AWS 发布 Deep Agents + Bedrock AgentCore：构建上下文丰富的研究代理，实现隔离执行环境

一句话看懂

AWS 发布 Deep Agents 与 Bedrock AgentCore 集成，让开发者构建多步骤研究代理，每个子代理在隔离的 MicroVM 中运行浏览器或代码解释器，解决上下文窗口冲突问题。

详细发生了什么

AWS 在机器学习博客中发布了一篇教程，展示如何利用 LangChain Deep Agents 和 Amazon Bedrock AgentCore 构建一个竞争研究代理。核心挑战是：当 AI 代理读取多个网页、运行数据分析代码时，LLM 的 context window 会被原始内容填满，导致图表生成与战略推理争夺有限空间。传统方案是手动 prompt 链或顺序处理，而新方案将深度工作委托给隔离的子代理，每个子代理只返回简洁结果。

架构中，协调器代理接收请求，先检查 AgentCore Memory 获取历史洞察，然后并行生成三个浏览器子代理，各自在独立的 AgentCore Browser MicroVM 中导航不同竞品网站。三个子代理返回结构化发现后，分析师子代理接收合并数据，使用 AgentCore Code Interpreter 生成对比图表和 Markdown 报告。最终关键洞察保存到 AgentCore Memory 供后续会话使用。整个工作流可通过 Amazon CloudWatch 或 LangSmith 追踪。

教程提供了完整的 Python 代码示例，包括设置模型（Claude Sonnet via Bedrock）、创建浏览器工具包（每个竞品独立 MicroVM）、创建代码解释器工具包、添加跨会话内存，以及最终组装和运行代理。每个子代理只能访问其特定工具集：研究人员用浏览器工具，分析师用解释器工具，协调器用内存工具。

中文圈视角

对中文开发者来说，这个方案有几个关键点值得关注：

可用性：Amazon Bedrock AgentCore 目前仅在美国西部（us-west-2）等区域可用，中国区尚未上线。国内用户需要 AWS 海外账号，且需自行处理网络访问问题。不过，AWS 中国区（北京、宁夏）已提供 Bedrock 基础模型服务，AgentCore 后续可能跟进。
国产替代：国内类似方案包括阿里云函数计算（FC）+ 弹性容器实例（ECI）结合 LangChain，或百度智能云千帆 AppBuilder 的多 Agent 编排。但 AgentCore 的 MicroVM 隔离和浏览器工具是差异化优势。国内云厂商的沙箱环境多基于容器，MicroVM 隔离性更强但启动稍慢。
实际场景：对于做竞品分析、市场调研、金融数据分析的团队，这个模式可以大幅减少手动操作。例如，电商团队可并行抓取京东、淘宝、拼多多的商品页，自动生成价格对比报告。但需注意，中文网页的浏览器自动化可能遇到反爬机制，需要额外配置。
合规盲点：AgentCore Memory 将洞察保存到 AWS 服务，涉及数据出境问题。如果研究内容包含敏感商业信息，国内用户需评估是否符合《数据安全法》要求。目前 AWS 中国区没有 AgentCore Memory 服务，数据只能存在海外。

几条值得记住的细节

每个浏览器子代理运行在独立的 MicroVM 中，使用真实 Chromium 浏览器通过 WebSocket 连接，session_wait_timeout 默认 10 秒，教程建议设为 60 秒以应对并发调用。
代码解释器 MicroVM 预装 pandas、matplotlib、numpy，可通过 install_packages 工具运行时安装其他库。
AgentCore Memory 需要预先配置提取策略（如 semanticMemoryStrategy），否则 create_event 只存储原始事件，无法实现长期召回。
教程使用 us. 前缀的跨区域推理配置文件，提高可用性；也可直接使用基础模型 ID。
整个工作流可追踪：通过 CloudWatch Transaction Search 或 LangSmith 查看每个子代理的调用链和耗时。

一句话总结

AWS 这个方案让开发者用隔离子代理解决上下文冲突，但国内用户需考虑区域可用性和数据合规，国产云厂商有类似能力但缺少浏览器 MicroVM 特性。