AWS Bedrock AgentCore Harness 实战：一行命令部署无服务器图像编辑 AI 代理

一句话看懂

AWS 发布 AgentCore Harness，让你用配置而非代码构建 AI 代理。本文演示了一个图像编辑应用，用户说“把车涂成蓝色”就能自动调用 Stability AI 模型完成编辑。

详细发生了什么

Amazon Bedrock AgentCore Harness 是一个新的代理运行时，它接管了 AI 代理的编排循环、工具路由、记忆管理和计算环境。开发者只需通过 API 参数声明代理的行为，Harness 就会在一个有状态、隔离的 microVM 中运行它，内置记忆、工具路由和可观测性。

本文展示了一个完整的无服务器图像编辑器：用户上传照片，用自然语言描述编辑（如“把车颜色改成蓝色”或“向右扩展 200 像素”），代理由 Claude Sonnet 4.6 驱动，将需求分解为步骤，调用 Stability AI 的模型（inpaint、outpaint、search-and-replace），执行编辑，然后通过 microVM 上的 shell 命令添加水印（不消耗 token），最后返回结果。

整个解决方案包括 React 前端（托管在 AWS Amplify）、Lambda 代理（安全边界）、AgentCore Harness 代理（带记忆）、以及三个调用 Stability AI 模型的 Lambda 工具函数。通过一条 CDK 部署命令即可完成全部基础设施的部署，包括认证、加密存储和前端。

中文圈视角

这个方案对国内开发者有几点启示：

降低 AI 代理开发门槛：AgentCore Harness 的核心价值是“配置驱动”，无需编写编排代码。国内类似产品如阿里云百炼、百度千帆也提供 Agent 框架，但通常仍需一定代码量。AWS 这种纯配置方式值得关注。
模型切换与记忆：Harness 支持每次调用切换模型（如聊天用 Haiku，编辑用 Sonnet），且记忆自动跨模型保持。国内平台如通义千问的 Agent 目前还做不到这种灵活切换。
工具声明方式：通过 AgentCore Gateway 声明工具，Harness 自动发现、路由和调用。这与国内 ModelScope 的 Agent 框架思路类似，但 AWS 的集成度更高。
合规与部署：国内用户使用 AWS 服务需注意数据出境问题。如果要在国内部署类似方案，可参考阿里云函数计算 + 通义万相的组合，但编排能力目前不如 AWS 成熟。
成本优势：水印处理直接在 microVM 上运行 shell 命令，不消耗模型 token，这是一个值得借鉴的优化思路。

几条值得记住的细节

代理定义只需 20 行 Python 配置，无需编排代码、框架或容器。
支持每次调用切换模型和系统提示词（persona），无需重新部署。
AgentCore Memory 保存 30 天对话历史，跨模型切换时自动加载。
三个图像编辑工具（inpaint、outpaint、search-and-replace）通过 MCP 协议暴露，语义路由由模型自动完成。
水印通过 InvokeAgentRuntimeCommand 在 microVM 上执行 Python 脚本，零 token 成本。

一句话总结

AWS AgentCore Harness 让构建 AI 代理像写配置文件一样简单，图像编辑应用只是一个开始，未来可扩展到更多场景。