用途：该指南面向希望使用 LangGraph 构建智能体（示例为 5v5 足球对局智能体）的开发者，演示如何结合 LangChain ReAct 模式与 Amazon Bedrock 完成从本地测试到部署的流程。
主要能力：
- ReAct 智能体：通过 langgraph.prebuilt.create_react_agent 实现“观察—思考—行动—重复”循环，将游戏状态 JSON 摘要后交给 LLM 决定动作。
- 工具集成：用 langchain_core.tools 的 @tool 装饰器定义可调用函数，如计算距离、评估射门、寻找空位队友。
- 状态管理：默认 MessagesState 追踪消息历史；也可用 TypedDict 自定义状态，如记录控球次数、射门数、上次动作。
- 自定义图：通过 StateGraph、节点与条件边手动构建更可控的决策流程。
- 记忆：用 MemorySaver 与 thread_id 实现跨 tick 的会话历史共享。
- 部署：支持部署到 AgentCore（agentcore deploy 获取 Runtime ARN）或 Lambda（打包代码、配置 IAM 与 Bedrock 访问）。
- 增强建议：包括 Guardrails、提示词改进、测试、性能调优与多智能体架构。
使用方式：
- 安装依赖：python3 -m venv .venv，source .venv/bin/activate，pip install -r requirements.txt
- 本地测试：python test_local.py（规则回退）或 python test_local.py --llm（接入 Bedrock）
- 配置模型：使用 ChatBedrock 指定 model_id 与 region_name，可选模型有 Amazon Nova Micro/Lite/Pro 与 Anthropic Claude
- 部署后查看日志：aws logs tail /aws/bedrock-agentcore/runtimes/<runtime-id>-DEFAULT --log-stream-name-prefix "$(date +%Y/%m/%d)/[runtime-logs" --follow
适用场景：足球类多智能体对局、需要 ReAct 推理与工具调用的决策型智能体、基于 Bedrock 的 AWS 部署。
限制：资料为示例指南，具体 API 行为、模型可用性、价格与性能数据暂未提供；部分函数体以注释占位，需自行实现。