Deep Insight 的解法

多智能体系统的原型阶段门槛已大幅降低——借助开源框架和云服务，几天内就能搭出一个看起来颇具说服力的演示。然而一旦尝试将其接入真实业务，团队往往会撞上同一堵墙：智能体不遵循业务逻辑、跳过验证步骤、无法处理边缘情况。反复调整提示词、增加示例、更换模型，问题依然周而复始。根本原因在于，智能体并不执行固定指令序列，而是依据上下文自主判断。仅靠提示词工程远远不够，必须从认知架构和执行流程层面重新设计。

为系统性应对这些挑战，AWS 解决方案架构团队构建了生产级多智能体系统 Deep Insight，并将其开源。该系统以数据分析为核心场景：用户上传 CSV 文件并输入自然语言需求，七类专属智能体随即分工协作——协调者负责任务调度，规划者制定分析方案，监督者统筹执行，编码者生成分析代码，验证者核查计算结果，报告者撰写带引用的 Word 文档，追踪者记录全程状态。整个流程支持人工介入审批，确保关键节点可控。

在编排控制层面，Deep Insight 采用 Strands Agents SDK 的图模式（Graph Pattern）定义智能体间的执行顺序，并通过「智能体即工具」模式让监督者按需调用编码者、验证者等下游智能体。模型选型方面，系统针对不同角色选用不同的 Claude 版本：基础路由使用响应更快的 Haiku，复杂规划交给能力更强的 Opus，日常执行则由 Sonnet 承担。这种差异化配置在性能与成本之间取得平衡，避免了「一模通吃」带来的资源浪费。

安全执行 AI 生成代码是生产环境中最棘手的问题之一。Deep Insight 通过 AWS Fargate 为每个用户会话创建独立的临时沙箱容器，配合 Application Load Balancer 实现流量隔离，构建出自定义代码解释器。这一设计确保不同用户的代码执行环境完全隔离，即便某个会话出现异常也不会影响其他用户。整套系统运行在私有 VPC 内，满足企业级安全合规要求。Amazon Bedrock AgentCore 则提供托管运行时，内置监控、会话隔离和私有网络部署能力。

Deep Insight 提供三种部署形态以适配不同阶段的需求。本地 CLI 版本约十分钟即可完成配置，适合开发迭代；浏览器 Web 版无需编写代码，非技术人员也能上传数据、审批分析计划并下载报告；托管 AgentCore 版则面向生产场景，支持并发隔离的多用户环境和完整的私有 VPC 部署。三种形态共享同一套多智能体架构，开发阶段验证通过的智能体无需改动即可直接上线，显著降低了从研发到生产的迁移成本。

本文是 Deep Insight 系列的第一篇，聚焦五大生产挑战的定义与解法框架。后续两篇将分别深入探讨 Anthropic 提出的上下文工程技术（包括多智能体架构、结构化笔记、人工介入循环等）在 Deep Insight 中的具体应用，以及如何将系统从开发环境完整迁移至生产环境的工程实践。对于正在探索多智能体落地路径的团队而言，这套开源参考架构提供了可直接借鉴的工程蓝图。

要点

• 多智能体系统的生产瓶颈不在提示词，而在认知架构与执行流程的整体设计，需从编排、模型选型、运行可靠性、代码安全和监控五个维度系统应对。
• 差异化模型配置策略（路由用 Haiku、规划用 Opus、执行用 Sonnet）可在性能与成本之间取得实质性平衡，避免单一模型的资源浪费。
• AI 生成代码的安全执行需要会话级隔离的临时沙箱容器，而非依赖提示词约束，AWS Fargate 是实现这一能力的可行路径。
• 三种部署形态（本地 CLI、Web UI、托管 AgentCore）共享同一架构，使开发验证与生产部署之间的迁移成本降至最低。
• Deep Insight 已在 GitHub 完整开源，可作为企业构建生产级多智能体系统的参考架构直接使用。