跳转至

AgentCore Managed Harness

Ch04.206 AgentCore Managed Harness

📊 Level ⭐⭐ | 10.8KB | entities/agentcore-harness.md

Overview

亚马逊云科技 2026 年 4 月 24 日正式发布的托管 Harness 平台。核心理念：你告诉 Agent 做什么，平台托管其余一切。

核心概念：Harness Engineering

AI 工程三阶段： 1. Prompt Engineering — 怎么跟模型说话 2. Context Engineering — 怎么给模型喂信息 3. Harness Engineering — 怎么让 Agent 真正跑起来（2026 年新风口）

"模型负责思考，Harness负责让思考落地。" Harness = 模型之外的一切：编排逻辑、执行环境、工具连接、状态管理、身份认证、可观测性。 硅谷头部公司 2026 年纷纷独立记录相同模式，Harness engineering 已成为 AI 工程领域讨论最多的话题之一。

相关查询

  • AWS AI Topic Map — AWS Bedrock、SageMaker、QuickSight 等服务支撑企业级 Agent 应用的完整生态

AgentCore Managed Harness 核心功能

1. 模型随便换

  • 支持 Amazon Bedrock（海外）、OpenAI、Gemini、任何 OpenAI 兼容模型
  • Session 内随时切换，不丢上下文
  • 今天用这个，明天换那个，一行配置

2. 工具即插即用

  • MCP Server：Model Context Protocol 标准扩展
  • AgentCore Gateway：一键把现有 REST API 变成 Agent 可调用工具
  • Browser：网页自动化
  • Code Interpreter：沙箱代码执行
  • Inline Functions：自定义函数

3. Skills 按需加载

  • Markdown + 脚本形式的领域知识包
  • 三种加载方式：容器镜像 / Session 启动时安装 / 每次调用传入
  • 解决"Agent 什么都懂一点但什么都不精"问题

4. 自定义执行环境

  • 携带自有 Docker 镜像，推到 ECR 即用
  • Agent 跑在你定义的环境里，不是平台标准环境

5. Shell 命令直跑

  • 克隆代码仓库、安装依赖、跑测试、提交代码
  • 确定性操作不走模型，零 token 费用

6. 断点续跑

  • 文件系统持久化
  • 跨会话保持短期和长期记忆
  • 随时暂停，随时恢复，进度不丢

7. 企业级安全

  • 每个 Session 独立 Firecracker microVM 硬件级隔离
  • Identity 管身份认证
  • Observability 全链路自动 trace
  • 架构上保证 Agent 出不了事

8. 不锁定

  • 基于 Strands Agents 开源框架构建
  • 需要更多控制？随时导出代码，自己部署

9. 定价

  • 无 Harness 附加费
  • 按底层 AgentCore 能力用量计费
  • 不用不收

三步开始

npm i -g @aws/agentcore@preview   # 安装CLI   

# 创建Harness：定义模型+指令+工具
# 调用：Agent秒级运行

AgentCore vs 自建 Harness

维度 AgentCore Managed 自建
部署时间 分钟级 数周
基础设施 托管 自维护
安全隔离 Firecracker microVM 需自建
模型切换 配置级 代码级改动
工具接入 MCP/Gateway/内置 各自实现
成本 用多少算多少 固定人力成本

关联分析

本文与 Claude Code 架构解析 高度相关：

  • Claude Code 拆解的七大模块（Tool Runtime / Permission / Query Loop / Task System / 扩展层）本质都是 Harness 的一部分
  • AgentCore 是云厂商对"每个团队都在重复造轮子"这一痛点的平台化回应
  • 两篇文章共同揭示：Agent 的护城河不在模型，在 Harness

深度分析

1. 为什么 Harness Engineering 在 2026 年爆发

2025 年之前，大多数团队将 Agent 框架（LangChain、AutoGen、 CrewAI）当作 Harness 本身。但随着模型能力（如 o3、 Gemini 2.5）跨越「能思考」的阈值，瓶颈从「模型能不能想清楚」转移到「想了之后能不能做到」。这催生了独立记录相同模式的行业现象——每个团队都在自建配套系统，每个团队都觉得自己在重复造轮子。 AgentCore 的出现代表云厂商正式承认：Harness 是值得托管的基础设施层，而不是每个客户自己造的东西。

2. Firecracker microVM 隔离的安全价值

传统 Agent 平台使用容器或进程隔离，Agent 代码理论上可以访问宿主机资源。Firecracker microVM 提供硬件级隔离，每个 Session 拥有独立的 Linux 内核，这意味着即使 Agent 执行恶意操作或被攻击，攻击面也严格限定在单个 microVM 内部。这是 AgentCore 与自建 Harness 方案在安全维度上最本质的差异。

3. Strands Agents 开源策略的双向价值

AgentCore 基于 Strands Agents 开源框架构建，这一选择创造了两条路径：

  • 向外：客户可以将运行时配置导出为纯 Strands 代码，迁移到任何支持 Strands 的平台，实现真正的「不锁定」
  • 向内：AWS 可以借助开源社区快速迭代框架能力，同时保持托管平台的增值层（安全、监控、按需计费） 这与 RedHat OpenShift 的开源商业化策略异曲同工——开源社区做深度，闭源平台做广度。

4. 按用量计费的经济逻辑

传统 Agent 部署需要预留计算资源（ECS Fargate、Lambda provisioned concurrency），产生固定成本。AgentCore 的「不用不收」定价模型假设 Agent 工作负载有显著的波峰波谷——现实中大多数企业 Agent 场景正是如此（白天高、夜间低；工作日高、周末低）。这使得 AgentCore 的 TCO 对中小企业极具吸引力，但也意味着高频稳定负载场景下可能不如自建方案经济。

5. Skills 机制解决「万金油 Agent」问题

通用大模型在垂直领域表现「还行但不专业」，是企业在生产落地中的核心痛点。Skills 机制通过「按需注入领域知识包」的方式尝试解决——不是让模型记住一切，而是在执行特定任务时加载对应技能。这比 fine-tuning 更灵活，比 RAG 更轻量，比 Prompt 注入更可控。

实践启示

评估阶段：是否值得从自建迁移到 AgentCore

适合迁移的场景：

  • 团队正在自建或维护 Harness 系统，且已投入 >3 人月
  • 安全合规要求高，需要硬件级隔离（金融、医疗、政府客户）
  • 需要多模型动态切换（同时使用 Bedrock + OpenAI + Gemini）

  • 希望分钟级部署而非数周搭建 不适合迁移的场景：

  • 已有成熟的 Agent 基础设施，且换模型频率极低

  • 高度定制化需求无法通过配置满足，需要深度魔改 Runtime
  • 工作负载 24x7 稳定高频，自建成本已摊薄

设计阶段：最大化 AgentCore 价值

工具层设计：优先使用 MCP 协议接入工具而非自定义 REST 封装。MCP 是新兴的标准生态，AgentCore 对其有原生优化，且未来社区工具库会持续丰富。 Skills 组合策略：不要试图做一个「全能的」Agent。根据业务场景设计 Skill 组合——例如「代码审查 Skill」「数据分析 Skill」「文档生成 Skill」，每个 Skill 独立加载、按需调用。 Shell 命令最大化：确定性操作（git clone、npm install、pytest）一定要走 Shell 命令而非 LLM 推理。这是零成本且确定的行为，交给模型纯属浪费。 Session 持久化设计：利用断点续跑能力设计长时间任务（如自动化测试流水线），避免网络中断导致从头重来。

安全阶段：身份与可观测性

Identity 优先：不要跳过 Cognito 集成。虽然看起来增加了配置复杂度，但 JWT 本地校验的延迟和成本优势在实际高并发场景下非常显著。 Observability 必开：AgentCore 的全链路 trace 基于 OpenTelemetry，启用成本极低但排查问题价值极高。建议所有生产 Agent 都开启。

演进阶段：避免供应商锁定

即使使用 AgentCore 托管服务，保持至少每月review一次「导出成本」——将当前配置导出为 Strands Agents 代码，评估自部署可行性。这不是说要马上迁移，而是确保供应商定价变化时你有退路。

相关实体