新闻 · AWS Machine Learning Blog
使用 Amazon Bedrock AgentCore 优化智能体系统提示词
AgentCore 优化功能将生产环境追踪数据转化为建议的配置变更，并在推广前进行验证。这篇发布文章的技术配套内容解释了系统提示词优化器的反射器引擎如何工作，并分享了单智能体和子智能体反射器的基准测试结果。
en
英文原标题：Optimizing agent system prompts with Amazon Bedrock AgentCore
本文为英文原文的机器翻译摘要，原文见：AWS Machine Learning Blog ↗
- Amazon Bedrock AgentCore 优化功能利用生产环境中的 agent traces 提出配置修改建议，并通过离线批量评估和在线 A/B 测试验证，最终推广优胜配置。
- 系统提示优化器由 agentic reflector 驱动，它审查评估后的 agent 行为，识别成功与失败的模式，并输出改进后的系统提示及解释。
- 由于 traces 通常很长，优化器通过文件系统让 reflector 访问完整 trace 语料，reflector 可使用 shell 工具（如 grep、cat、diff）按需检查。
- Single Agent Reflector 在单次遍历中处理全部 traces，适合快速迭代；Sub-Agent Reflector 使用多个子 agent 独立分析单条 trace，质量上限更高但效率较低。
- 优化过程设有基于规则的护栏：长度上限（增长超过 20% 则拒绝）、安全检查、禁止直接引用 traces 中的原文短语，以防止过拟合。
关键数据
- Single Agent Reflector 在 AppWorld 上达到 81.55%，耗时 6 分钟、20 轮，比 GEPA 快 18 倍，比 MIPROv2 快 36 倍。
- Single Agent Reflector 在 WebShop 上达到 78.31%，耗时 5 轮、1 分钟。
- Sub-Agent Reflector 在 AppWorld 上达到 95.83%，比基线提升 23 个百分点。
- 长度护栏：候选配置比前一版本增长超过 20% 即被拒绝。
为什么值得看：该文章详细介绍了 AgentCore 系统提示优化器的设计、护栏机制及在公开基准上的评估结果，为提升 agent 质量提供了可量化的自动化方案。