Deep Agents + Bedrock AgentCore：多 Agent 编排 + 隔离基础设施的端到端研究 Agent 实战¶

Ch04.200 Deep Agents + Bedrock AgentCore：多 Agent 编排 + 隔离基础设施的端到端研究 Agent 实战¶

📊 Level ⭐⭐ | 11.0KB | entities/deep-agents-bedrock-agentcore-subagent-orchestration-aws.md

Deep Agents + Bedrock AgentCore：多 Agent 编排 + 隔离基础设施的端到端研究 Agent 实战¶

Background: 本文合成自 AWS ML Blog 2026-06-15 文章，作者 Sundar Raghavan（Sr Solutions Architect, Agentic AI Foundations）和 Saurav Das（AgentCore PM）。聚焦 LangChain Deep Agents 框架 + Amazon Bedrock AgentCore 基础设施的端到端集成，是"框架级 + 基础设施级"双层编排的最新官方参考实现。

核心模式¶

两层分工：

1. 编排层（Deep Agents）：负责 subagent 生成、生命周期管理、消息路由
2. 基础设施层（AgentCore）：负责每个 subagent 需要的隔离执行环境（Browser MicroVM、Code Interpreter、Memory、Runtime）

关键收益：coordinator 的 context window 不再被原始网页内容填满，每个 subagent 在自己的 MicroVM 中执行，只返回简洁结构化结果给 coordinator。

实战架构¶

五个核心组件¶

工作流（4 步）¶

用户查询
    ↓
[Coordinator] → 检查 AgentCore Memory 历史洞察
    ↓
[并行 × 3] → Browser Subagent 在各自 MicroVM 调研 3 个竞品
    ↓
[Analyst] → Code Interpreter 生成对比图 + Markdown 报告
    ↓
[Memory] → 关键洞察持久化到长期记忆

运行时长：4-6 分钟（含真实浏览器导航时间），3x 快于串行。

关键工程细节¶

Browser MicroVM 隔离¶

每个 research subagent 创建独立 BrowserToolkit：

for company_name, company_url in COMPETITORS:
    browser_toolkit, browser_tools = create_browser_toolkit(region="us-west-2")
    browser_toolkit.session_manager.session_wait_timeout = 60.0
    # 每个 MicroVM 独立 session_id、独立 Chromium 实例

关键参数：session_wait_timeout = 60.0（默认 10s，并发时不够用）

Code Interpreter 隔离¶

ci_toolkit, ci_tools = await create_code_interpreter_toolkit(region="us-west-2")
# 工具: execute_code, execute_command, write_files, read_files, install_packages
# 预装: pandas, matplotlib, numpy
# 运行时长: 最多 15 分钟

Memory 配置¶

@tool
def save_research_insights(insights: str, session_id: str = "default") -> str:
    memory_client.create_event(
        memory_id=memory_id, actor_id=actor_id, session_id=session_id,
        messages=[(f"Save these insights: {insights}", "USER"),
                  ("Insights saved.", "ASSISTANT")],
    )

重要：必须配置至少一个 extraction strategy（如 semanticMemoryStrategy），否则 create_event 只存原始事件、不提取洞察用于 recall。

模型无关¶

# 切换模型只需一行 — AgentCore Browser/Interpreter/Memory 不变
from langchain_aws import ChatBedrockConverse
model = ChatBedrockConverse(model="us.anthropic.claude-sonnet-4-6", region_name="us-west-2")
# → 可换 Anthropic API / Google Gemini / OpenAI

三层可观测性¶

1. CloudWatch GenAI Observability：OTEL 格式 traces，coordinator → subagent → tool 三层 span
2. AgentCore Evaluations：内置 goal success rate + tool selection accuracy 评估器
3. LangSmith：3 个环境变量启用（LANGCHAIN_TRACING_V2=true）

部署到 Runtime¶

agentcore create      # 脚手架
agentcore deploy      # 部署
agentcore invoke      # 调用
agentcore logs        # 流式日志
agentcore traces      # 检查 traces
agentcore remove all  # 清理

Runtime 关键能力： - ARM64 容器 + 每次会话独立 microVM - 单会话最长 8 小时 - 稳定 invocation ARN

与已有实体的差异化¶

本文独特价值：是 LangChain Deep Agents + Bedrock AgentCore 这一特定组合的官方端到端实现（含完整 Python 代码、IAM 权限、4 步部署、cleanup 流程）。

深度分析¶

1. 双层编排的架构价值：框架层（Deep Agents）和基础设施层（AgentCore）的职责分离是本文的核心设计模式Multi Agent Orchestration。框架层负责 subagent 的生命周期管理、生成和消息路由，基础设施层提供隔离的 MicroVM 执行环境。这种分层使编排逻辑与执行环境可以独立演进——框架可以在不同后端 runtime 间迁移，而不必重写编排策略。

2. Subagent 并发压缩时间的本质：三个 research subagent 并行执行将端到端耗时从串行的 12-18 分钟压缩至 4-6 分钟（3x 提升）。这一收益的来源不是并发本身，而是 coordinator 只接收结构化摘要而非原始网页内容，从而保持 context window 高效利用Harness Context Window Management。如果 subagent 返回完整页面内容，coordinator 的 context window 会在并发时更快被填满，反而抵消并发收益。

3. MicroVM 隔离是并发的物理基础Multi Agent Context Isolation：每个 research subagent 在独立 MicroVM 中运行，拥有独立 Chromium 实例和独立 session_id。这不仅消除了并发 subagent 间的状态共享和互相干扰，还使调试可重复——每个 MicroVM 的状态是隔离的，不会因其他 subagent 的操作而改变。AgentCore Runtime 的 ARM64 容器架构进一步将这种隔离扩展到运行时长 8 小时的会话级别。

4. Memory 的"主动提取"vs"原始存储"陷阱：AgentCore Memory 必须配置至少一个 extraction strategy 才能实现真正的长期 recall。如果未配置，create_event 只存储原始事件，不提取可用于检索的洞察Agent Memory Substrate Three Layer。这意味着 Memory 组件在未配置 extraction strategy 时形同虚设——看似存储了信息，实则无法在后续会话中被检索。这是该框架最容易被忽视的配置陷阱。

5. 框架无关 + 模型无关降低锁定风险：AgentCore 工具集（Browser MicroVM、Code Interpreter、Memory）在不同模型间行为一致Multi Agent Orchestration。切换模型只需替换一行 model 调用代码，AgentCore 工具保持不变。这种设计使团队在评估不同模型供应商时可以保持基础设施不变，降低了厂商锁定风险。

实践启示¶

1. MicroVM 隔离是 subagent 并发的物理基础 — 没有隔离，并发 subagent 会共享状态、互相干扰
2. Context window 不够时不要 prompt-chaining — 用 subagent delegation + 简洁返回值
3. Memory 必须是"主动提取"而非"原始存储" — 没配 extraction strategy = Memory 形同虚设
4. 框架无关 + 模型无关的设计让迁移成本接近零 — 只需替换 model 调用一行
5. 可观测性必须从第一天就集成 — CloudWatch / LangSmith 三环境变量启动成本极低

上手资源¶

• Notebook：https://github.com/langchain-ai/langchain-aws/blob/main/samples/agents/competitive_research_agent.ipynb
• Deep Agents CLI：deepagents --sandbox agentcore（无需建完整 agent 即可试用 CodeInterpreter）
• AgentCore CLI：https://github.com/aws/agentcore-cli/tree/main
• Part 2：notebook 第二部分演示 AgentCore Runtime 部署

应用场景（作者建议）¶

• 尽调：subagent 调研 SEC EDGAR、新闻稿、监管文件
• 内容创作：research subagent 收集素材，writing subagent 起草
• 数据管道编排：subagent 从不同源取数，analyst subagent 做 join/transform

→ 原文存档：原文存档

相关实体¶

• MOC