构建 Agent 原型 - II
启动本地开发服务器
直接启动本地开发服务器：
agentcore dev
CLI 启动一个带有交互式聊天界面的本地开发服务器：
测试 Agent
在交互式提示中，尝试以下查询：
测试退货政策工具：
What's the return policy for electronics?
预期结果：agent 调用 get_return_policy("electronics") 并返回带有条件的30天退货窗口。
测试产品信息工具：
Tell me about the Wireless Headphones
预期结果：agent 调用 get_product_info("headphones") 并返回产品详情、价格和保修信息。
测试网络搜索：
Search for common Bluetooth headphone troubleshooting tips
预期结果：agent 使用 Exa AI MCP 服务器搜索网络并返回相关的故障排除信息。
测试多工具查询：
I bought a Smart Watch (PROD-002) and want to return it. What's the policy?
预期结果：agent 同时调用 get_product_info("PROD-002") 来识别类别，以及 get_return_policy("electronics") 来提供退货政策。
完成后按 Esc 退出开发服务器。
使用 CLI 调用进行测试（非交互式）
我们也可以从命令行调用 agent，而无需使用交互式 TUI。
在第一个终端中，以非交互模式启动开发服务器：
agentcore dev --logs
我们应该看到服务器启动并开始监视更改：
然后，在第二个终端中，调用 agent：
agentcore dev "What can you do?" --stream
agent 以流式方式直接向终端响应其功能摘要：
这对于脚本编写和 CI/CD 流水线非常有用。
将 Agent 部署到 AWS
使用 agentcore dev 进行本地开发非常适合快速迭代——我们可以获得即时反馈和紧密的开发循环。但在某些时候，我们希望 agent 在云端运行：可扩展、始终在线，并为真实用户做好准备。
AgentCore CLI 部署到aws：
agentcore deploy
然后我们可以检查部署状态
agentcore status
调用我们已部署的 agent
agentcore invoke "你能干啥?"
现在我们的架构如下所示：
在aws页面上，能找到这个agentcore Runtime:
总结
当我们运行 agentcore create 时，CLI：
- 搭建了项目框架 — 创建了包含
agentcore/（配置 + CDK）和app/（agent 代码）的目录结构 - 生成了 agent 代码 — 创建了带有 Strands Agent、示例工具和 MCP 客户端的
main.py - 设置了 Python 环境 — 通过
uv创建了虚拟环境并安装了依赖项 - 初始化了 git — 设置了带有适当
.gitignore文件的 git 仓库
当我们自定义 main.py 时，我们：
- 替换了示例工具，使用了特定领域的工具（
get_return_policy、get_product_info） - 保留了 MCP 客户端（Exa AI）作为网络搜索功能
- 添加了客户支持系统提示以指导 agent 的行为
当我们运行 agentcore dev 时，CLI：
- 创建了
.venv（如果不存在） - 运行了
uv sync以从pyproject.toml安装依赖项 - 在端口 8080 上启动了 uvicorn 运行我们的 agent
- 启用了热重载 — 任何代码更改都会自动生效
当我们运行 agentcore deploy 时，CLI：
- 打包了我们的 agent — 将我们的代码和依赖项捆绑成可部署的工件
- 配置了基础设施 — 通过 CDK 创建了必要的 IAM 角色和运行时环境
- 部署到 AgentCore Runtime — 将我们的 agent 推送到云端完全托管的可扩展端点