Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
medium.com9. November 2025 · Q010045

The Full Stack Agentic App Architecture I Use + Skeleton App Available

medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Itsuki stellt ein AWS-Skeleton für agentische Chat-Apps vor: Cognito, S3 und Strands Agents bilden zentrale Teile, während AgentCore Runtime Modellaufrufe und API Gateway mit Lambda die Sitzungsverwaltung übernehmen. Das Next.js-Frontend läuft auf App Runner; der Autor erläutert Bereitstellung und lokalen Betrieb mit CDK. Die Architekturbegründungen gelten für seinen beschriebenen Bedarf und werden im Bericht nicht unabhängig bewertet.

Mittel

Itsuki beschreibt ein wiederverwendbares AWS-Grundgerüst für agentische Chat-Anwendungen, das sich anpassen und mit AWS CDK bereitstellen lasse. Die Architektur kombiniert Cognito für Authentifizierung, S3 für Sitzungsverläufe und Metadaten, Strands Agents, AgentCore Runtime für Modellaufrufe sowie API Gateway und Lambda für Sitzungsverwaltung. Das Frontend verwendet Next.js und das AI SDK und läuft als Container auf App Runner.

AgentCore Runtime stellt laut Artikel den Endpunkt /invocations für multimodale Eingaben sowie gestreamte oder normale Antworten bereit. Andere Endpunkte übernehmen API Gateway und Lambda: Sie listen Sitzungen und Nachrichten auf und ermöglichen das Anlegen, Umbenennen und Löschen von Sitzungen. Vergangene Dokumentinhalte werden beim Abruf des Verlaufs entfernt; für Downloads nennt der Autor Base64-Inhalte oder vorab signierte S3-URLs als Möglichkeiten. Die App unterstützt außerdem Login, Chat und Sitzungswechsel.

Der Autor erläutert CDK-Bereitstellung und lokale Ausführung von Backend und Frontend. Seine Begründungen beziehen sich auf die Anforderungen dieses Skeletons. Der Artikel enthält keine unabhängige Prüfung, Vergleichsmessungen oder umfassende Sicherheitsbewertung.

Ausführlich lesen

Der Autor Itsuki stellt ein wiederverwendbares Grundgerüst für agentische Anwendungen auf AWS vor. Anlass sei, dass er bei verschiedenen Projekten wiederholt ähnliche Boilerplate habe schreiben müssen. Das Skeleton solle sich anpassen und mit einem CDK-Befehl bereitstellen lassen; der vollständige Code sei auf GitHub verfügbar. Der Artikel beschreibt die Architektur, die Auswahl der Dienste, Funktionen der App und Schritte für Bereitstellung und lokalen Betrieb.

Die Architektur verwendet Cognito für Anmeldung und Autorisierung, S3 zum Speichern von Sitzungsverläufen und Metadaten, Strands Agents für den Agenten sowie AgentCore Runtime und API Gateway mit Lambda für unterschiedliche Backend-Aufgaben. Das Frontend basiert auf Next.js und dem AI SDK und wird als Container mit App Runner betrieben; AWS CDK verwaltet die Ressourcen. Der Autor begründet Cognito mit der Integration in AgentCore und API Gateway sowie der Möglichkeit, weitere Identitätsanbieter einzubinden. S3 sei für den vorgesehenen Bedarf kostengünstig, da die Anwendung Nutzerdaten zur Registrierung nicht selbst speichern müsse. Strands Agents’ S3SessionManager lade und sichere den Chatverlauf automatisch; eigene Sitzungsmetadaten wie Namen liegen laut Artikel gesondert in einer sessions.json-Datei.

Das Backend ist aufgeteilt, weil AgentCore Runtime hier nur den Endpunkt /invocations bereitstellt. Dieser dient dem Aufruf des Sprachmodells und unterstützt laut Artikel Text, Bilder und Dokumente sowie gestreamte und nicht gestreamte Antworten. API Gateway und Lambda übernehmen Sitzungsverwaltung und Verlauf: vorhandene Sitzungen und Nachrichten abrufen sowie Sitzungen anlegen, umbenennen oder löschen. Der Artikel weist auf unterschiedliche Authorization-Header für AgentCore und API Gateway hin; bei Cognito werde für API Gateway ein Access Token statt des üblichen ID Tokens verwendet. Beim Abruf des Verlaufs entfernt die Anwendung Dokumentinhalte in Binär- oder Base64-Form, weil das Frontend nur Metadaten anzeige. Für einen späteren Dokument-Download nennt der Autor als Optionen, Inhalte zurückzugeben oder eine vorab signierte S3-URL zu verwenden.

Das Frontend ermöglicht laut Darstellung Login und Logout, Chat mit gestreamten Antworten, das Laden früherer Verläufe und die Verwaltung von Sitzungen. Next.js sei gewählt, weil Server-Aufrufe benötigt würden, das AI SDK solle die Verarbeitung von SSE-Streaming übernehmen. App Runner passe zum gewünschten Containerbetrieb und biete für den Bedarf des Autors mehr Abstraktion als ECS Fargate. Gegen Amplify führt er an, dass sich die Ressourcenverwaltung schwieriger gestalte, sobald ein Dienst wie AgentCore Runtime nicht in dessen Full-Stack-Angebot passe.

Zur Bereitstellung beschreibt der Artikel, wie das Repository heruntergeladen, AWS CDK eingerichtet, bei Bedarf Kontextwerte wie Modell-ID und Region angepasst und anschließend Docker gestartet wird. Der Befehl cdk deploy --all soll die Ressourcen anlegen und nötige Umgebungsvariablen konfigurieren. Für lokale Tests müssen S3-Bucket und Cognito-User-Pool bereits bereitstehen. Danach können Backend und Frontend mit den jeweils angegebenen Umgebungsvariablen lokal oder teilweise in Docker gestartet werden.

Die Aussagen beziehen sich auf das vom Autor vorgestellte Skeleton und dessen angenommene Bedürfnisse. Der Bericht liefert keine Vergleichsmessungen, Sicherheitsprüfung oder unabhängige Bewertung der Architektur. Einzelheiten der Eingabeformate verweist der Autor auf den Code; eine konkrete Liste möglicher Erweiterungen wird im vorliegenden Text nicht ausgeführt.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Luna lieferte zwei Zusammenfassungen (kurz und mittel). Geprüft wurden beide; die kurze lässt noch mehr aus, etwa Dokumenthandling und Abruf. Die Einordnung betrifft nur die drei Sammelfragen, Teilfragen gibt es nicht. Lunas Stufen und Anteile wurden unabhängig neu bewertet.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Begründung, warum der Autor Amplify und ECS Fargate nicht nutzt (App Runner als höhere Abstraktion)
  • Die S3-Bucketstruktur, in der S3SessionManager Sitzungen und Nachrichten automatisch verwaltet, während sessions.json eigene Metadaten enthält

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
  1. SF-M4 Wie kommen Meldungen von Laboren, Betreibern und Nutzern schnell und geschützt zu den Stellen, die handeln müssen, auch über Grenzen hinweg?
    • clef 100 %kein Bezug
    • Luna 41 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 49 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Tempo und Grenzen
Vertrauen in Modelle
  1. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 56 %Hintergrund, keine Belege
    • JEV 31 %gleiches Oberthema, hilft nicht
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 100 %kein Bezug
    • Luna 35 %einzelne zitierbare Belege
    • JEV 28 %einzelne zitierbare Belege
    • amos 31 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 37 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 47 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →