يستهلك فريق في الخدمات المالية وقتًا كبيرًا كل أسبوع في إنشاء عروض PowerPoint التقديمية للعملاء يدويًا من التقارير الفصلية ومستندات الامتثال وتحليلات السوق. يتطلب كل عرض تقديمي قراءة مئات الصفحات واستخراج نقاط البيانات الرئيسية وهيكلة الشرائح وإنشاء العناصر المرئية الداعمة. يرشدك هذا المقال إلى بناء نظام وكلاء ذكاء اصطناعي باستخدام Amazon Bedrock AgentCore يعمل على أتمتة سير العمل هذا، حيث استغرق أقل من 90 ثانية في اختباراتنا الداخلية. يقلل هذا النهج من وقت إنشاء العروض التقديمية مع إبقاء المحتوى م grounded في المستندات المصدر. ينشر الحل وكيل مشرف على بيئة تشغيل AgentCore، وهي إحدى إمكانات Amazon Bedrock AgentCore، باستخدام إطار عمل Strands Agents لتنسيق أدوات إنشاء المستندات والتلخيص. يتولى Anthropic Claude Sonnet 4.6 (المتاح على Amazon Bedrock) مهمة إنشاء المحتوى، ويشغّل Amazon Titan Text Embeddings v2 البحث المتجهي، ويولّد Stability AI Stable Image Inpaint (المتاح على Amazon Bedrock) صور الشرائح. يتضمن هذا المقال مستودعًا عامًا يحتوي على أصول الشيفرة البرمجية.
نظرة عامة على الحل
ينشر الحل وكيل مشرفًا واحدًا على بيئة تشغيل Amazon Bedrock AgentCore runtime يختار بين أدوات إنشاء المستندات والتلخيص بناءً على طلبات المستخدمين. تستخدم خط أنابيب التوليد المعزز بالاسترجاع (RAG) خدمة Amazon OpenSearch Serverless للتخزين المتجهي والبحث الدلالي عبر المحتوى متعدد الوسائط.
يتضمن الحل واجهة REST API مبنية باستخدام .NET 8 minimal APIs، بحيث يمكنك التكامل مع تطبيقات المؤسسة الحالية من خلال استدعاءات HTTP قياسية. تقدم AWS Lambda حوسبة بلا خوادم، بما في ذلك الدوال المعبأة في حاويات لإنشاء ملفات PowerPoint. يؤمّن الحل التنفيذ باستخدام عزل Amazon Virtual Private Cloud (Amazon VPC) ، وتشفير AWS Key Management Service (AWS KMS) ، وتحكم وصول بأقل الامتيازات عبر AWS Identity and Access Management (IAM) .
المفاهيم الأساسية
يغطي هذا القسم بيئة تشغيل AgentCore runtime والتوليد المعزز بالاسترجاع (RAG) وضوابط أمان المحتوى كما تنطبق على هذا الحل.
تنسيق الوكلاء باستخدام Amazon Bedrock AgentCore
يجب على وكيل ذكاء اصطناعي واحد يولّد مستندات من قواعد معرفية كبيرة أن يسترجع المحتوى وهيكله العناوين ويولّد النصوص وينشئ الصور ويجمع الملفات. بدلاً من تنفيذ هذه المسؤوليات المتنافسة في دالة أحادية، يستخدم الحل بنية قائمة على الأدوات حيث يوجّه وكيل المشرف الطلبات إلى أدوات متخصصة.
توفر بيئة تشغيل Amazon Bedrock AgentCore runtime منصة لبناء الوكلاء وربطها وتحسينها على نطاق واسع، باستخدام أي إطار عمل أو نموذج. تعمل شيفرة الوكيل في حاوية معزولة مع إدارة الجلسات وهوية مدمجة وقابلية المراقبة. يستخدم الحل إطار عمل Strands Agents (وهي SDK مفتوحة المصدر لبناء وكلاء الذكاء الاصطناعي) لتنفيذ منطق المشرف.
يعرض وكيل المشرف أداتين:
- generate_pptx: تنشئ عروض PowerPoint التقديمية عن طريق استدعاء دالة Lambda لمولد PPTX، التي تسترجع المحتوى من القاعدة المعرفية وتولّد مخططات الشرائح وتنشئ صورًا بالذكاء الاصطناعي وتجمع المستند النهائي.
- generate_summary: تستخرج المعلومات من القاعدة المعرفية وتخلق منها باستخدام RAG لتقديم إجابات دقيقة ومبنية على أساس متين.
يحدد الوكيل ما إذا كان الطلب يتطلب إنشاء مستند أو تلخيص محتوى أو كليهما، ثم يستدعي الأداة المناسبة. يمكنك إضافة إمكانات جديدة عن طريق تعريف أدوات جديدة في شيفرة الوكيل دون تعديل الأدوات الحالية.
التوليد المعزز بالاسترجاع (RAG) للمعرفة المؤسسية
يعالج RAG تحديًا أساسيًا في أنظمة الذكاء الاصطناعي: تقديم معلومات دقيقة ومحدّثة مبنية على بيانات المؤسسة بدلاً من الاعتماد فقط على بيانات تدريب النموذج. يستخدم التنفيذ Amazon Bedrock Knowledge Bases، التي تجمع بين البحث المتجهي ونماذج اللغة الكبيرة (LLMs) لاسترجاع السياق ذي الصلة قبل توليد الإجابات.
تعمل خط معالجة RAG على النحو التالي:
- تقوم برفع مستندات المؤسسة إلى خدمة التخزين البسيط من أمازون (Amazon S3).
- يقوم النظام بتقسيم المستندات وتحليلها، مع تطبيق معالجة خاصة للمحتوى متعدد الوسائط بما في ذلك الجداول والرسوم البيانية والصور.
- يقوم Amazon Titan Text Embeddings v2 بتحويل كل جزء إلى متجهات عالية الأبعاد تلتقط المعنى الدلالي.
- خدمة Amazon OpenSearch Serverless تخزن المتجهات، مما ينشئ قاعدة بيانات متجهات قابلة للبحث.
- في وقت الاستعلام، يحوّل النظام طلب المستخدم إلى تمثيل تضميني (embedding) ويقوم ببحث التشابه لاسترجاع أجزاء المستندات ذات الصلة.
- توفر الأجزاء المسترجعة السياق لنموذج اللغة، الذي يولّد ردودًا مستندة إلى المادة المصدرية.
تم تصميم هذا النهج للمساعدة في تقليل المحتوى المُختلق من خلال تأصيل المستندات المولّدة في معلومات مصدرية من قاعدة معارف المؤسسة.
ملاحظة: يجب أن يظل مستوى بيانات مجموعة Amazon OpenSearch Serverless متاحًا للعامة لأن Amazon Bedrock Knowledge Bases يصل إلى Amazon OpenSearch Serverless من بنية تحتية تديرها AWS، وليس عبر نقاط نهاية VPC الخاصة بالعملاء. تحمي سياسات وصول البيانات في IAM المجموعة، بينما يقيّد الوصول المخصص لـ VPC فقط لوحة تحكم Amazon OpenSearch Serverless.
Amazon Bedrock Guardrails لسلامة المحتوى
تتطلب تطبيقات الذكاء الاصطناعي المؤسسية إشرافًا على المحتوى لتلبية المعايير التنظيمية ومتطلبات الامتثال. يوفر Amazon Bedrock Guardrails آليات مدمجة لتصفية المحتوى والسلامة مدمجة في جميع أنحاء مسار إنشاء المستندات.
تعمل Guardrails في مراحل متعددة:
- معالجة المدخلات: يصفّي طلبات المستخدمين للمساعدة في منع مشكلات الحقن والمحتوى غير اللائق.
- توليد المخرجات: يراقب مخرجات النموذج للتحقق من الامتثال لسياسات المحتوى.
- التعامل مع المعلومات الشخصية القابلة للتحديد (PII): يكتشف المعلومات الشخصية القابلة للتحديد ويُجهلها أو يحظرها.
ينشئ التطبيق guardrails مخصصة من خلال AWS Cloud Development Kit (AWS CDK), مُهيأة بسياسات محددة مصممة خصيصًا لإنشاء مستندات المؤسسات. يطبق الوكيل (agent) guardrails على مستوى استدعاء النموذج، مما يوفر سلامة محتوى متسقة دون الحاجة إلى تكوين يدوي لكل عملية نشر.
بنية الحل
يوضح المخطط التالي نظام إنشاء المستندات القائم على الوكلاء.
الشكل 1: بنية نظام Amazon Bedrock AgentCore RAG لإنشاء العروض التقديمية
يبدأ تدفق البيانات بطلبات المستخدمين الواردة عبر Amazon API Gateway, التي توجهها إلى Chat API قائم على .NET يعمل على AWS Lambda. تحتفظ واجهة API بحالة المحادثة في Amazon DynamoDB. ثم تستدعي وكيل المشرف المستضاف على Amazon Bedrock AgentCore runtime.
يحلل وكيل المشرف الطلب ويختار الأداة المناسبة. لإنشاء المستندات، يستدعي PPTX Generator Lambda (دالة Python مُحواة في حاوية). وللتلخيص، يستدعي المشرف Summary Generator Lambda، التي تستعلم من قاعدة المعرفة عبر retrieve_and_generate API.
يعالج النظام المستندات المخزنة في Amazon S3 ويقسمها إلى أجزاء ويولد تمثيلاتها التضمينية (embeddings) باستخدام Amazon Titan Text Embeddings v2. تفهرس Amazon OpenSearch Serverless التمثيلات التضمينية للبحث الدلالي السريع. عندما تستعلم الأدوات من قاعدة المعرفة، تسترجع Amazon OpenSearch Serverless الأجزاء ذات الصلة، والتي تُزود بعد ذلك كسياق لـ Anthropic Claude Sonnet 4.6 (على Amazon Bedrock) لتوليد ردود مستندة إلى المصادر.
يخزن النظام المستندات المولدة في Amazon S3 ويعيد روابط presigned للتنزيل الآمن. تشمل تدابير الأمان:
- AWS WAF مع مجموعات قواعد مُدارة وتحديد معدل بناءً على عناوين IP على Amazon API Gateway.
- Amazon Cognito مع خطة الميزات Plus ووضع الأمان المتقدم للحماية من التهديدات.
- Amazon Bedrock Guardrails مُوفَّرة من خلال AWS CDK لتصفية محتوى متسقة.
- Amazon DynamoDB مع الاستعادة لنقطة زمنية، وحماية من الحذف، وتشفير مُدار من العميل عبر AWS KMS.
- حِزم Amazon S3 مع تحديد الإصدارات، وتسجيل الوصول إلى الخادم، وحظر الوصول العام.
- AWS X-Ray تتبّع (tracing) على دوال Lambda لتصحيح الأخطاء الموزّعة.
- التحقق من صحة المدخلات عبر التحقق من معرّف المستأجر ومعرّف الجلسة باستخدام التعبيرات النمطية (regex).
- عزل المستأجرين من خلال AWS Security Token Service (AWS STS) افتراض دور (role assumption) لكل مستأجر.
المتطلبات الأساسية
قبل النشر، تحتاج إلى الأدوات والوصول التالية مُهيّأة في بيئتك:
- بيئة AWS:
- حساب AWS نشط مع أذونات لنشر البنية التحتية.
- واجهة سطر أوامر AWS (AWS CLI) مُهيّأة مع بيانات الاعتماد.
- دور IAM مع سياسات وصول مناسبة للخدمات.
- أدوات التطوير:
- .NET SDK 8 مع تثبيت Amazon.Lambda.Tools عالميًا.
- Python 3.12 أو أحدث لأجل AWS CDK ودوال Lambda.
- Node.js و واجهة سطر الأوامر لـ AWS CDK لنشر البنية التحتية.
- Docker أو فينش لبناء صور الحاويات (مطلوب دعم ARM64).
- الوصول إلى خدمات AWS:
- Amazon Bedrock مع تمكين الوصول إلى النماذج لـ Anthropic Claude Sonnet 4.6، وAmazon Titan Text Embeddings v2، وStability AI Stable Image Inpaint (المتوفر من خلال Amazon Bedrock). للإطلاع على توفر النماذج حسب المنطقة، راجع النماذج المدعومة حسب منطقة AWS في Amazon Bedrock.
- تفعيل الوصول إلى Amazon Bedrock AgentCore في حسابك.
- تهيئة مهلة تكامل Amazon API Gateway لواجهة REST API إقليمية إلى 300 ثانية على الأقل. القيمة الافتراضية هي 29 ثانية. لمزيد من المعلومات، راجع حصص API Gateway.
- شبكة Amazon VPC موجودة تحتوي على شبكات فرعية خاصة.
- حاوية Amazon S3 لحفظ ملفات النشر.
إعداد الحل
تتضمن عملية الإعداد تهيئة معاملات النشر وتهيئة بيئة AWS CDK.
- استنساخ المستودع والانتقال إلى مجلد المشروع:
git clone https://github.com/aws-samples/sample-generating-powerpoint-presentations-with-amazon-bedrock.git - إنشاء ملف الإعدادات
pipeline-params.iniفي الجذر الرئيسي للمستودع:environment=dev awscliprofile= ContainerRegistry=lambda-pptx-gen AgentContainerRegistry=agentcore-supervisor BucketDev=<amzn-s3-demo-bucket> VpcId=<your-vpc-id> ParsingInferenceProfileId=us.anthropic.claude-haiku-4-5-20251001-v1:0 AgentInferenceProfileId=us.anthropic.claude-sonnet-4-6 EmbeddingModelId=amazon.titan-embed-text-v2:0 ImageGenerationModelId=stability.stable-image-inpaint-v1:0 PPTXGenImageTag=latest AgentImageTag=latestتعيين
awscliprofileإلى اسم ملف التعريف الخاص بـ AWS CLI لديك، أو تركه فارغًا لاستخدام بيانات اعتماد متغيرات البيئة. - تهيئة AWS CDK الأولية (مرة واحدة لكل حساب ومنطقة):
cdk bootstrapتنشئ هذه الخطوة حزمة AWS CloudFormation التي تحتاجها عمليات النشر باستخدام AWS CDK.
- جعل سكربتات البناء قابلة للتنفيذ:
chmod +x ./pipeline-build.sh chmod +x ./pipeline-deploy.sh chmod +x ./deploy-agentcore.sh
البناء والنشر
تتكوّن عملية النشر من ثلاث مراحل: بناء الملفات، ونشر البنية التحتية، ونشر وكيف AgentCore runtime.
مرحلة البناء
تقوم مرحلة البناء بتجميع كود التطبيق وحزم عناصر النشر. شغّل سكربت البناء:
./pipeline-build.shيقوم هذا بتجميع مشاريع .NET (Chat API) وحزمها كحزم نشر Lambda. ويبني صورة حاوية PPTX Generator باستخدام Docker أو Finch ويسجّل الدخول في Amazon Elastic Container Registry (Amazon ECR). ثم يدفع صورة الحاوية ويخزّن عناصر البناء في asset-output directory.
مرحلة نشر البنية التحتية
ينشئ نشر البنية التحتية موارد AWS ويهيئ تكاملات الخدمات. شغّل سكربت النشر:
./pipeline-deploy.shينشئ النشر أربع حزم AWS CloudFormation بترتيب الاعتماديات:
- VPCEndpointsStack: يهيئ نقاط نهاية Amazon VPC لخدمات AWS بما في ذلك Amazon Bedrock AgentCore.
- OpensearchStack: يوفر مجموعة Amazon OpenSearch Serverless لتخزين المتجهات.
- AgentCoreStack: ينشئ guardrails ودوال Lambda وأدوار IAM، ويخزّن التهيئة في AWS Systems Manager Parameter Store.
- ChatApiStack: ينشر Amazon API Gateway وLambda الخاصة بـ Chat API.
نشر AgentCore runtime
بعد نشر حزم البنية التحتية، انشر الوكيل المشرف (supervisor agent) إلى AgentCore runtime:
./deploy-agentcore.shيبني هذا السكربت حاوية الوكيل المشرف (ARM64)، ويدفعها إلى Amazon ECR، وينشئ الـ runtime ونقطة النهاية لـ AgentCore، ويحدّث معامل Systems Manager بالـ Amazon Resource Name (ARN) لنقطة النهاية. تشير Chat API إلى ARN نقطة النهاية هذا لتوجيه الطلبات إلى الوكيل.
بعد النشر، تتضمن مخرجات AWS CloudFormation عنوان URL لنقطة نهاية Amazon API Gateway ومعرّفات الموارد.
التكوين
يقدم هذا الحل عدة نقاط للتكوين:
تعليمات الوكيل
عدِّل agent/app.py لتعديل موجه النظام وسلوك الوكيل المشرف. يستخدم الوكيل Strands Agents مع أداة معرفتين في agent/tools.py:
- generate_pptx: يستدعي دالة Lambda لمولد PPTX لإنشاء المستندات.
- generate_summary: يستدعي دالة Lambda لمولد الملخصات للاستعلامات في قاعدة المعرفة.
اختيار النموذج
في pipeline-params.ini، عدِّل معرفات النماذج:
ParsingInferenceProfileId: النموذج لتحليل مستندات قاعدة المعرفة (يُوصى باستخدام Anthropic Claude Haiku 4.5 لكفاءة التكلفة).AgentInferenceProfileId: النموذج لاستدلال الوكيل (يُوصى باستخدام Anthropic Claude Sonnet 4.6).EmbeddingModelId: نموذج التضمين للبحث المتجهي (Amazon Titan Text Embeddings v2).ImageGenerationModelId: النموذج لتوليد صور الشرائح (Stability AI Stable Image Inpaint).
مع استخدام ملفات تعريف الاستدلال بدلاً من معرفات النماذج المباشرة، تستفيد الطلبات من مجموعة سعة أوسع متعددة المناطق، مما يزيد الإنتاجية ويساعد في الحفاظ على أداء متسق تحت الحمل.
تكوين Lambda
اضبط موارد الحوسبة في ملفات الحزمة:
- واجهة برمجة تطبيقات المحادثة: ذاكرة 128 MB، مهلة 29 ثانية، تزامن محجوز 100 (في
api.py). - مولد PPTX: ذاكرة 900 MB، مهلة 300 ثانية، تزامن محجوز 50 (في
pptx_gen.py). - مولد الملخصات: ذاكرة 512 MB، مهلة 300 ثانية، تزامن محجوز 50 (في
sum_gen.py).
النتائج
في الاختبارات الداخلية باستخدام ملف PDF من 90 صفحة Amazon 2024 Annual Report بعدد 90 صفحة، أنتج الحل مقاييس الأداء التالية:
- زمن إنشاء العرض التقديمي: 70–90 ثانية من البداية إلى النهاية (بما في ذلك استرجاع قاعدة المعرفة، وتوليد المحتوى، وإنشاء الصور، وتجميع الملف).
- عدد الشرائح: ست شرائح بتنسيقات عنوان ونقاط تعدادية وصورة+نص وصورة فقط وخلاصة.
- توليد الصور: صورتان مولدتان بالذكاء الاصطناعي لكل عرض تقديمي باستخدام Stability AI Stable Image Inpaint.
- التكلفة لكل عملية توليد: حوالي $0.04 من تكاليف استدعاء النموذج في وقت كتابة هذا المقال في us-east-1 (توليد النصوص والصور، مع توليد الصور يمثل الجزء الأكبر من التكلفة).
- استيعاب قاعدة المعرفة: أقل من 2 دقيقة لمستند PDF واحد بحجم 1.3 MB.
العروض التقديمية بـ PowerPoint
توضح الأشكال التالية أمثلة لشرائح من عرض تقديمي مولد.
الشكل 2: شريحة عنوان مولدة مع هوية بصرية قابلة للتخصيص
الشكل 3: شريحة محتوى مولدة مع نقاط تعدادية
الشكل 4: شريحة مولدة تجمع بين النص وصورة مولدة بالذكاء الاصطناعي
الشكل 5: شريحة محتوى مولدة تلخص مؤشرات الربحية
الشكل 6: شريحة مولدة بصورة فقط مع عنصر مرئي مولد بالذكاء الاصطناعي
الشكل 7: شريحة النقاط المستخلصة المولدة
تشمل العروض التقديمية المولدة ما يلي:
- شرائح العنوان مع هوية بصرية قابلة للتخصيص.
- شرائح المحتوى مع نقاط تعداد ونص منظم.
- شرائح الصور مع مرئيات مولدة بالذكاء الاصطناعي من Stability AI Stable Image Inpaint (على Amazon Bedrock).
- ملاحظات المتحدث مع إرشادات للعرض التقديمي.
- تنسيق متسق استنادًا إلى القوالب المؤسسية.
الملخصات
تشمل مخرجات الملخصات المقدمة إلى قاعدة المعرفة ما يلي:
- توليف موجز لمحتوى قاعدة المعرفة.
- تتبع الاستشهادات إلى المستندات المصدرية.
- تنسيق منظم مع إبراز النقاط الرئيسية.
استجابات واجهة برمجة التطبيقات (API)
تُعيد Chat API ما يلي:
- استجابات متدفقة للحصول على ملاحظات فورية من المستخدم. نظرًا لأن الاختبار الداخلي أظهر أن توليد العرض التقديمي يستغرق من 70 إلى 90 ثانية (متجاوزًا مهلة التكامل الافتراضية البالغة 29 ثانية في Amazon API Gateway)، يستخدم Chat API نمط استدعاء غير متزامن. استخدم البث أو الاستقصاء لتلقي النتيجة النهائية بدلًا من الانتظار على استدعاء REST متزامن.
- الحفاظ على سياق المحادثة عبر عدة أدوار.
- عناوين URL موقعة مسبقًا من Amazon S3 لتنزيل المستندات (صلاحية 5 دقائق).
يخضع المحتوى المولد للتحقق من خلال Amazon Bedrock Guardrails للتأكد من الامتثال لسياسات المحتوى قبل التسليم.
التنظيف
لتجنب الرسوم المستمرة، احذف الموارد المنشورة:
- احذف بيئة تشغيل AgentCore ونقطة النهاية:
aws bedrock-agentcore-control delete-agent-runtime-endpoint \ --agent-runtime-id <runtime-id> \ --agent-runtime-endpoint-id <endpoint-id> aws bedrock-agentcore-control delete-agent-runtime \ --agent-runtime-id <runtime-id> - أوقف ميزة الحماية من الحذف في Amazon DynamoDB (مطلوبة قبل حذف المجموعة):
aws dynamodb update-table --table-name chat-sessions-dev --no-deletion-protection-enabled aws dynamodb update-table --table-name tenant-table-dev --no-deletion-protection-enabled - احذف حزم AWS CloudFormation باترتيب عكسي لترتيب التبعيات:
aws cloudformation delete-stack --stack-name ChatApiStack aws cloudformation delete-stack --stack-name AgentCoreStack aws cloudformation delete-stack --stack-name OpensearchStack aws cloudformation delete-stack --stack-name VPCEndpointsStack - أفرغ حاويات Amazon S3 قبل الحذف (لا يمكن لـ AWS CloudFormation حذف الحاويات غير الفارغة):
aws s3 rm s3://amzn-s3-demo-bucket --recursive - احذف مستودعات Amazon ECR التي تحتوي على صور الحاويات:
aws ecr delete-repository --repository-name lambda-pptx-gen --force aws ecr delete-repository --repository-name agentcore-supervisor --force - احذف الحزم الفرعية لقاعدة المعرفة الخاصة بالمستأجر (التي أنشأها مزود المستأجر):
aws cloudformation delete-stack --stack-name bedrock-kb-<tenant-id>
اعتبارات أمنية
يستخدم هذا الحل متغيرات بيئة Lambda لقيم التهيئة مثل معرّفات النماذج وأسماء حاويات Amazon S3 ومعرّفات الحواجز الوقائية. وهذه معرّفات موارد، وليست أسرارًا. بالنسبة للنشر في بيئات الإنتاج، استخدم AWS Secrets Manager لقيم التهيئة الحساسة مثل مفاتيح API وبيانات اعتماد قواعد البيانات.
يعمل وكيل AgentCore runtime في حاوية معزولة مع عزل على مستوى الجلسة. تعمل كل جلسة مستخدم في بيئة مخصصة، مما يساعد على منع تلوث البيانات بين الجلسات.
الخاتمة
في هذه التدوينة، قمت ببناء نظام وكلاء ذكاء اصطناعي باستخدام Amazon Bedrock AgentCore يعمل على أتمتة إنشاء المستندات المؤسسية. يوجّه الوكيل المشرف الذي تم نشره على AgentCore runtime الطلبات إلى أدوات متخصصة لإنشاء المستندات وتلخيصها، مما قلّص إنشاء العروض التقديمية إلى حوالي 90 ثانية في اختبار داخلي.
يربط مسار RAG المحتوى المُنشأ بالمستندات المصدرية، ويتحقق Amazon Bedrock Guardrails من امتثال المحتوى. يمكنك تكييف هذه البنية لإنشاء التقارير المؤتمتة في الخدمات المالية، أو التوثيق التقني لفرق الهندسة، أو إعداد العروض لمؤسسات المبيعات.
للبدء، استنسخ مستودع GitHub واتبع تعليمات الإعداد. لمزيد من المعلومات حول الخدمات المستخدمة، راجع وثائق Amazon Bedrock AgentCore, وStrands Agents SDKو AWS CDK Developer Guide.