Multi-Agenten-Soziale Intelligenz mit Strands Agents und Amazon Bedrock

AWS hat gemeinsam mit Thrad.ai ein Multi-Agenten-System entwickelt, das soziale Signale automatisiert analysiert, um Vertriebsleads zu identifizieren und personalisierte E-Mails zu erstellen.

Das Problem

Thrad.ai, ein Anbieter von Werbeinfrastruktur für KI, stand vor der Herausforderung, dass Vertriebsteams 30 bis 45 Minuten pro Lead für die manuelle Recherche über sechs verschiedene Quellen aufwenden mussten. Dies war nicht skalierbar und lieferte oft unzureichenden Kontext für personalisierte Ansprachen.

Die Lösung: Strands Agents und Amazon Bedrock AgentCore

Das System nutzt Strands Agents, ein Open-Source-SDK von AWS, das einen modellgesteuerten Ansatz für autonome KI-Agenten verfolgt. Große Sprachmodelle übernehmen dabei Argumentation und Werkzeugauswahl mit minimalem Orchestrierungscode.

Amazon Bedrock AgentCore dient als Plattform für die sichere Bereitstellung und den skalierbaren Betrieb von KI-Agenten. Sie umfasst verwaltete Dienste für Runtime, Gateway, Memory und Observability.

Vier spezialisierte Agenten

Das System besteht aus vier Agenten mit klar abgegrenzten Rollen:

• Trend Research Agent: Entdeckt Trends und Kaufsignale über APIs von Hacker News, YouTube, dev.to, ProductHunt, Reddit und Stack Overflow.
• Search Specialist Agent: Reichert Lead-Profile mit zusätzlichem Kontext an. Quellen sind Wikipedia, GitHub, Lobste.rs und Stack Overflow.
• Analysis Agent: Bewertet Lead-Trend-Paare auf einer Skala von 0 bis 100. Er nutzt eine Scoring-Engine, einen ICP-Matcher und das Modell Claude Sonnet 4.6 von Anthropic via Amazon Bedrock.
• Email Generation Agent: Erstellt personalisierte Outreach-E-Mails unter Verwendung von Markenwissen und Lead-Speicherung.

Jeder Agent besitzt eigene Tools und validierte Ausgaben mittels Pydantic.

Scoring-Mechanismus

Die Bewertung basiert auf der Triangulation von Signalen aus mindestens zwei unabhängigen Quellen. Fünf gewichtete Kriterien werden verwendet: thematische Ausrichtung, zeitliche Relevanz, Engagement-Potenzial, Absichtssignale und Datenqualität. Ein ICP-Matching kann Bonuspunkte hinzufügen. Signale unterliegen einem temporalen Verfall.

Orchestrierung: Swarm versus Graph

Zwei Orchestrierungsmuster stehen zur Verfügung:

Swarm ermöglicht dynamische, autonome Übergaben zwischen Agenten mit gemeinsamem Arbeitsspeicher. Es führt zu höherer E-Mail-Qualität bei variabler Komplexität, erzeugt jedoch höhere Latenz und Token-Verbrauch.

Graph folgt einem festen, gerichteten Workflow mit paralleler Ausführung und bedingten Übergängen. Es bietet geringere Latenz, geringeren Token-Verbrauch und niedrigere Kosten und eignet sich besonders für Batch-Verarbeitung.

Thrad.ai setzt Graph für nächtliche Batch-Verarbeitung und Swarm für Deep-Dives bei hochwertigen Leads ein.

Bereitstellung und Governance

Die Infrastruktur wird über einen AWS CDK-Stack auf Amazon Bedrock AgentCore bereitgestellt. Runtime, Gateway, Memory und Observability (via OpenTelemetry und CloudWatch) sind zentrale Komponenten.

Governance erfolgt durch Policy Gates, gezielten Tool-Zugriff und Sicherheitsgrenzen im Swarm-Modus, die Endlosschleifen und unkontrollierten Ressourcenverbrauch verhindern.

Quelle: AWS AI Blog

FAQ

Welche Orchestrierungsmuster bietet das Multi-Agenten-System? Das System bietet die Muster Swarm (dynamische autonome Übergaben) und Graph (strukturierter, gerichteter Workflow).

Welche Modelle und Bibliotheken werden eingesetzt? Der Analysis Agent nutzt Claude Sonnet 4.6 von Anthropic auf Amazon Bedrock. Die Agenten-Ausgaben werden mit Pydantic validiert.

Für welche Anwendungsfälle eignet sich das System über die Lead-Generierung hinaus? Die zugrundeliegenden Techniken sind auf Wettbewerbsanalyse, Kandidatensuche und Content-Kuration übertragbar.