在 Amazon Bedrock 上用 Grok 4.7 构建长时程智能体

SpaceXAI 的 Grok 4.7 现已在 Amazon Bedrock 上可用，该平台提供来自多个提供商的基础模型（FM）供选择。据 SpaceXAI 称，Grok 4.7 经过训练，能够在更困难的任务上工作更长时间，并且知道何时检查自己的工作。这对于智能体来说最为重要，因为智能体要执行一个包含许多步骤的任务，并且必须验证沿途发现的内容。

以这种方式工作的智能体不能只是查找信息。它必须形成一个候选答案，将其与已学到的内容进行核对，并不断改进直到符合要求。Grok 4.7 提供了一个推理力度设置，用于控制每次响应前进行多少思考，而对于智能体工作负载，一个实际问题是应该运行在哪个级别。

在本文中，我们在 Grok 4.7 上构建了一个工具调用智能体，并在三个需要搜索而非查找的任务上对其进行评估。这些任务分别是：根据告警诊断双服务故障、在相互作用的约束下安排维护，以及在预算内选择一组最优迁移方案。每个任务都恰好有一个正确答案，并通过暴力法验证。我们在每个推理力度级别上运行了全部三个任务，每个运行六次，共 72 次智能体运行。

该智能体在 72 次运行中正确回答了 67 次。在 xhigh 下，它正确回答了全部 18 次；而在 low 下，它正确回答了 18 次中的 15 次，同时使用的输出 token 约为八分之一。这给出了一个清晰的权衡，你可以按请求进行调整，我们展示了如何在你自己任务上衡量它，以及如何在生产环境中监控它。

我们全程报告 token 数量而非货币金额。Token 价格会变化，而数量才是你自身成本的计算依据，因此以 token 表示的测量结果始终有效。

SpaceXAI 对 Grok 4.7 的说明

据 SpaceXAI 称，Grok 4.7 使用了比 Grok 4.6 更大的基础模型，并在更困难的任务组合上进行了更长时间的强化学习训练。该任务组合偏向于需要数小时才能完成的问题。SpaceXAI 报告称，该模型更擅长验证自己的工作以及管理更长的上下文。

SpaceXAI 发布的基准测试结果也体现了这一重点。相较于 Grok 4.6 的最大报告提升出现在衡量持续工作而非单轮回答的类别中。

来源：SpaceXAI，Introducing Grok 4.7（https://x.ai/news/grok-4-7）。分数为 SpaceXAI 在模型发布时发布的数据。

基准测试展示了模型在标准任务上的表现。对于你自己的负载，有用的下一步是在与你类似的任务上进行衡量，本文的其余部分将对此进行介绍。

SpaceXAI 列出 Grok 4.7 具有 500K token 上下文窗口，支持文本和图像输入以及文本输出。在 Amazon Bedrock 上，该模型支持可配置的推理力度、工具调用和结构化输出。

如何在 Amazon Bedrock 上访问 Grok 4.7

Grok 4.7 运行在 bedrock-runtime 端点上，并通过 跨区域推理配置文件进行访问。有两个配置文件可用：

跨区域推理会将请求路由到多个 AWS 区域，从而在不逐区域管理容量的情况下为你提供更高的吞吐量。请求需指定某个推理配置文件，而非裸模型 ID。

该模型支持 OpenAI 兼容的 Chat Completions 和 Responses API，以及 Amazon Bedrock Converse API。在 Converse 上，推理会作为 reasoningContent 块与 text 块一起返回。在 inferenceConfig 中，仅设置 maxTokens，并将模型特定参数（如推理强度）放入 additionalModelRequestFields。

有关当前支持的区域、服务层级和 token 价格的列表，请参阅 Amazon Bedrock 用户指南中的 Grok 4.7 模型卡以及 Amazon Bedrock 定价页面（https://aws.amazon.com/bedrock/pricing/）。

先决条件

• 一个可访问 Amazon Bedrock 的 AWS 账户，并已为 Grok 4.7 启用模型访问权限。
• Python 3.9 或更高版本，并已安装 openai、boto3 和 aws-bedrock-token-generator。
• 已在你的环境中配置 AWS 凭证。

你的 AWS Identity and Access Management (IAM) 身份需要在推理配置文件和你账户的默认项目上拥有 bedrock:InvokeModel：

• arn:aws:bedrock:{region}::inference-profile/us.xai.grok-4.7 或等效的 global.。
• arn:aws:bedrock:{region}:{account-id}:project/default。

在策略语句中同时包含这两个资源。除推理配置文件外，还需要默认项目权限。

连接到模型

对于生产环境使用，我们建议从现有 AWS 凭证生成短期 bearer token，这样身份验证始终与你的 IAM 身份绑定，且不会存储长期密钥：

from aws_bedrock_token_generator import provide_token
from openai import OpenAI

REGION = "us-west-2"
MODEL_ID = "us.xai.grok-4.7"

client = OpenAI(
    api_key=provide_token(region=REGION),
    base_url=f"https://bedrock-runtime.{REGION}.amazonaws.com/openai/v1",
    timeout=360,
    max_retries=0,  # retries are handled explicitly, see "Build in retries" below
)

推理 token 计入输出 token，并在生成答案文本之前消耗 max_completion_tokens，因此请设置限制以为两者都留出空间。如果在推理期间达到限制，响应将不返回答案文本，因此请在 agent 代码中检查空内容，若发现此情况则提高限制。我们的运行使用了 32,768 个 token 的限制，这在每个强度级别都留有余量。

Grok 4.7 支持四种强度级别：low、medium、high 和 xhigh。强度级别可能随模型版本变化，因此值得对照服务进行确认，而不是硬编码列表：

def supported_effort_levels(candidates=("none", "low", "medium", "high", "xhigh", "max")):
    supported = []
    for level in candidates:
        try:
            client.responses.create(model=MODEL_ID, input="Say OK.",
                reasoning={"effort": level}, max_output_tokens=2048)
            supported.append(level)
        except Exception as exc:
            if "unsupported_value" not in str(exc) and "invalid_value" not in str(exc):
                raise
    return supported


print(supported_effort_levels())  # ['low', 'medium', 'high', 'xhigh']

设计需要推理的任务

许多 agent 评估测试的是勤勉程度：读取一条记录、筛选它、把它加起来。这些任务值得保留，但要看出推理强度的贡献，任务必须要求搜索：答案不能直接从数据中读出，而必须被提出然后验证。

我们构建了一个由 20 个服务组成的合成环境，通过七个工具暴露，并在其上设置了三个任务。每个任务都恰好有一个正确答案，且每个任务的设计都使得快速启发式方法不足以找到答案。

四项实践让这样的测量值得信赖，而且它们适用于大多数智能体评估。

明确列出评分器依赖的每一条规则。如果提示词留下了未覆盖的边界情况，一个合理的答案也可能被判为错误，评估最终衡量的是规范而非模型。例如，诊断提示词明确说明，失败的服务本身不会触发任何告警。

证明每个任务只有一个答案。每个环境都小到可以枚举，因此我们在运行任何东西之前检查了每一个候选答案。对于排班任务，这只需几行：

import itertools

ALL_SLOTS = sorted(set(itertools.permutations([1, 1, 2, 2, 3, 3, 4, 4])))

def valid_schedules(services, constraints):
    return [s for slots in ALL_SLOTS
        if satisfies(s := dict(zip(services, slots)), constraints)]

assert len(valid_schedules(SERVICES, CONSTRAINTS)) == 1  # exactly one answer
assert len(valid_schedules(SERVICES, CONSTRAINTS_WITHOUT_TEAM_RULE)) > 1  # the rule matters

只对必需的末行评分，而非整个回复。每个提示词都要求智能体以诸如 FINAL: auth, checkout 的一行结尾。评分器只读取那一行，因此一个在解释推理过程时讨论了其他候选答案的回复，是按其结论来评分的：

def final_line(answer):
    lines = [l for l in (answer or "").splitlines() if "FINAL" in l.upper()]
    return lines[-1] if lines else None

将格式与正确性分开追踪。缺少末行与末行错误是不同的信号。在我们的运行中，全部 72 个回复都包含了可评分的末行。

在有效值已知的地方用 enum 约束工具参数，使每次工具调用都指向真实资源：

TOOLS = [
    {"type": "function", "function": {
        "name": "get_dependencies",
        "description": "Services that one service directly depends on.",
        "parameters": {
            "type": "object",
            "properties": {"service": {"type": "string", "enum": SERVICE_NAMES}},
            "required": ["service"],
        }}},
    # The remaining six tools follow the same shape.
]

系统提示词刻意保持简短，并要求智能体在给出答案前先检查它：

AGENT_SYSTEM = (
    "You are an infrastructure analyst agent. Use the tools to gather facts and never guess "
    "a value you can look up. Before answering, check your answer against every rule in the "
    "task. End with the FINAL line exactly as the task specifies."
)

智能体循环是一个标准的工具调用循环：以设置好的 reasoning_effort 调用模型，执行每个返回的工具调用，以 tool_call_id 为键追加结果，并重复直到模型不再请求工具。在整个循环中追踪 prompt_tokens 和 completion_tokens，即可得到下一节所报告的 token 计数。

结果

每个任务在每个努力级别上运行六次，共 72 次运行。智能体正确回答了 67 次。

图 1：各推理努力级别下正确回答的运行占比（左），以及每次运行的平均输出 token 数并叠加每次运行的中位秒数（右）

三点观察。

xhigh 每次运行都回答正确。在 xhigh 下，三个任务的全部 18 次运行均正确，而 medium 和 high 各答对了 18 次中的 17 次。由于每个任务每个级别只有六次运行，各层级之间的差异是指示性的而非统计上确凿的，且这一方向在三个任务中是一致的。

努力程度改变的是智能体推理的多少，而非它探索的多少。工具调用次数基本持平，在每个级别下每次运行都在 17.2 到 18.7 之间。无论努力程度如何，智能体收集到的事实相同，改变的是它对这些事实施加了多少推理，输出 token 数从 low 下的 1,184 上升到 xhigh 下的 9,147。

low 提供了很高的性价比。在 low 下，智能体在 18 次运行中正确回答了 15 次，所用输出 token 约为 xhigh 的八分之一，中位运行时间为 18 秒。在可以接受略低完成率、或答案会在下游被审核的场景中，low 是高效的选择。而在每个答案都必须一次就对的地方，更高级别是更稳妥的默认选项。

努力程度如何影响答案

这些任务围绕一种特定类型的难度设计，观察每个努力级别如何处理它们，可以厘清额外推理何时值得。

优化。迁移任务奖励的是考虑组合，而不是逐个对选项排序。选择单项比率最佳的候选者会得到一个合理的答案，但比最优解低九分。在 medium 及以上，智能体在全部 18 次运行中都找到了最优集合。

假设检验。诊断任务要求双向检查候选对：每个告警都必须得到解释，每个保持沉默的服务都必须与答案一致。在 medium 及以上，智能体在全部 18 次运行中都识别出了正确的配对。

约束满足。排班任务将十项列出的约束与一条依赖所查所有权数据的团队规则结合起来。xhigh 在每次运行中都生成了有效排班，这也是最高级别带来最明显差异的任务。

三者的共同规律是：当智能体必须在多个候选答案之间权衡，而不是沿着单一路径得出结果时，额外的推理努力最有价值。

在生产环境中监控推理

在生产环境中，你没有已知答案可供评分，但你确实知道每次运行使用了多少输出 token 和工具调用。这些能提供有用的运营信号。

每个级别的正确运行都保持在明确的推理量下限之上。在 medium 及以上，每次正确运行至少使用 1,739 个输出 token，典型运行则使用数千个。一次没有进行任何工具调用、或输出量远低于其级别正常水平的运行，值得标记以供审查：

def flag_for_review(run, baseline):
    """baseline: output tokens of graded, correct runs at the same effort level."""
    reasons = []
    if run["tool_calls"] == 0:
        reasons.append("made no tool calls")
    if run["output_tokens"] < 0.2 * min(baseline):
        reasons.append(f"used {run['output_tokens']} output tokens, "
            f"under a fifth of the lowest correct run ({min(baseline)})")
    return reasons

根据你已评分的运行，按任务和努力级别校准基线，然后将其应用于尚未评分的运行。把标记视为检查或重新运行的提示。在 low 下，每次运行都很简短，输出量是较弱的信号，因此要配合抽查。

在系统提示中要求智能体验证其答案是值得保留的，因为这让你在审查运行时能轻松跟随智能体的推理。在存在已知答案的地方，将其与自动评分配合使用，这样质量就能独立于记录文本进行衡量。

选择推理努力程度

这些结果给出了几条实用规则。

让努力程度匹配任务类型。涉及搜索、优化或检验假设的任务，最能从 medium 或更高级别中受益。沿单一路径推进、或答案会在下游被审核的任务，可以在 low 下高效运行。

按请求设置努力程度，而不是按智能体设置。努力程度是请求参数，因此智能体可以在更高级别运行其规划和验证步骤，而在 low 下运行其机械性步骤，例如格式化工具结果。这样就把更高级别的大部分可靠性与更低的 token 成本结合了起来。

在你自己的任务上测量，并重复运行。 每种配置只运行一次只能得到一个观测值。将每种配置重复运行多次，才能看出它有多稳定。

监控推理量。 按 effort 级别跟踪每次运行的输出 token 和工具调用次数，能让你在结果被使用之前就获得一个提前审查运行的信号。

本次测量的局限性

每个任务和 effort 级别运行六次。 足以在三个任务上显示出一致的方向，但不足以给出置信区间。请将这些级别之间的差异视为指示性的。

合成环境。 这些工具读取的是代码生成的数据，这正是能够证明每个任务恰好只有一个答案并自动评分的原因。真实工具会带来延迟、部分结果和错误，这些在此均未测试。

分钟级，而非小时级。 中位运行时间从 low 的 18 秒到 xhigh 的 106 秒不等。这是长周期工作的一个缩小版代理。方法可以迁移，绝对数值则不能。

一个模型版本、一个区域、每个任务一个提示词。 同一任务的不同措辞可能会改变结果，这也是为什么明确陈述每条规则很重要。

Token 数量，而非成本。 要换算成货币，请使用 Amazon Bedrock 定价页面上你所用推理配置和服务层级的当前费率。Global 和 US Geo 配置的定价不同，Flex 和 Priority 服务层级会应用乘数。

代理工作负载的运维控制

内置重试。 发出大量调用的代理应将重试视为设计的一部分。设置请求超时，只重试可重试的错误，使用带抖动的指数退避，并在返回 Retry-After 头时遵循它：

import random, time

RETRYABLE = {408, 429, 500, 502, 503, 504}

def call_with_backoff(fn, attempts=7, base=4.0, cap=180.0):
    for attempt in range(1, attempts + 1):
        try:
            return fn()
        except Exception as exc:
            status = getattr(exc, "status_code", None)
            retryable = status in RETRYABLE or "timed out" in str(exc).lower()
            if not retryable or attempt == attempts:
                raise
            time.sleep(random.uniform(base, min(cap, base * 2 ** attempt)))

按需吞吐量会随时间扩展，因此应以渐进方式提升新的高流量工作负载，而不是一开始就以满速率运行。

审计一次运行。 模型调用日志会将请求和响应数据写入 Amazon Simple Storage Service (Amazon S3) 或 Amazon CloudWatch Logs。这让你可以在事后获得想要审查的运行的完整记录。

大规模监控推理量。 Amazon CloudWatch 指标为你提供 token 使用量的聚合视图，这正是前面描述的按级别基线可以转化为告警对象的地方。

跨代理归因支出。 AWS Cost Explorer 和 AWS Cost and Usage Report 中的成本明细会按模型拆分用量，结合每任务 token 数量，你既能得到单位经济性，也能得到总账单。

让成本与紧迫性匹配。 服务层级按请求设置，因此一次部署可以将夜间分析通过 Flex 层级发送，而将交互式请求通过 Priority 发送。对于以更高 effort 级别运行的工作负载，层级选择是进一步控制成本的杠杆。

选择路由配置。 跨区域推理拓宽了长时间运行所依赖的容量池。Global 配置从你选择的商业 AWS 区域提供服务，通常每 token 定价低于地理路由。US 配置将处理保留在美国境内。请根据你的数据驻留要求以及成本来选择。

清理

本文中的示例除了按请求计费的 token 用量外，不会创建任何产生费用的 AWS 资源。如果你生成了长期有效的 Amazon Bedrock API 密钥，请在完成后于 Amazon Bedrock 控制台中将其删除，因为它在被撤销之前一直有效。由 IAM 凭证生成的短期令牌会自行过期。

如果你在测试期间启用了向 Amazon S3 的模型调用日志记录，请检查该存储桶并删除不再需要的对象。

结论

SpaceXAI 训练 Grok 4.7 在更困难的任务上工作更长时间，并知道何时检查自己的工作。在三个需要搜索而非查找的任务中，该 agent 在 72 次运行中正确回答了 67 次，且每次运行都达到 xhigh。由于推理力度是按请求设置的，你可以选择 agent 的每一步在彻底性与 token 成本之间的权衡中处于何处。

有三点值得带入你自己的评估中。设计具有唯一可证明答案的任务，并说明评分器所依赖的每一条规则。重复运行，以便了解每种配置的一致性如何。并按力度级别监控输出 token 和工具调用，这样你就能在质量指标之外拥有一个运营信号。

延伸阅读

• 在 Amazon Bedrock 上推出 Grok
• Grok 4.7 现已在 Amazon Bedrock 上可用
• 使用跨区域推理在 AWS 区域之间路由模型推理请求
• Amazon Bedrock 入门
• Chat Completions API
• Amazon Bedrock 定价
• 推出 Grok 4.7 （SpaceXAI）

关于作者

Suheel Farooq

Suheel 是 AWS 的首席解决方案架构师，专攻人工智能、机器学习和生成式 AI。他帮助基础模型提供商客户在 AWS 上设计、构建、现代化和扩展其 AI/ML 与生成式 AI 工作负载——从将基础模型引入 Amazon Bedrock，到优化训练和推理，再到构建 Agentic AI 解决方案。他的经验涵盖 AWS AI/ML 和生成式 AI 产品组合，尤其是 Amazon Bedrock、Amazon Bedrock AgentCore 和 Amazon SageMaker AI。闲暇时，Suheel 喜欢健身和徒步。

Anirban Gupta

Anirban 是 AWS 的首席工程师，常驻美国西雅图，专注于为 Amazon Bedrock 设计安全、大规模模型服务基础设施。他推动了该平台上多个基础模型发布背后的技术工作。在加入 Amazon Bedrock 之前，他曾是 AWS Outposts 的首席工程师，构建混合本地云基础设施。

James Wang

James 是 SpaceXAI 的高级产品增长经理。此前，他曾任 Cerebras 的产品营销总监，负责推出 Cerebras Inference 和 CS-3 AI 加速器。在那之前，James 是 ARK Invest 的首席 AI 分析师。他的职业生涯始于 NVIDIA，在深度学习早期推出首批支持 CUDA 的 GPU。

Ikenna Izugbokwe

Ikenna 是 AWS 的首席解决方案架构师，专攻网络、容器和 AI 基础设施。他指导模型提供商扩展其训练和推理系统，同时支持在 AWS 上快速部署不断演进的前沿模型。他的工作日益涵盖 agentic AI——构建可靠、高性价比的多 agent 系统及其背后的生产推理基础设施。