockRuntime fill:#A8DADC,stroke:#1864AB,stroke-width:2px
    style A2A_Knowledge fill:#FFB4A2,stroke:#E03131,stroke-width:2px
    style A2A_Research fill:#FFB4A2,stroke:#E03131,stroke-width:2px
    style A2A_Plan fill:#FFB4A2,stroke:#E03131,stroke-width:2px
    style A2A_Report fill:#FFB4A2,stroke:#E03131,stroke-width:2px
    style ReportA2A_Knowledge fill:#FFB4A2,stroke:#E03131,stroke-width:2px
    style ReportA2A_Research fill:#FFB4A2,stroke:#E03131,stroke-width:2px

传说：

• 红：编排员（主管）
• 鲑鱼：A2A通信层
• 凫蓝：规划与执行
• 绿色：专业代理
• 黄色：MCP工具层
• 蓝色：亚马逊基岩服务
• 点状的：澄清循环

关键架构原则

1. LLM驱动路由 -没有硬编码，主管根据上下文决定
2. A2A通信 -代理通过@tool-wrappers调用代理
3. MCP集成 -外部服务的标准化工具接口
4. 任何阶段的澄清 -客服可以要求用户提供缺失的信息
5. 效率 -重复使用以前的答案，避免冗余的数据收集
6. 韧性 -三级生成可防止超时和回退机制

______________________________________________________________________

代理商规格

1.主管代理V2（编排器）

模型: global.anthropic.claude-sonnet-4-5-20250929-v1:0

角色：具有路由、澄清和委派功能的智能编排器。

能力：

• 问题分类（问候语/简单/复杂/报告）
• 澄清循环（最多3轮，宽松假设）
• 通过3个A2A工具进行代理路由
• 对话历史意识
• 直接回答问候

A2A工具（3）：

1. call_knowledge_agent(query) → Knowledge Agent → Bedrock KB
2. call_research_agent(query) → Research Agent → DuckDuckGo
3. create_and_execute_plan(query) → Planner + Executor
4. create_detailed_report(topic, previous_analysis) → Report Agent

路由逻辑（LLM决定）：

• 问候/闲聊→ 直接响应
• 内部知识→ 呼叫_知识_代理
• 外部信息→ 呼叫搜索代理
• 多公司比较→ 创建和执行计划
• "보고서" （报告）关键字→ create_detailed_report

实施: src/agents/supervisor_agent_v2.py

2.知识代理人（专家）

模型: global.anthropic.claude-sonnet-4-5-20250929-v1:0

角色：内部知识专家

数据源:

• AWS基岩知识库（YOUR_KB_ID）
• 企业可持续发展报告

MCP工具: get_knowledge(query, num_results=10)

答案风格（自适应）：

• 聊天模式：3-5句（简洁）
• 报告模式：综合（当查询包含“상Ǯ하게”或“综合”时）

效率：

• 每次查询调用知识库工具一次
• 混合搜索（关键字+语义）

实施: src/agents/esg_agent.py

3.研究代理人（专家）

模型: global.anthropic.claude-sonnet-4-5-20250929-v1:0

角色：外部信息和竞争研究

MCP工具：

• web_search(query, max_results=10) -一般网络搜索
• news_search(query, max_results=10) -新闻文章

效率指南：

• 每家公司最多搜索1-2次
• 合并搜索词
• 避免冗余查询

特殊功能：

def research_multiple_companies(
    companies: List[str],
    topic: str
) -> Dict[str, Any]:
    """Dynamic N-company research"""

实施: src/agents/research_agent.py

4.规划师代理

模型: global.anthropic.claude-sonnet-4-5-20250929-v1:0

角色：为复杂问题制定结构化的执行计划

输出：带Pydantic验证的JSON执行计划

自适应步长限制：

• 简单：最多5步
• 中等：最多10步
• 复杂：最多15步

步骤类型：

class StepType(str, Enum):
    REASONING = "reasoning"
    WEB_SEARCH = "web_search"
    NEWS_SEARCH = "news_search"
    KB_QUERY = "kb_query"
    AGGREGATE = "aggregate"
    COMPARE = "compare"

实施: src/agents/planner_agent.py

5.执行人

类型：Python编排器（不是LLM代理）

角色：逐步执行计划

能力：

• 具有依赖关系管理的顺序执行
• 基于step_type的代理路由
• 提前终止检测（聚合/比较后>800个字符）
• 结果聚合

代理路由：

REASONING → Research Agent
WEB_SEARCH → Research Agent
NEWS_SEARCH → Research Agent
KB_QUERY → ESG Agent
AGGREGATE → Aggregator Agent
COMPARE → Aggregator Agent

实施: src/agents/executor_agent.py

6.聚合剂

模型: global.anthropic.claude-sonnet-4-5-20250929-v1:0

角色：数据综合和比较分析

能力：

• 多源数据收集
• 度量标准化
• 比较分析
• 简明摘要（4-6句）

工具：无（纯数据处理）

实施: src/agents/aggregator_agent.py

7.报告代理（智能）

模型: global.anthropic.claude-haiku-4-5-20251001-v1:0 （俳句代表速度）

角色：智能报告生成专家

主要特点：

• 评估现有数据 -检查先前的分析是否充分
• 收集额外数据 -如有需要，请致电ESG/研究代理
• 要求澄清 -如果数据不可用，请用户输入
• 三级发电 -防止超时

工具（3）：

1. generate_detailed_report - HTML/PDF creation
2. get_additional_knowledge_data - Internal KB queries (A2A)
3. get_additional_research_data - External web search (A2A)

三阶段发电：

Stage 1: Executive Summary (200-300 tokens)
Stage 2: Detailed Analysis (1000-1500 tokens)
Stage 3: Conclusions (300-500 tokens)

# Each stage = separate API call = no timeout

决策逻辑：

IF previous_analysis sufficient:
    → Generate report (3 stages)

IF previous_analysis insufficient:
    → get_additional_knowledge_data / get_additional_research_data
    → Generate report

IF data unavailable from KB/Web:
    → Return "CLARIFICATION_NEEDED: [questions]"
    → User answers
    → Generate report

实施: src/agents/report_agent.py

______________________________________________________________________

代理到代理（A2A）通信

A2A图案

Strands代理商使用 代理作为工具 图案：

from strands import Agent, tool

# Specialized agents
knowledge_agent = Agent(
    model="claude-sonnet-4.5",
    tools=[get_knowledge],
    system_prompt="Internal knowledge specialist..."
)

# Wrap as tool for A2A
@tool
def call_knowledge_agent(query: str) -> str:
    """Call knowledge specialist."""
    response = knowledge_agent(query)  # ← A2A communication
    return str(response)

# Supervisor uses A2A tools
supervisor = Agent(
    model="claude-sonnet-4.5",
    tools=[call_knowledge_agent, call_research_agent, ...],
    system_prompt="Route questions..."
)

A2A通信流程

流程1：简单问题

User: "탄소배출량은?"
  ↓
Supervisor (LLM decides)
  ↓
call_knowledge_agent (A2A)
  ↓
Knowledge Agent
  ↓
MCP: get_knowledge (KB search)
  ↓
User: "543만 톤CO2e, 2030년까지 30% 감축 목표입니다."

(3-5 seconds, 2 tool calls)

流程2：复杂比较

User: "회사 A와 회사 B의 LTIR 비교"
  ↓
Supervisor (LLM decides)
  ↓
create_and_execute_plan (A2A)
  ↓
Planner → JSON Plan (8 steps)
  ↓
Executor:
  Step 1-2: call_research_agent (A2A) → Company B LTIR
  Step 3: call_knowledge_agent (A2A) → Company A LTIR
  Step 4: Aggregator (A2A) → 비교 분석
  ↓ (Early termination: >800 chars)
User: "Company A 0.15, Company B 0.18. Company A가 우수합니다."

(15-20 seconds, 8-10 tool calls, early termination)

流程3：报告生成

1. User: "지속가능성 공시 의무는?"
   → Supervisor → call_knowledge_agent → 답변

2. User: "보고서 만들어줘"
   → Supervisor (conversation history 전달)
   ↓
   create_detailed_report(
       topic="지속가능성 공시 의무",
       previous_analysis="이전 답변 전체"
   )
   ↓
   Report Agent (Haiku 4.5):
     • Evaluate: 이전 답변 충분한가?
     • Yes → generate_detailed_report (3 stages)
     • No → get_additional_knowledge_data → generate (3 stages)
   ↓
   Stage 1: Executive Summary (5s)
   Stage 2: Detailed Analysis (8s)
   Stage 3: Conclusions (5s)
   ↓
   HTML + PDF 생성
   ↓
   User: reports/report_지속가능성_공시_의무_20251122_140530.html/pdf

(15-20 seconds total, no timeout)

______________________________________________________________________

模型上下文协议（MCP）集成

MCP服务器1：基岩知识库

位置: src/tools/bedrock_kb_tool.py

工具: get_knowledge(query: str, num_results: int = 10)

配置：

• KB ID: YOUR_KB_ID
• 搜索类型：混合（关键字+语义）
• 地区：美国西部-2
• 配置文件：默认（或您的自定义AWS配置文件）

数据源：使用Claude Sonnet 4.5 OCR的PDF到Markdown转换器将企业可持续发展报告转换为Markdown

用途：

from src.tools import get_knowledge

result = get_knowledge(
    query="carbon emissions 2024",
    num_results=10
)

MCP服务器2:DuckDuckGo搜索

位置: src/tools/search_tools.py

工具：

• web_search(query: str, max_results: int = 10)
• news_search(query: str, max_results: int = 10)

配置：

• 地区：kr-kr（韩国）
• 自由层（无API密钥）
• 速率限制：内置

用途：

from src.tools import web_search, news_search

web_result = web_search("sustainability report 2024")
news_result = news_search("sustainability regulations")

MCP服务器3:HTML2PDF

位置: mcp/html2pdf/ （Node.js TypeScript）

后端：木偶（无头铬合金）

整合：Python子进程→ Node.js脚本（.mjs）

配置：

• 比例：80%
• 格式：A4
• 边距：15mm
• 背景：印刷

由呼叫：报告生成流程（自动）

______________________________________________________________________

智能报表生成

报表代理功能

1.自适应数据收集

场景A：足够的数据

Previous answer has comprehensive data
  ↓
Report Agent: Evaluate → Sufficient
  ↓
Generate report immediately (3 stages)

场景B：数据不足

Previous answer is brief or incomplete
  ↓
Report Agent: Evaluate → Insufficient
  ↓
Identify missing data:
  - Internal data? → get_additional_knowledge_data
  - External information? → get_additional_research_data
  ↓
Generate report with complete data (3 stages)

场景C：需要澄清

Critical info cannot be obtained from KB or Web
  ↓
Report Agent: Return "CLARIFICATION_NEEDED:\n1. [question]"
  ↓
CLI: Ask user
  ↓
User answers → Report Agent re-called
  ↓
Generate report (3 stages)

2.三阶段生成（防止超时）

问题：长HTML的单个API调用（8000个令牌）→ 读超时

解决方案：分为3个单独的通话

# Stage 1: Executive Summary
prompt_1 = "Generate ONLY Executive Summary (2-3 paragraphs)"
section_1 = report_agent(prompt_1)  # ~300 tokens, 5s

# Stage 2: Detailed Analysis
prompt_2 = "Generate ONLY Detailed Analysis (with tables)"
section_2 = report_agent(prompt_2)  # ~1500 tokens, 8s

# Stage 3: Conclusions
prompt_3 = "Generate ONLY Conclusions and Recommendations"
section_3 = report_agent(prompt_3)  # ~500 tokens, 5s

# Combine
html_content = section_1 + section_2 + section_3

优点：

• 无超时（每次通话\ bool:

"""Detect Markdown syntax (##, **, -, etc.)"""

if _is_markdown(content): html_content = markdown.markdown( content, extensions=['tables', 'fenced_code', 'nl2br'] )

______________________________________________________________________

## 计划执行器模式

### 使用时

- **复杂问题** 需要多步骤推理
- **多公司比较**
- **行业标杆**
- 无法通过单一客服电话回答的问题

### 执行流程

Complex Question ↓ Planner Agent (Sonnet 4.5) ↓ JSON ExecutionPlan { "complexity": "medium", "steps": [ {"step_id": 1, "step_type": "kb_query", "action": "..."}, {"step_id": 2, "step_type": "web_search", "action": "..."}, {"step_id": 3, "step_type": "aggregate", "dependencies": [1,2]} ] } ↓ Executor (Sequential) ├─ Step 1: ESG Agent (A2A) → KB query ├─ Step 2: Research Agent (A2A) → Web search └─ Step 3: Aggregator Agent (A2A) → Compare ↓ Check early termination ✓ Output >800 chars, remaining are searches → STOP (save time & cost) ↓ Final Answer (Concise, 4-6 sentences)

### Pydantic模型

from pydantic import BaseModel, Field from typing import List from enum import Enum

class StepType(str, Enum): REASONING = "reasoning" WEB_SEARCH = "web_search" NEWS_SEARCH = "news_search" KB_QUERY = "kb_query" AGGREGATE = "aggregate" COMPARE = "compare"

class ExecutionStep(BaseModel): step_id: int step_type: StepType description: str action: str dependencies: List[int] = [] expected_output: str

class ExecutionPlan(BaseModel): question: str analysis: str steps: List[ExecutionStep] = Field(max_length=15) complexity: str # "simple", "medium", "complex" expected_final_output: str

______________________________________________________________________

## 澄清循环

### 多层次澄清

**可用网址：**

1. **主管级别** -Unclear questions（“主要建筑公司”=which companys？）
1. **报告代理级别** -缺少报告的关键数据
1. **任何代理人** -可以返回CLARIFICATION_NEEED

### 实施

**代理商退货：**

"CLARIFICATION_NEEDED:

1. 어떤 건설사들을 비교하고 싶으신가요?
2. 어떤 연도 데이터를 원하시나요?"

**CLI句柄：**

if response.startswith("CLARIFICATION_NEEDED:"): questions = parse_questions(response) for q in questions: answer = ask_user(q) enhanced_query = enhance_with_answers(original, answers) response = agent(enhanced_query) # Retry with clarification

______________________________________________________________________

## 项目结构

agentic-multi-agent/ ├── src/ │ ├── agents/ # Strands Agents │ │ ├── supervisor_agent_v2.py # Orchestrator (Sonnet 4.5) │ │ ├── planner_agent.py # Plan creator (Sonnet 4.5) │ │ ├── executor_agent.py # Plan executor │ │ ├── esg_agent.py # Knowledge specialist (Sonnet 4.5) │ │ ├── research_agent.py # Web search specialist (Sonnet 4.5) │ │ ├── aggregator_agent.py # Data synthesizer (Sonnet 4.5) │ │ ├── report_agent.py # Report generator (Haiku 4.5) │ │ └── plan_models.py # Pydantic schemas │ │ │ ├── tools/ # MCP Tools │ │ ├── bedrock_kb_tool.py # KB retrieval │ │ ├── search_tools.py # DuckDuckGo search │ │ └── report_tools.py # HTML/PDF generation │ │ │ ├── config.py # AWS configuration │ ├── bedrock_client.py # Bedrock API wrapper │ ├── pdf_to_markdown.py # PDF → Markdown converter │ ├── image_extractor.py # PDF image extraction │ └── chatbot_cli.py # CLI interface │ ├── mcp/ # MCP Servers │ └── html2pdf/ # Node.js Puppeteer │ ├── src/ │ ├── dist/ │ └── package.json │ ├── tests/ # Unit tests │ ├── test_report_generation.py │ └── test_supervisor_agent.py │ ├── reports/ # Generated reports ├── output/ # Markdown output ├── pdf/ # Source PDFs │ ├── requirements.txt # Python dependencies └── README.md # This file

______________________________________________________________________

## 技术栈

### 核心框架

- **Strands代理SDK** 1.18.0-使用A2A进行多代理编排
- **亚马逊基石** -克劳德·十四行诗4.5与俳句4.5推理
- **派丹蒂克** 2.12.4-结构化数据验证
- **富有的** 14.2.0-增强的CLI界面

### AWS服务

- **基岩运行时间** -LLM推理（克劳德模型）
- **基岩药剂运行时间** -知识库检索
- **知识库** YOUR_KB_ID-企业可持续发展文件

### MCP集成

- **基岩KB** -Python@工具装饰器
- **鸭鸭搜** -带有duckduckgo搜索库的Python@工具装饰器
- **HTML2PDF** -Node.js Puppeteer通过子进程

### 模型使用

|代理|型号|原因|
|-------|-------|--------|
|主管| Sonnet 4.5 |复杂的路由决策|
|Planner | Sonnet 4.5 | JSON计划生成|
|知识代理|Sonnet 4.5|精确的KB解释|
|研究代理| Sonnet 4.5 | Web数据合成|
|聚合器| Sonnet 4.5 |比较分析|
| **报告代理** | **俳句4.5** | **快速生成HTML，无超时** |

______________________________________________________________________

## 安装和设置

### 先决条件

- **Python 3.10+** （绞合线代理要求，推荐3.12）
- **Node.js 20+** （用于PDF转换）
- **AWS-CLI** 配置了配置文件
- **基岩通道** 克劳德·十四行诗4.5和俳句4.5
- **知识库** 在亚马逊基岩中创建（更新配置中的YOUR_KB_ID）

### 安装步骤

1. Clone repository

git clone https://github.com/jesamkim/agentic-multi-agent.git cd agentic-multi-agent

2. Create virtual environment

python3.12 -m venv venv source venv/bin/activate

3. Install Python dependencies

pip install -r requirements.txt

4. Build HTML2PDF MCP server

cd mcp/html2pdf npm install npm run build cd ../..

5. Configure AWS credentials

For default profile:

aws configure

Enter your AWS Access Key ID, Secret Access Key, and region

For custom profile (optional):

aws configure --profile your-profile-name

Then update AWS_PROFILE in src/config.py to match your profile name

6. Update configuration

Edit src/config.py:

- Set AWS_PROFILE (default or your custom profile)

- Set AWS_REGION (must match your KB region)

- Set KB_ID (your Bedrock Knowledge Base ID)

### 配置

**src/config.py：**

AWS Configuration

AWS_PROFILE = "default" # Change to your AWS CLI profile name if using custom profile AWS_REGION = "us-west-2" # Change to your KB region

Bedrock Models

SUPERVISOR_MODEL = "global.anthropic.claude-sonnet-4-5-20250929-v1:0" REPORT_MODEL = "global.anthropic.claude-haiku-4-5-20251001-v1:0"

Knowledge Base

KB_ID = "YOUR_KB_ID" # Replace with your Bedrock Knowledge Base ID

Bedrock Configuration

MAX_TOKENS = 8192 TEMPERATURE = 0

### 运行聊天机器人

source venv/bin/activate python src/chatbot_cli.py

### CLI命令

- **你的问题** -询问可持续发展主题
- `help` -显示可用命令
- `history` -查看对话历史记录
- `clear` -清除对话历史记录
- `quit` 或 `exit` -结束会话

______________________________________________________________________

## 主要特征说明

### 1.对话历史

CLI维护历史记录并传递给代理：

Last 2 exchanges included as context

context = f""" Previous Q: {q1} Previous A: {a1}

Previous Q: {q2} Previous A: {a2}

Current question: {q3} """

**优点：**

- 报告生成重用以前的答案
- 后续问题有背景
- 无冗余数据收集

### 2.提前终止

当收集到足够的数据时，执行器停止：

if step.step_type in [StepType.AGGREGATE, StepType.COMPARE]: if len(output) > 800 and remaining_steps_are_searches: logger.info("Early termination: sufficient data") return result

**储蓄**：某些查询的时间减少30-50%

### 3.自适应复杂性

Planner根据复杂性调整步长限制：

|复杂性|最大步数|示例|
|------------|-----------|---------|
|简单|5|单一公司，单一指标|
|中等|10|2-3家公司，多个指标|
|复杂|15|多公司，深入分析|

### 4.效率优化

**ESG代理人：**

- 调用知识库工具一次
- 仅提取相关数据
- 默认简洁（3-5句）

**研究代理：**

- 每家公司最多搜索1-2次
- 合并搜索词
- 找到关键信息时停止

**报告代理：**

- 重复使用以前的答案（首选）
- 三阶段生成（防止超时）
- 俳句4.5（比十四行诗快3倍）

______________________________________________________________________

## 测试

### 单元测试

Run all tests

pytest tests/ -v

Specific test suites

pytest tests/test_report_generation.py -v pytest tests/test_supervisor_agent.py -v

**测试覆盖范围：**

- Markdown检测和转换（5个测试）
- HTML报告生成（2个测试）
- 报告代理集成（3个测试）
- 主管路由逻辑（6个测试）

**当前状态**：16/16项测试通过✓

______________________________________________________________________

## 技术细节

### 文档处理管道

**PDF到Markdown的转换：**

Enterprise PDF ↓ pdf2image (450 DPI PNG) ↓ Claude Sonnet 4.5 OCR (Vision API) ↓ Markdown with images ↓ Image Extraction (PyMuPDF) ↓ Bedrock Knowledge Base ingestion ↓ Hybrid Search (keyword + semantic)

### 知识库配置

{ "knowledgeBaseId": "YOUR_KB_ID", "retrievalConfiguration": { "vectorSearchConfiguration": { "numberOfResults": 10, "overrideSearchType": "HYBRID" } } }

### 代理配置

from strands import Agent

agent = Agent( model="global.anthropic.claude-sonnet-4-5-20250929-v1:0", tools=[tool1, tool2], system_prompt="Your role...", max_tokens=8192, temperature=0 )

______________________________________________________________________

## 故障排除

### 常见问题

**1.报告生成超时**

- 已修复3级发电
- 每个阶段\<10s
- Haiku 4.5防止超时

**2.HTML报表中的Markdown语法**

- 自动检测和转换
- 带表扩展的markdown库

**3.PDF转换失败**

- ES模块兼容性（.mjs）
- 检查Node.js版本（20+）
- 在mcp/html2pdf中安装npm/

**4.KB不返回任何结果**

- 检查AWS凭据
- 验证您的知识库ID是否在src/config.py中正确设置
- 检查区域是否与您的知识库位置匹配（默认值：us-west-2）

______________________________________________________________________

## 许可证

MIT许可证

______________________________________________________________________

## 作者

由AWS解决方案架构师作为演示构建，用于演示：

- 代理多代理模式
- 代理到代理（A2A）通信
- 模型上下文协议（MCP）集成
- Strands代理框架
- AWS基岩克劳德模型
- 生产就绪的人工智能系统

**数据源**：企业可持续发展报告（公开）

______________________________________________________________________

## 致谢

- **Strands代理SDK** -多代理编排框架
- **亚马逊基石** -克劳德十四行诗4.5和俳句4.5
- **Anthropic** -克劳德模型
- **模型上下文协议** -标准化工具界面
- 供参考数据的公共可持续性报告