用 LangGraph 与 Strands 在 AgentCore 上构建市场监控智能体

金融服务业的市场监控系统需要同时协调多个专业智能体，分析交易模式、调查可疑行为并生成合规报告，对可靠性与准确性要求极高。传统单智能体方案在面对此类复杂业务流程时往往力不从心，难以兼顾专业分工、动态决策与健壮的错误恢复机制。AWS 在这篇技术文章中提出了一套双框架组合方案，将宏观编排与微观推理分层解耦，为生产环境下的多智能体系统提供了清晰的架构思路。

LangGraph 在该架构中承担工作流编排的核心职责。它将智能体工作流建模为有向图，节点代表包含智能体逻辑的函数，边决定执行流向。这种声明式方式支持条件分支、并行执行与动态路由，使复杂的多步推理流程变得可读且易于维护。更关键的是，LangGraph 的检查点系统会在每个节点执行后自动快照完整工作流状态，一旦发生故障可从断点恢复，同时天然支持人工介入审核的交互场景。

Strands Agent 则作为各工作流节点内部的推理引擎运行，采用模型无关架构，可与多种大语言模型提供商集成。其核心是一个持续评估工具输出并基于中间结果做出决策的推理循环，适合构建复杂的多步分析工作流。框架内置完善的会话与状态管理机制，并提供多种对话管理器以防止上下文窗口溢出，在长链路任务中保持稳定性。

在安全设计上，该方案将数据发现与数据检索明确分离。系统定义了三类工具：get_report_list 用于列举可用报告，get_report_schema 用于获取列定义，run_report 则负责以验证后的参数构建参数化 SQL 查询并执行。大语言模型始终不直接编写原始 SQL，所有过滤字段均须通过报告 Schema 的白名单校验，从根本上杜绝了 SQL 注入风险，也避免了模型凭空捏造查询条件的幻觉问题。

在模型选择上，示例采用了 Amazon Bedrock 上的 Claude Sonnet，并启用了自适应思考模式，为复杂推理任务分配最多 8000 个思考 token，同时开启提示缓存以降低重复调用成本。整套系统最终部署于 Amazon Bedrock AgentCore，借助其内置的内存管理与可观测性能力实现规模化运行。AWS 表示，完整示例代码已发布至 GitHub，开发者可直接参考该架构在金融合规、风控监测等高可靠性场景中落地多智能体方案。

要点

• LangGraph 负责宏观工作流编排，提供有向图状态机、检查点恢复与人工介入支持，Strands 负责节点内部的智能推理，两者分层解耦是该架构的核心设计原则
• 将数据发现与数据检索分离、对所有过滤字段进行 Schema 白名单校验，是防止 SQL 注入与幻觉生成的关键安全措施
• Amazon Bedrock AgentCore 提供内存管理与可观测性基础设施，显著降低了将多智能体系统推向生产环境的工程复杂度
• 该架构具备通用性，金融市场监控仅是示例场景，条件分支、并行执行与动态路由能力同样适用于其他需要多专业智能体协作的复杂业务流程