新闻 · AWS Machine Learning Blog
Rescale如何借助Strands Agents和AI-DLC构建AI分诊智能体
Rescale在AWS上采用AI驱动开发生命周期（AI-DLC）框架，结合Strands Agents和Amazon Bedrock，在数周内构建出智能测试分诊智能体。了解AI-DLC如何组织AI辅助开发，以及Rescale如何在其工程组织中推广这一实践。
en
英文原标题：How Rescale built an AI triage agent with Strands Agents and AI-DLC
本文为英文原文的机器翻译摘要，原文见：AWS Machine Learning Blog ↗
- Rescale 的夜间端到端测试套件频繁失败，工程师需手动分类根因并路由到对应团队，随着平台和仓库增多，这一重复性工作成为 on-call 负担，且阻塞每周生产发布。
- Rescale 采用 AWS 的 AI-DLC 框架构建智能分诊 agent，从问题定义到 staging 部署仅用五天，数周内进入生产，并计划将该方法推广到整个工程组织。
- AI-DLC 强调“AI 执行、人类决策”和团队协作会话（Mob Elaboration 与 Mob Construction），让 AI 生成计划与代码，人类在关键决策点验证和引导。
- 分诊 agent 运行在 Amazon EKS 的 Argo Workflows CI/CD 管道中，调用 Amazon Bedrock 上的 Claude Opus 4.8 将失败分类为基础设施问题、代码缺陷、不稳定测试或环境问题，并生成结构化修复报告。
- 构建过程中出现两次架构调整：agent 从 Amazon Bedrock AgentCore 迁移到 Amazon EKS，日志检索从第三方服务改为 Amazon CloudWatch，MCP 模式保持不变。
关键数据
- 从问题定义到 staging 部署用时五天，数周内进入生产。
- AI 生成 20+ 个澄清问题，5 个用户故事整合为 4 个工作单元。
- agent 使用 Strands SDK 构建，支持并发失败分析，输出 JSON 和 HTML 结构化结果。
- 分类类别包括：基础设施问题、代码缺陷、不稳定测试、环境问题。
为什么值得看：该案例展示了如何用 AI-DLC 框架在五天内将 AI 分诊 agent 从概念推进到 staging 部署，为工程团队自动化重复性运维任务提供了可复用的结构化方法。