Strands Agents SDK 助力翰德 Hudson 實現智能招聘新突破詳情 - sdk,人工智能亞馬遜雲開發者博客

前言

在 AI 人才爭奪日益白熱化的今天，傳統招聘模式面臨着效率低下、精準度不高、難以應對海量候選人等挑戰，急需一種創新的智能招聘解決方案來提升招聘效能。翰德 Hudson 作為全球人力資源服務領域的領軍企業，一直將科技創新視為發展的引擎，並持續探索招聘效率優化的前沿解決方案。此前，翰德 Hudson 與亞馬遜雲科技合作基於 Model Context Protocol（MCP）開發了智能招聘解決方案——翰德 Hudson 攜手亞馬遜雲科技，基於 MCP Agent 重塑智能招聘新範式，但是如何在當前的方案上進一步提升效率，有效追蹤Agent的調用，並在未來增加可擴展性仍然是需要持續考量的重點。

針對以上痛點，翰德 Hudson 與亞馬遜雲科技戰略合作，基於全新的 Strands Agents SDK 構建了新一代智能招聘解決方案。相較於此前基於調用模型 API 的實踐，Strands Agents SDK 在多智能體協同、系統靈活性和全鏈路可觀測性方面實現了重要改進。數據顯示，採用新方案後，簡歷初篩效率提升可達 30%，匹配準確率提升約 10%，招聘週期明顯縮短。

📢限時插播：無需管理基礎設施，利用亞馬遜技術與生態，快速集成與部署生成式AI模型能力。
✨ 精心設計，旨在引導您深入探索Amazon Bedrock的模型選擇與調用、模型自動化評估以及安全圍欄(Guardrail)等重要功能。
⏩快快點擊進入《多模一站通 —— Amazon Bedrock 上的基礎模型初體驗》實驗構建無限, 探索啓程！

Strands Agents SDK 簡介

Strands Agents SDK 採用模型驅動（Model-Driven）的設計理念，充分發揮先進大模型在規劃、思維鏈（Chain-of-Thought）、工具調用及自我反思等方面的能力，顯著地簡化了智能體的開發流程。開發者僅需定義核心提示詞（Prompt）和可調用的工具列表（Tools），即可快速構建功能智能體（Agent），並能將本地測試成果無縫部署至雲端環境。

在模型生態方面，Strands Agents SDK 展現了高度的開放性與兼容性，支持多樣化的模型選擇，包括 Amazon Bedrock、LiteLLM、Ollama 等主流平台。對於亞馬遜雲科技中國區用户，還可通過西雲數據運營的亞馬遜雲科技 Marketplace（中國區）訪問 DeepSeek 等模型，以滿足不同業務場景和合規性要求。

基於 Strands Agents SDK 的新方案與之前基於模型 API 構建的方案有如下優勢：

1. 多智能體（Multi-Agent）併發協作

顯著提升簡歷篩選效率：Strands Agents SDK 引入先進的 Swarm 架構，支持多智能體併發處理，能夠同時對大量簡歷進行篩選與評估，大幅縮短整體招聘週期。
準確率提升：多智能體協同可以實現多維度、分工明確的篩選與交叉驗證，顯著提升候選人匹配的精準度。實際項目中，簡歷初篩效率提升可達 30%，匹配準確率提升約 10%。

2. 架構靈活，未來可擴展性更高

靈活的 Agent 組合：Strands Agents SDK 採用模塊化設計，支持按需增加或調整 Agent 類型。例如，未來如需增加面試自動邀約、候選人背景調查、智能問答等功能，只需新增相應的 Agent 並納入現有工作流即可，無需重構整體系統。
多模型生態兼容：支持 Amazon Bedrock、LiteLLM、Ollama 等多種主流及自定義模型，滿足不同業務和合規需求，便於企業平滑擴展 AI 能力。
快速適配業務場景：如客户未來希望引入自動化面試、智能推薦、數據分析等新功能，只需增設相關 Agent，無需對現有架構做大幅調整，顯著降低開發和維護成本。

3. 企業級可觀測與安全保障

全鏈路可觀測性：與 Langfuse 等開源平台深度集成，支持對智能體運行過程的實時監控、指標追蹤和異常報警，便於開發者快速定位和優化問題。
安全與合規：所有代碼均可在亞馬遜雲科技中國區託管，保障數據安全和高可用性。

4. 輕量級且生產就緒

設計簡潔易用：Strands Agents SDK 提供智能體循環機制，降低開發門檻，提升開發效率。涵蓋對話式和非對話式多種場景，支持多智能體協作和自我改進能力。
生產環境友好：支持多模型提供商和多樣部署目標，方便快速從本地測試無縫遷移到大規模生產環境，兼顧靈活性與穩定性。

整體方案完全託管於亞馬遜雲科技中國區服務，開發、調試與生產環節一站式完成，助力企業快速構建高效、可靠的智能招聘應用。

招聘智能體的設計和實現

Strands Agents SDK 憑藉其先進的技術特性，精準解決了通用招聘智能體在實際應用中的關鍵痛點。其標準化框架與完整工具鏈支持，實現了從簡歷智能解析到多智能體協同的端到端流程構建。該解決方案不僅能夠靈活處理來自不同平台的非結構化簡歷數據，還可以自如應對各類差異化數據結構。更重要的是，智能體可將解析所得的簡歷信息（包括工作履歷、技能標籤、項目經驗等關鍵要素）進行智能化處理，最終生成格式統一、結構清晰的標準化簡歷報告。

使用 Strands Agents SDK 構建的招聘智能體的架構圖如下：

智能體通過 Agentic AI Strands 作為中央協調者，利用大模型提供智能處理能力，並通過調用不同的 MCP Servers（如推薦報告智能體處理簡歷）以及 Multi-Agent 架構來完成複雜的自動化任務，同時引入 Langfuse 對 Agent 的調用和協作進行全鏈路的監控。極大地提高了信息獲取、處理和報告生成的效率和智能化水平。

1. 自定義模型供應商

對於中國區用户，Strands Agents SDK 支持通過硅基流動 API 調用本地或私有模型，實現數據隱私和低延遲的優勢。藉助這一能力，客户能夠在亞馬遜雲科技中國區環境中，構建高度定製化且高效的智能招聘解決方案。

這種開放且多元的模型生態，使得 Strands Agents SDK 具備極強的適應性和擴展性，幫助企業充分發揮自有模型優勢，同時享受亞馬遜雲科技提供的穩定、安全的雲端基礎設施支持。

# 中國區用户使用硅基流動
from strands import Agent
from strands.models.openai import OpenAIModel
from strands_tools import calculator, current_time

# 配置 OpenAI 兼容服務器
model = OpenAIModel(
    client_args={
        "api_key": "",  # 您的 API 密鑰
        "base_url": "https://api.siliconflow.cn/v1",  # 硅基流動服務器地址
    },
    model_id="Pro/deepseek-ai/DeepSeek-V3",  # 使用deepseek模型
    params={
        "max_tokens": 1000,
        "temperature": 0.7,
    }
)

# 創建 Agent
agent = Agent(model=model, tools=[calculator, current_time])

# 使用 Agent
response = agent("你好")

運行效果圖：

2. 多智能體協作實現批量簡歷閲讀

Strands Agents SDK 引入的 Swarm 架構，專為併發處理和多智能體協作設計，顯著提升了智能招聘系統的處理能力。通過 Swarm，多個智能體可以協同工作，實現對多份簡歷的並行篩選、評估與對比，有效的提供崗位推薦與見解，提升匹配精準度。

這一架構不僅支持多任務同時運行，還能動態調度和協調各智能體的工作流，確保系統高效穩定地應對大規模候選人數據。對於企業而言，Swarm 架構意味着能夠在保持高質量篩選標準的同時，實現招聘流程的自動化和規模化，顯著增強招聘效能。

依託亞馬遜雲科技的強大雲端基礎設施，Swarm 架構為智能招聘注入了前所未有的靈活性和擴展性，助力人力資源團隊在激烈的人才競爭中搶佔先機。

from strands import Agent
from strands_tools import swarm, file_read

# 1. 創建主 Agent，擁有 swarm 和 file_read 兩項能力
agent = Agent(tools=[file_read, swarm])

# 2. 定義簡歷文件路徑列表
resume_files = [
    "/Users/cv/1.txt",
    "/Users/cv/2.txt",
    # 更多文件...
]

# 3. 預先讀取所有簡歷內容
resume_contents = []
for i, file_path in enumerate(resume_files, 1):
    try:
        content = agent.tool.file_read(path=file_path, mode="view")
        resume_contents.append(f"=== 簡歷 {i} (來源: {file_path}) ===\n{content}")
    except Exception as e:
        print(f"讀取文件 {file_path} 失敗: {e}")

# 4. 將所有簡歷內容合併為一個任務描述
combined_content = "\n\n".join(resume_contents)

# 5. 使用 swarm 工具進行協作分析
result = agent.tool.swarm(
    task=f"""
請分析以下簡歷內容，執行併發分析：

{combined_content}

每個 Agent 應該專注分析其中一份或幾份簡歷，執行以下步驟：
1. 提取基本信息（姓名、聯繫方式、工作經驗年限）
2. 分析技能關鍵詞和專業領域
3. 評估工作經驗匹配度（按1-10分評分）
4. 提取教育背景
5. 識別突出亮點

最終，請所有 Agent 協作生成一份綜合彙總報告，包含：
- 每個候選人的基本信息對比
- 每個候選人的優勢和不足
- 按匹配度排序的推薦建議
""",
    swarm_size=min(len(resume_files), 10),  # 限制最大10個Agent
    coordination_pattern="collaborative"     # 協作模式
)

# 6. 輸出結果
print("=== 簡歷分析彙總報告 ===")
print(result["content"])

運行結果示例：

3. 配置企業級可觀測性

招聘過程中如遇模型響應慢或評分異常，可通過集成的可觀測平台實時告警與分析，幫助企業快速定位篩查瓶頸。Strands Agents SDK 提供了企業級的可觀測能力，幫助開發者全面監控和調試智能體的運行狀態。通過與開源的 Langfuse 平台深度集成，用户可以實現對智能體執行過程的詳細追蹤，包括大語言模型調用、工具使用、輸入輸出數據、響應時延及成本等關鍵指標。

這種可觀測性基於 OpenTelemetry 標準，支持自動收集和上報運行時數據，開發者只需簡單配置即可開啓。Langfuse 提供豐富的可視化界面，方便用户實時查看和分析每一次智能體交互的執行細節，快速定位問題並優化模型表現。

# 自動化監控配置
from strands.observability import configure_telemetry

configure_telemetry(
    service_name="hudson-agent",
    endpoint="https://cloudwatch-otel.cn-north-1.amazonaws.com.cn",
    headers={"x-api-key": os.getenv("OTEL_API_KEY")}
)

通過與 Langfuse 等企業級可觀測平台集成，每次簡歷分析、Agent 調用等全部行為都能可視化管控。比如，遇到大模型響應延遲或工具質檢評分波動時，可以快速定位根源。

只需在 Agent 代碼中配置好 Langfuse 的 endpoint，public_key 和 secret_key 等信息，就會在 Langfuse 工具中看到完整的信息。

以生成推薦報告為例，運行的系統截圖：

推薦報告 Agent 執行的完整 trace 記錄：

4. sample_agentic_ai_strands 提供前端用户交互界面

在系統可觀測性保障之外，企業在智能招聘場景落地過程中，同樣需要高效的集成與可視化能力。為此，智能體解決方案引入了由亞馬遜雲科技推出的開源 Agentic AI 應用框架 sample_agentic_ai_strands，專為構建企業級智能代理應用而設計，進一步推動 AI 驅動的人力資源管理全面落地。該項目具有以下核心特徵：

前後端分離架構：MCP Client 和 MCP Server 均可部署到服務器端，用户可直接使用 web 瀏覽器交互，訪問 LLM 和 MCP Server 能力
React UI 界面：基於 React 的用户界面，允許用户與模型交互並管理 MCP 服務器，顯示工具調用結果和思考過程
多協議 MCP 集成：提供 STDIO、StreamableHTTP、SSE 模式的 MCP 集成支持
多模型提供商支持：支持 Bedrock、OpenAI 及兼容模型，滿足不同場景需求

結語

基於 Strands Agents SDK 構建的招聘智能體不僅展現了開源 AI 智能體技術的強大潛力，更證明了模型驅動方法在企業級應用中的實用價值。通過簡化智能體開發門檻（預置工具與模板）、強化多環節協同能力（工作流編排與多智能體協作）、適配雲原生彈性架構，將招聘從 “人工主導的碎片化流程” 轉化為 “智能體驅動的自動化流水線”。

這一方案幫助企業從繁瑣的基礎篩選中解放出來，能夠將更多精力投入到候選人溝通、薪酬談判等高價值環節，最終實現效率提升、質量優化與業務突破。

*前述特定亞馬遜雲科技生成式人工智能相關的服務目前在亞馬遜雲科技海外區域可用。亞馬遜雲科技中國區域相關雲服務由西雲數據和光環新網運營，具體信息以中國區域官網為準。

參考鏈接

翰德 Hudson 攜手亞馬遜雲科技，基於 MCP Agent 重塑智能招聘新範式
亞馬遜雲科技中國區構建 Agentic AI 應用實踐指南
sample_agentic_ai_strands

本篇作者

本期最新實驗《多模一站通 —— Amazon Bedrock 上的基礎模型初體驗》
✨ 精心設計，旨在引導您深入探索Amazon Bedrock的模型選擇與調用、模型自動化評估以及安全圍欄(Guardrail)等重要功能。無需管理基礎設施，利用亞馬遜技術與生態，快速集成與部署生成式AI模型能力。
⏩️[點擊進入實驗] 即刻開啓 AI 開發之旅
構建無限, 探索啓程！

亞馬遜雲開發者博客

亞馬遜雲開發者博客

博客 / 詳情