拜耳作物科学如何在 Amazon Bedrock AgentCore 上构建智能决策引擎

拜耳作物科学的植物育种工作涉及基因组学、田间试验、图像分析、环境数据和模型输出等多类数据。为管理数百个机器学习模型配置，拜耳此前已建立了 Connected Decision Engine（CDE）系统，用于部署、编排、监控和复用 ML 工作流。CDE 为育种师、分析师、研究人员和数据工程师提供了统一的分析运行方式，并保留完整的执行历史和操作控制记录。随着使用规模扩大，瓶颈从运行工作流转移到了理解工作流——用户需要在 API、文档、元数据库、仪表盘和日志之间反复切换才能找到答案。

为解决这一问题，拜耳在 CDE 之上构建了 ADE，一个基于自然语言的多智能体交互层。ADE 的架构分为四层：用户界面、智能体编排、专业领域智能体，以及这些智能体调用的工具和数据源。用户通过 React 前端访问系统，请求经过 Microsoft Entra ID 身份代理后进入智能体层。GitHub Actions 负责构建智能体容器镜像并推送至 Amazon ECR，再部署到 AgentCore 运行时。团队选择 LangGraph 作为编排框架，利用其显式图控制流和多步骤工作流检查点能力，在 AgentCore 框架无关的运行时上直接运行。

ADE 在生产环境中运行 22 个专业领域智能体，每个智能体专注于一个领域并拥有独立的工具和数据源。主管智能体负责对每个请求进行意图分类，选择合适的专业智能体，并在问题跨越多个领域时整合结果。例如，领域专家智能体通过 RAG 回答概念性问题；运营智能体从 CDE 获取实时工作流状态；故障排查智能体分析运营遥测数据；可视化智能体生成图表或返回现有仪表盘。此外，团队还引入了「模型即技能」模式，将模型代码和文档转化为技能定义存储在中央注册表中，使智能体能基于模型实现本身而非通用知识来回答模型相关问题。

数据层面，系统采用了明确的职责分离设计：Amazon DynamoDB 存储 LangGraph 检查点状态，Amazon Aurora PostgreSQL 存储会话记录、用户反馈和分析数据，Amazon ElastiCache 对智能体响应进行带 TTL 的缓存，Amazon S3 中的领域内容通过 Amazon Titan Text Embeddings V2 嵌入并索引到 Amazon OpenSearch Serverless 用于 RAG 检索，Amazon CloudWatch 采集运行时和应用遥测数据。AgentCore Gateway 将后端 API 以 MCP 工具形式暴露给智能体，并将身份验证和授权逻辑保持在智能体代码之外，从而简化了权限管理。

在关键设计决策方面，团队将 LangGraph 检查点外置到 DynamoDB，确保工作流在扩容、重启或会话中断后仍可恢复，而非将 AgentCore 运行时视为持久化存储。AWS Unified Operations 团队全程参与了这些决策过程，技术客户经理和生成式 AI 领域专家每周参加三次技术站会，与拜耳团队共同审查设计方案。这种协作模式让拜耳能够在正式落地前，将每项设计与 AWS 服务的实际行为进行验证，同时保留对架构和最终决策的完整所有权。ADE 上线后，故障诊断时间从原来超过一小时的人工日志排查缩短至 10 分钟以内，显著提升了团队的运营效率。

要点

• ADE 采用主管智能体加 22 个专业领域智能体的多层架构，通过自然语言路由将用户问题精准分发，上线后约 80% 的问题无需工程师介入即可解决
• AgentCore 的框架无关设计允许团队直接使用 LangGraph 编排，同时通过 AgentCore Gateway 将身份验证和授权逻辑与智能体代码解耦，降低了安全管理复杂度
• 将 LangGraph 检查点外置到 DynamoDB 是保障多步骤工作流在扩容和重启场景下可靠恢复的关键设计决策
• AWS Unified Operations 以嵌入式协作方式参与项目全程，技术客户经理和领域专家每周三次站会，使技术建议能够同时反映 AWS 服务特性和拜耳的业务上下文
• 「模型即技能」模式将模型代码和文档注册为可调用技能，使智能体能够基于模型实现本身回答专业问题，而非依赖通用模型知识