用 Amazon Bedrock AgentCore 构建 AI 驱动的开发生命周期

AI-DLC 构建阶段的核心理念是让 AI 负责提出架构方案、生成实现计划、产出代码并创建部署产物，团队成员则在实时交互中对技术决策提供澄清与确认。两个参考实现均直接映射这一模式：一个负责自动化产物生成，另一个负责持续代码质量管控。两者共享基于 AgentCore 的通用架构底座，展示了如何将 AI 驱动的工作流从可管理的模块化组件中组合而成，同时维持人在回路的治理机制。

第一个方案解决的是数据库团队在管理持续演进的 SQL Schema 时，手动维护 ER 图耗时且文档易与实际 Schema 脱节的痛点。系统采用无服务器事件驱动架构：开发者将 SQL 文件上传至 Amazon S3 后，Lambda 函数被触发，通过 Amazon Cognito 完成 OAuth2 机器对机器认证，随后调用运行在 AgentCore Runtime 上的容器化智能体。该智能体基于 Strands 框架构建，调用 Claude Sonnet 4 解析 DDL 语句并生成 Mermaid erDiagram 语法，最终将 .mmd 文件回写至 S3。

在实现细节上，该方案采用了几项关键设计决策。分块处理机制将大型 SQL 文件拆分为可管理的片段，独立分析后再合并为统一图表，从而在不超出上下文限制的情况下处理包含数百张表的 Schema。结构化提示策略引导智能体系统性地提取表、列、数据类型、主键和外键关系，再生成图表语法。此外，每个处理步骤均通过 OpenTelemetry 进行链路追踪，提供处理时长、分块数量和错误归因等可观测性数据。AgentCore Memory 则提供 90 天有效期的持久化会话上下文，支持跨历史分析的语义检索。

第二个方案构建了一套多智能体代码安全分析系统，可自动扫描通过 CI/CD 流水线推送的 Python 或 Java 代码。系统通过 AgentCore Gateway 集成外部工具，协调多个专职智能体分别负责安全漏洞检测、CVE 数据库比对和策略合规核查，最终汇总生成结构化报告供人工决策参考。AgentCore Memory 在此场景中用于跨次分析的上下文积累，使系统能够理解代码库的演进脉络，而非孤立地评估单次提交。

两套实现共同揭示了 AI-DLC 构建阶段的可复用模式：智能体接收结构化输入、制定详细计划、产出可审查的产物，并将结果存储以供人工复核。这种设计将 AI 的执行效率与人类的判断权威有机结合，既避免了全自动化带来的风险，也消除了纯手工流程的低效。两个项目均已在 GitHub 上开源，附有完整的部署说明，工程团队可直接参照落地或按需裁剪。

要点

• Amazon Bedrock AgentCore 提供 Runtime、Gateway 和 Memory 三项核心能力，可组合构建模块化 AI 驱动工作流，同时保持人工监督机制
• SQL 转 ER 图方案通过分块处理和结构化提示解决了大型 Schema 的上下文限制问题，并以 OpenTelemetry 实现全链路可观测
• 多智能体代码安全分析系统将安全评估、CVE 检查和合规报告整合进 CI/CD 流水线，输出结构化报告辅助人工决策
• AgentCore Memory 的持久化语义检索能力使智能体能够积累跨次分析的上下文，理解代码库演进而非孤立评估单次变更
• 两个参考实现均已开源并附部署文档，为工程团队将 AI-DLC 概念转化为生产级实践提供了可直接参照的起点