Amazon Quick y NVIDIA NeMo Agent Toolkit para flujos de trabajo de agentes especializados

El artículo describe una solución que combina Amazon Quick y NVIDIA NeMo Agent Toolkit para crear flujos de trabajo de agentes especializados para usuarios empresariales, centrándose en un caso de uso de riesgo en la cadena de suministro. Amazon Quick actúa como interfaz frontal para los usuarios empresariales, proporcionando un espacio de trabajo conversacional para acceder a datos estructurados, conocimiento empresarial de fuentes como Amazon S3, Google Drive, SharePoint, Confluence y contenido web interno, así como más de 100 conectores de acciones predefinidos para sistemas de terceros como Outlook, Slack, Jira y Asana. Los usuarios también pueden invocar flujos de trabajo de agentes a través del Protocolo de Contexto del Modelo (Model Context Protocol, MCP). NVIDIA NeMo Agent Toolkit es una biblioteca de código abierto e independiente del marco de trabajo para construir, evaluar, perfilar y optimizar flujos de trabajo de agentes, compatible con LangChain, LlamaIndex, CrewAI, Microsoft Semantic Kernel, Google ADK y agentes Python personalizados. En la solución, los analistas de la cadena de suministro utilizan un agente de chat de Amazon Quick para diagnosticar problemas, lo que desencadena un flujo de trabajo de NeMo Agent Toolkit que investiga interrupciones, llama a herramientas de la cadena de suministro (por ejemplo, riesgo de órdenes de compra, exposición de inventario, impacto en clientes, consulta de políticas, opciones logísticas, recomendación de mitigación), valida la recomendación y devuelve un plan de mitigación clasificado con evidencia, traza, latencia y metadatos del evaluador. La arquitectura incluye Amazon Quick para la interfaz de usuario y el acceso al conocimiento, Amazon Bedrock AgentCore como puerta de enlace y tiempo de ejecución de MCP, y NeMo Agent Toolkit para el flujo de trabajo backend. El despliegue utiliza AWS CloudFormation, AWS CodeBuild y Amazon Elastic Container Registry (ECR). Los usuarios pueden configurar un panel de control utilizando datos de muestra y crear fuentes de conocimiento para contexto no estructurado.