מוצר חדש

בניית צוות סוכני AI ב-n8n עם Amazon Bedrock AgentCore

סוכן מיון ושלושה מומחים חולקים זיכרון לקוח מנוהל ב-AWS באמצעות משאב harness יחיד וללא מסד וקטורי

5 דקות קריאה
EN
בניית צוות סוכני AI ב-n8n עם Amazon Bedrock AgentCore
מבוסס על כתבה שלn8n ↗תרגום וסיכום באמצעות מערכת חדשות בליווי AIאיך אנחנו עובדים

תקציר מנהלים

מה חשוב לדעת

  1. צומת קהילה מאומת @aws/n8n-nodes-agentcore ב-n8n מאפשר להפעיל את Amazon Bedrock AgentCore harness הזמין כעת ב-GA.

  2. ארבעה סוכנים (סוכן מיון, מומחה ניתוח, מומחה ארכיטקטורה ומומחה מחקר) פועלים על גבי משאב harness יחיד.

  3. הזיכרון המנוהל מוגדר לפי מזהה הלקוח (Actor ID), ומאפשר לסוכנים לקרוא נתוני חישוב ושיחה קודמים ללא מסד נתונים וקטורי.

  4. כל מפגש מופעל בתוך microVM של Firecracker ב-AWS עם תעבורה יוצאת מ-n8n החתומה ב-SigV4.

בפוסט אורח שפורסם בבלוג של n8n ונכתב על ידי סונדאר ראגהוואן (Sundar Raghavan), מוביל Agentic AI Foundations ב-AWS, הוצגה דרך לבניית צוותי סוכני בינה מלאכותית (Multi-Agent Teams) מבוססי n8n ו-Amazon Bedrock AgentCore. המערכת מאפשרת לסוכנים שונים לחלוק זיכרון משותף פר לקוח, כך שסוכן אחד מסוגל להמשיך שיחה על בסיס הנתונים שנאספו על ידי סוכן אחר באותו תהליך עבודה, מבלי להקים מסד נתונים וקטורי ומבלי לפרוס תשתית נפרדת לכל סוכן.

האתגר בשיחות תמיכה מרובות סוכנים

בתרחיש תמיכה המתואר בפוסט, סוכן מיון (Triage Agent) מנתב פנייה של לקוח למומחה מתאים (למשל מומחה אינטגרציות). בתרחיש כזה, המומחה השני אינו מחזיק בהקשר של ההודעה הראשונה שהלקוח שלח ארבעים שניות קודם לכן.

כדי להתמודד עם בעיה זו קיימות שתי גישות מוכרות: העברת כל תמליל השיחה לכל סוכן – פתרון שמוגבל על ידי חלון ההקשר (Context Window) של המודל – או שמירת היסטוריית השיחה במסד נתונים וקטורי, דבר שדורש ניהול תשתית מסד נתונים וצינור עיבוד של הטמעות (Embeddings). הפתרון המוצג בפוסט מציע חלופה שלישית המבוססת על יכולות הזיכרון המנוהל של Amazon Bedrock AgentCore harness, שהפך לזמין באופן כללי (GA).

כיצד פועל הזיכרון המשותף ב-AgentCore harness

Amazon Bedrock AgentCore הוא פלטפורמה לבנייה, חיבור ואופטימיזציה של סוכנים בכל מסגרת (Framework) או מודל. הרכיב AgentCore harness מספק מעטפת מנוהלת סביב מודל השפה: המשתמש מגדיר את הסוכן בתצורה (כולל המודל, הכלים, המיומנויות וההוראות), וה-harness מנהל את לולאת ההפעלה (Agent Loop).

המערך נשען על שני מאפיינים מרכזיים:

  1. זיכרון מנוהל (Managed Memory) לפי מזהה ישות ומפגש: הזיכרון מוגדר לפי Actor ID ו-Session ID. כאשר מגדירים Actor ID המייצג את הלקוח ולא סוכן בודד, כל הסוכנים יכולים לקרוא מאותו מאגר זיכרון ולכתוב אליו. זיכרון זה ממשיך להתקיים גם מעבר להרצה בודדת של תהליך העבודה ב-n8n.
  2. הענקת כלים לפי קריאה (Per-Invocation): הכלים, המיומנויות, המודל וההוראות מועברים עם כל קריאה ולא נקבעים באופן קבוע על גבי סוכן פרוס. כתוצאה מכך, משאב harness יחיד משרת ארבעה תפקידי מומחים שונים במקום פריסה של ארבעה משאבים נפרדים.

מבנה תהליך העבודה ב-n8n

תהליך העבודה המוצג מורכב מעשרה צמתים (Nodes) ב-n8n:

  • קבלת הודעה: הצומת When Chat Message Received מקבל את פניית הלקוח.
  • הגדרת הקשר: הצומת Set Customer Context ממיר את מפגש הצ'אט למזהה לקוח, ומשדר אותו כ-Actor ID ו-Session ID לכל הסוכנים.
  • מיון וניתוב: הצומת Triage Agent קורא את הפנייה, מחזיר סיווג בפורמט JSON, הצומת Read Triage Decision מפענח אותו, והצומת Route To Specialist מנתב את השאלה לאחד משלושה מומחים:
    • מומחה ניתוח (Analysis Specialist) המחזיק בכלי AgentCore Code Interpreter לצורך חישובים מתמטיים בסביבת Sandbox.
    • מומחה ארכיטקטורה (Architecture Specialist) המחזיק בקטלוג המיומנויות של AWS לקבלת הנחיות תכנון.
    • מומחה מחקר (Research Specialist) המשתמש בכלים מובנים (Shell ו-file_operations) הקיימים בכל מפגש של ה-harness.
  • החזרת תשובה: הצומת Format Reply מעבד את התשובה והצומת Post Answer To Slack מפרסם אותה בערוץ Slack כשהיא מתויגת בשם המומחה שיצר אותה.

חלוקת האחריות בין המערכות ברורה: n8n מנהל את הטריגר, החלטות הניתוב והתשובה; AgentCore מנהל את לולאת הסוכן ואת הזיכרון שנשמר מעבר להרצת תהליך יחיד, ומריץ כל מפגש בתוך microVM מסוג Firecracker ללא שיתוף מצב (State) או מערכת קבצים. התעבורה מ-n8n ל-AWS היא יוצאת בלבד (Outbound), וחתומה באמצעות מנגנון SigV4.

דרישות מוקדמות והגדרת זהויות IAM

לפני הרצת התבנית, יש להכין את הרכיבים הבאים:

  • מופע n8n (בגרסת שירות עצמי או n8n Cloud).
  • צומת הקהילה המאומת @aws/n8n-nodes-agentcore מותקן ב-n8n (הצומת ברישיון קוד פתוח MIT, כאשר AgentCore harness עצמו מופעל באמצעות Strands Agents מבית AWS).
  • חשבון AWS עם גישה ל-AgentCore harness באזור (Region) נתמך.
  • מודל בסיס מופעל ב-Amazon Bedrock (למשל מודל Claude), כאשר הגישה למודלים מוגדרת לפי דרישה (Opt-in) פר חשבון ואזור.
  • שני מזהי AWS IAM נפרדים: זהות הקורא (Caller) שמפתחות הגישה שלה מוזנים בהרשאות של n8n, ותפקיד הביצוע (Execution Role) שבו הסוכן רץ בפועל ב-AWS וזקוק להרשאות למודל, ל-Code Interpreter, לקטלוג המיומנויות ולזיכרון.
  • אישורי גישה ל-Slack לשליחת התשובה (אופציונלי).

מבחינת עלויות, אין חיוב נפרד עבור ה-harness עצמו. התשלום מתבצע על פי השימוש ביכולות AgentCore שמופעלות, והזיכרון המנוהל כרוך בתעריפי AgentCore Memory הרגילים עבור אירועים לטווח קצר, רשומות לטווח ארוך ובקשות שליפה.

הדגמת תרחיש: תלונת חיוב והנחיות ארכיטקטורה

במהלך הבדיקה שתוארה בפוסט:

  1. חישוב נתונים: הלקוח שאל לגבי חריגה ממגבלת 50,000 קריאות API ביום וסיפק חמישה מספרים מיומני השימוש שלו. סוכן המיון סיווג את הפנייה כניתוח והעביר אותה למומחה הניתוח. המומחה הריץ קוד Python באמצעות AgentCore Code Interpreter בסביבת Sandbox, חישב ממוצע של 50,520 (חריגה של 520 קריאות או 1%), והחזיר תשובה המבוססת על הרצת הקוד.
  2. שאלת המשך ללא חזרה על נתונים: הלקוח שאל כיצד לתכנן מחדש את המערכת כדי למנוע חריגות, מבלי לציין שוב את המספרים. סוכן המיון ניתב את השאלה למומחה הארכיטקטורה, אשר השתמש בקטלוג המיומנויות של AWS. מומחה זה קרא את נתוני השימוש ישירות מהזיכרון המשותף של הלקוח תחת אותו Actor ID, מבלי שהלקוח נדרש לספקם שוב ומבלי שהמומחים תוכנתו להכיר זה את זה ישירות.
  3. שאלת מידע כללי: שאלה על שעת איפוס המגבלות נותבה למומחה המחקר, שפעל באמצעות הכלים המובנים בכל מפגש.

אפשרויות הרחבה וניקוי משאבים

משתמשים יכולים להרחיב את התבנית באמצעות:

  • הפעלה באמצעות Slack Trigger או Webhook עבור סביבות ייצור.
  • שילוב סוכנים קיימים שנוצרו דרך ה-CLI, הקונסולה, CloudFormation או Terraform על ידי הזנת ה-ARN שלהם בצומת.
  • הוספת מומחים נוספים עם שרתי Model Context Protocol (MCP) מרוחקים, AgentCore Gateway לגישה מבוקרת לממשקי ה-API שלכם (your own APIs), או AgentCore Browser.

בסיום הבדיקה, כיוון שה-harness מקצה מאגר זיכרון מנוהל בחשבון AWS, מומלץ למחוק את משאב ה-harness שנוצר (למשל support_team) דרך ממשק ה-CLI של AWS באמצעות הפקודה aws bedrock-agentcore-control delete-harness כדי למנוע עלויות מתמשכות.

האם זה היה שימושי לעסק שלכם?

שאלות ותשובות

שאלות נפוצות

הכתבה הוכנה באמצעות מערכת בליווי בינה מלאכותית לתרגום, סיכום ובקרות איכות אוטומטיות מתוך פרסום מקורי של n8n. קראו על תהליך העריכה שלנו. קישור למקור המקורי.

קבלו עדכוני AI שימושיים למייל

תקציר ממוקד ממערכת החדשות שלנו.

שליחת חוזים לחתימה דיגיטלית ב-n8n עם TurboDocx ו-Slack
מדריך
4 דקות
מ־n8n

שליחת חוזים לחתימה דיגיטלית ב-n8n עם TurboDocx ו-Slack

פוסט אורח בבלוג של n8n מאת ניקולס פריי, מנכ"ל TurboDocx, מציג מדריך מפורט לבניית תהליך עבודה אוטומטי המטפל בכל שלבי הפקת החוזה והחתימה עליו. התהליך משתמש ברכיב המאומת של TurboDocx וכולל סריקה של שורות ב-Excel בסטטוס Ready to send, הפקת מסמך חוזה מתבנית Word, שליחת בקשת אישור למנהל בערוץ Slack, והעברת החוזה לחתימה אלקטרונית מול הלקוח. לאחר שהלקוח חותם מכל מכשיר, קובץ ה-PDF החתום נשמר ישירות בתיקייה ייעודית ב-SharePoint, שורת הנתונים ב-Excel מתעדכנת ל-Signed והצוות מקבל הודעה ב-Slack. המדריך מפרט גם אפשרויות להחלפת הכלים במערכות CRM, טיפול בתקלות נפוצות, ומגבלות קיימות כגון תמיכה בחותם יחיד.

קרא עוד
הכרזת n8n 3.0 בטא: שינויי תשתית, אבטחה ודוח הגירה לקראת דצמבר
מוצר חדש
4 דקות
מ־n8n

הכרזת n8n 3.0 בטא: שינויי תשתית, אבטחה ודוח הגירה לקראת דצמבר

חברת n8n הודיעה על שחרור גרסת n8n 3.0.0 בטא, לקראת השקת הגרסה היציבה בתחילת דצמבר. העדכון מתמקד בשיפורי תשתית, אמינות ואבטחה, וכולל שינויים שוברים כמו הסרת מצב נתונים בינאריים בזיכרון, הרצת הפעלות ידניות על שרתי עיבוד במצב תור, קיצור ברירת המחדל של הפסקת הזמן בצומת הקוד לדקה אחת, והגבלת התקנה עצמית ל-Docker בלבד. משתמשים מגרסה 2.39 ואילך יכולים לבדוק את התאמת המערכת באמצעות דוח הגירה מובנה.

קרא עוד
ניהול מצב בסוכני AI: הבדלים בין ארכיטקטורה בעלת מצב לחסרת מצב
מדריך
4 דקות
מ־n8n

ניהול מצב בסוכני AI: הבדלים בין ארכיטקטורה בעלת מצב לחסרת מצב

בפוסט של n8n מוסבר כי state הוא המידע שסוכן AI נושא בין משימות, החל מהיסטוריית שיחה ועד לזיכרון לטווח ארוך ולפרופילי משתמשים. ההבדל בין ארכיטקטורה בעלת מצב (stateful) לארכיטקטורה חסרת מצב (stateless) מתמקד בשאלה האם המערכת משמרת נתונים מאינטראקציות קודמות או מתחילה כל בקשה כדף חלק. יישומים בעלי מצב מעניקים המשכיות אך דורשים תשתית לאחסון ולניהול מצב, בעוד יישומים חסרי מצב מפשטים חלוקת עומסים ועמידות לתקלות. מודלי LLM אינם שומרים שיחות באופן אוטומטי, ולכן סוכני AI מתנהגים באופן בעל מצב באמצעות שמירה ושליפה של נתונים מחוץ למודל. ב-n8n מוצע לשמור על הרצה חסרת מצב כברירת מחדל, ולהוסיף צומתי זיכרון לסשנים ומאגרי מצב משותפים רק היכן שנדרשת המשכיות.

קרא עוד
הכרזת n8n Agents: שילוב סוכני AI עצמאיים לצד תהליכי עבודה
מוצר חדש
4 דקות
מ־n8n

הכרזת n8n Agents: שילוב סוכני AI עצמאיים לצד תהליכי עבודה

פלטפורמת n8n הכריזה על השקת Agents (סוכנים), המאפשרים למשתמשים להגדיר מטרות בשפה חופשית ולהשאיר לסוכן לקבוע את שלבי הביצוע בעזרת מודלים, כלים ותהליכי עבודה קיימים. הסוכנים יכולים לפעול מתוך Slack, Telegram, Discord, לפי תזמון מוגדר או מתוך תהליכי עבודה באמצעות הצומת החדש Message an Agent. כל סוכן כולל ניהול זיכרון, הפעלות, כלים, מיומנויות ומנגנוני אישור אנושי לפעולות רגישות. התכונה זמינה כעת ב-Preview למשתמשי n8n Cloud ובהתקנה עצמאית.

קרא עוד

עוד כתבות שיעניינו אותך

לכל הכתבות
חברת NiCE השיקה את הדור הבא של פלטפורמת Cognigy
מוצר חדש
4 דקות
מ־SiliconANGLE AI

חברת NiCE השיקה את הדור הבא של פלטפורמת Cognigy

לפי טור של האנליסט זאוס קרוואלה ב-SiliconANGLE, חברת .NiCE Ltd השיקה את הדור הבא של פלטפורמת NiCE Cognigy. העדכון כולל סביבת פיתוח מחודשת, כלי ליווי בשם AI Assist, מעקב מפורט אחר שלבי שיחה, ובדיקות מרובות משתנים מבוססות סימולציה. הפלטפורמה משלבת תמיכה במודלי קול-אל-קול, לצד חיבור לפרוטוקול MCP ושיתוף פעולה לפיתוח Personal Agent Protocol יחד עם Meta ו-Sierra. הגרסה מתמקדת במודל עבודה היברידי, המאפשר לארגונים לשלב תהליכים דטרמיניסטיים קיימים יחד עם סוכנים אוטונומיים תוך שמירה על ניטור ובקרה.

קרא עוד
גוגל הכריזה על Gemini 4 Hydrogen לקידוד ותהליכי סוכנים
מוצר חדש
4 דקות
מ־DeepMind

גוגל הכריזה על Gemini 4 Hydrogen לקידוד ותהליכי סוכנים

Google DeepMind הכריזה על השקת Gemini 4 Hydrogen, מודל המיועד לביצועים מהירים ויעילים בתהליכי קידוד ועבודת סוכנים יומיומית. המודל מתומחר ב-1.50 דולר למיליון טוקני קלט ו-7.50 דולר למיליון טוקני פלט לחלון הקשר של מיליון טוקנים. לצד פעילותו כמודל עצמאי, הוא משתלב עם מודלי החזית Carbon ו-Argon באמצעות Orchestrator ב-Google Antigravity, המאפשר חיסכון ממוצע של 24% במכסה והשלמת משימות מהירה ב-19% במבחן Terminal-Bench 4.0. בנוסף, המודל מציע ארבע רמות חשיבה, מציג שיפורי מהירות ובטיחות, וזמין למפתחים, ארגונים ומשתמשי קצה.

קרא עוד
סיילספורס השיקה את AI Skills ב-Agentforce Coworker
מוצר חדש
4 דקות
מ־Salesforce Blog

סיילספורס השיקה את AI Skills ב-Agentforce Coworker

סיילספורס הודיעה על זמינות כללית של AI Skills בתוך Agentforce Coworker. מיומנויות אלו מאפשרות למשתמשים להגדיר בשפה פשוטה סט הוראות לשימוש חוזר עבור משימות שחוזרות על עצמן, כך שהסוכן יוכל לבצע אותן בעקביות. Coworker, המתאם בין סוכני Agentforce ב-Salesforce, ב-Microsoft Teams ובמובייל, הוא הסוכן הראשון שכולל יכולת זו. בניגוד לתבניות הנחיה המפיקות פלטי טקסט בלבד, מיומנות מתארת משימה שלמה ומאפשרת לסוכן לנקוט פעולות על פי הרשאות המשתמש ולאחר קבלת אישור לעדכון רשומות.

קרא עוד
LinearB מציגה את Agentic Studio כדי להאיץ אספקת תוכנה בעזרת הקשר
מוצר חדש
4 דקות
מ־SiliconANGLE AI

LinearB מציגה את Agentic Studio כדי להאיץ אספקת תוכנה בעזרת הקשר

חברת LinearB Inc. הכריזה על השקת Agentic Studio, כלי שנועד להקל על העומסים בצינורות אספקת התוכנה שנוצרו בעקבות השימוש הגובר בכלי בינה מלאכותית לכתיבת קוד. לפי דוח מדדי התוכנה של החברה, ארגונים המסתמכים על כלי קידוד מבוססי AI כמעט הכפילו את כמות שינויי הקוד שמוזגו, אך בקשות המשיכה הללו גדולות בשיעור של כמעט פי 2.6 וממתינות פי חמישה יותר לסקירה. הפלטפורמה החדשה מאחדת נתונים ותובנות ממאגרי Git ומכלי מעקב לכדי שכבת הקשר אחידה, המאפשרת למהנדסים לקבל המלצות ולתשאל את המערכת בשפה פשוטה. בנוסף, באמצעות אינטגרציה דרך Model Context Protocol, המערכת מזינה סוכני קידוד אוטונומיים בהקשר היסטורי כדי למנוע שינויים עיוורים בקוד.

קרא עוד