在 Amazon Bedrock AgentCore 上构建企业级智能体 AI 平台

企业在落地智能体 AI 时面临的核心矛盾，是团队自主性与平台一致性之间的张力。当每个团队各自拼装安全控制、共享服务和成本追踪时，控制基线会随时间漂移，共享服务逐渐成为瓶颈，所有权也难以审计。AWS 将这一问题归纳为五类挑战：受治理的模型访问、受治理的工具访问、委托式交付、机群运营与成本可见性，以及有边界的证据与生命周期管理。

为应对上述挑战，蓝图采用联邦治理模型：中央平台团队提供共享的受治理服务，领域团队保留对各自智能体、工具和数据的所有权。平台团队负责定义模板、版本、策略和准入规则；每个工作流账户运行自己的运行时、内存和工具网关实例，因此某一团队的故障或回滚不会影响其他团队。这一模式在 AWS 客户实践中被证明是兼顾效率与治理的最优解。

推理网关是平台的核心管控点。所有未经信任的推理请求必须经过该网关，网关负责应用组织级护栏（如 Amazon Bedrock Guardrails 或第三方方案）、限制每个工作流可使用的模型和推理区域、执行速率限制与令牌配额，并携带工作负载身份、输出归因数据。工具访问同样受到约束：智能体只能通过经过身份验证的模型上下文协议（MCP）网关发现和调用已审批的工具，并遵循最小权限执行角色和可审计的所有权记录。

每个工作流单元（Workstream Cell）是平台的扩展基本单位，包含独立的运行时、内存、工具网关和工具授权。工作流团队可以在预审批边界内独立发布和回滚，无需等待平台团队介入，也无需获得基础设施的直接写权限。这种委托式交付模式既保障了团队的交付速度，又将变更风险限制在单一团队边界之内，避免了集中式模型中常见的交付瓶颈。

评估流水线是平台生命周期管理的关键环节。每次智能体发布前，流水线自动验证一组边界证据：模型访问方面，确认对已审批模型的调用成功、对未审批模型或区域的调用被拒绝；工具访问方面，确认来自其他工作流账户或身份的请求被拒绝；发布方面，确认可以恢复到上一个运行时版本；退役方面，确认拆除操作按依赖顺序移除运行时、内存、工具网关和工具授权，且不留残余资源。只有通过全部验证的智能体才能晋升至生产环境。

该蓝图以开源形式发布，平台团队可直接部署参考实现，验证安全与生命周期契约后将其作为组织内部智能体 AI 平台的基础。Amazon Bedrock AgentCore 提供运行时、网关、身份、内存、策略、注册表和评估等模块化服务，蓝图则在此之上以可部署的基础设施即代码形式补充了所有权边界、账户隔离、软件交付、可观测性、成本治理和退役流程等企业级契约，形成完整的平台产品。

要点

• 将智能体推向生产的主要瓶颈不是模型能力，而是治理体系——包括模型访问控制、工具审批、跨账户成本归因和生命周期管理。
• 联邦治理模型是企业落地智能体平台的主流选择，中央平台团队提供共享服务，工作流团队保留对自身智能体和数据的所有权。
• 推理网关和 MCP 工具网关是两个独立的管控层，分别确保所有模型调用和工具调用均经过审批、身份验证和审计。
• 以工作流单元（Workstream Cell）为扩展单位，可将故障和回滚的影响范围限制在单一团队边界内，避免共享账户的连锁风险。
• 评估流水线在每次发布前自动验证模型访问、工具访问、回滚和退役四类边界证据，是智能体晋升生产的强制门控。