LangGraph + Strands + AgentCore 构建生产级市场监控多智能体系统

一句话看懂

AWS 发布了一套结合 LangGraph 工作流编排、Strands 智能体推理和 AgentCore 生产部署的参考架构，以市场监控为例展示如何构建可恢复、可观测的多智能体系统。

AWS 机器学习博客发布了一篇技术文章，详细介绍了如何利用 LangGraph、Strands 和 Amazon Bedrock AgentCore 构建生产级多智能体 AI 系统。文章以金融行业市场监控为场景，展示了一个多智能体系统如何协调多个专业智能体分析交易模式、调查可疑活动并生成报告。

核心架构分为两层：

Strands Agent 作为推理引擎，运行在工作流节点内。它采用模型无关架构，支持多种 LLM 提供商（示例中使用 Claude Sonnet 4），并提供灵活的工具集成和全面的可观测性。在市场监控示例中，Strands 智能体通过三个工具（get_report_list、get_report_schema、run_report）实现数据发现与检索分离，防止幻觉和注入攻击。
LangGraph 负责宏观工作流编排。它通过有向图状态机管理多智能体协调，支持条件分支、并行执行和动态路由。其检查点系统自动在每次节点执行后保存完整工作流状态，支持故障恢复和人工介入（human-in-the-loop）。内置指数退避重试策略和 OpenTelemetry 可观测性。

文章还展示了如何用 AgentCoreMemorySaver 实现持久化状态管理，以及如何定义共享状态类型 AgentState 和条件路由逻辑。完整代码已在 GitHub 开源。

这套架构对国内 AI 工程团队有直接参考价值，但有几点需要注意：

可用性：Amazon Bedrock AgentCore 目前仅支持 us-east-1 等少数区域，国内用户需通过 AWS 全球区域访问，存在网络延迟和合规问题。如果部署在国内，建议关注阿里云百炼、华为云 ModelArts 等平台是否推出类似 AgentCore 的托管服务。
国产替代：LangGraph 是开源框架，可在任何环境中运行。Strands 同样开源，可以对接国内大模型（如 DeepSeek、Qwen、GLM）。但 AgentCore 的托管能力（内存、可观测性、自动扩缩）目前国内缺少直接对标产品。ModelScope 的 Agent 框架和百度千帆的 AppBuilder 在功能上部分重叠，但成熟度有差距。
合规与数据安全：金融行业对数据出境敏感。如果使用 AWS 全球区域处理交易数据，需确保符合《数据安全法》和《个人信息保护法》。建议在国内部署时，将 Strands 和 LangGraph 运行在本地或国内云上，仅使用 AgentCore 的轻量级编排能力（如果未来支持国内区域）。
中文场景适配：市场监控的 SQL 查询模式对中文用户同样适用，但需注意工具描述和提示词的中文化。Strands 的模型无关特性使其可以轻松切换为中文优化的大模型。

Strands 工具设计：通过 get_report_list → get_report_schema → run_report 三步分离数据发现与检索，LLM 不直接写 SQL，避免注入攻击。
检查点恢复：LangGraph 的 checkpoint 系统支持精确恢复，即使长时间运行的任务中断也能从断点继续。
AgentCore 记忆：使用 AgentCoreMemorySaver 实现会话级持久化，支持多轮对话和跨会话上下文。
模型配置：示例使用 Claude Sonnet 4，开启 adaptive thinking（预算 8000 tokens），max_tokens 设为 16000。
开源代码：完整解决方案已在 GitHub 发布，可直接 fork 修改。

如果你正在构建需要多智能体协作的生产系统，这套 LangGraph + Strands + AgentCore 架构值得参考，但国内部署需注意区域可用性和合规替代方案。