使用 Amazon Bedrock AgentCore 实现 AI 驱动的开发生命周期
摘要：Amazon Bedrock AgentCore 是 AWS 推出的智能体编排服务，用于构建可扩展的 AI 工作流。AWS 开源了两个参考实现，分别覆盖“自动生成 ER 图”和“自动化代码安全分析”。本文重点拆解前者的无服务器架构与设计思路，看看 AI 驱动开发生命周期如何从概念落地为真实可运行的代码。
从概念到落地：AgentCore 解决了什么问题
不少工程团队在尝试落地“AI 驱动开发生命周期”（AI-DLC）时，会遇到同一个尴尬：理论框架好像不难理解，但真正要跑起代码时却不知道从哪里下手。
AI-DLC 的核心思路很简单：把 AI 当作贯穿软件研发流程的协作者。AI 负责处理重复、常规的执行类任务，人类则保留关键节点上的最终审核权。逻辑虽然清晰，但具体怎么搭出这条流水线，才是团队真正卡住的地方。
Amazon Bedrock AgentCore 就是为这类问题提供的底层服务。它是一种托管服务，用于大规模构建、连接和优化智能体，并且不与具体的大模型或框架绑定，使用起来比较灵活。通俗点说，AgentCore 提供了一个“智能体运行基座”，让你不再需要从零搭建调度、连接、记忆等基础能力。
本文要介绍的两个参考实现，都附带了可直接部署的开源代码，仓库中也有完整说明。通过分析它们的架构、设计取舍和关键代码模式，可以看到 AgentCore 与 AWS 的编码智能体 Kiro、本地智能体编码工具如何协同工作，共同支撑 AI-DLC 中的“构建”阶段。
两个参考实现，两条自动化路径
这两个参考实现分别解决一个具体问题：
- 自动生成 ER 图：基于 AgentCore 的 runtime 能力，从 SQL 模式文件生成 Mermaid 实体关系（ER）图。
- 自动化代码安全分析：采用多智能体架构，用上 AgentCore 的 Gateway、memory 等能力，并集成外部工具，生成安全评估与合规报告。
在 AI-DLC 的构建阶段，AI 通常负责提出架构方案、生成实施计划、编写代码、创建部署产物；团队成员则在关键节点澄清技术决策、审核 AI 的输出。这两个参考实现正好对应了两种常见的自动化路径：
- 自动化产物生成：智能体接收到结构化输入后，按照预置流程执行计划、产出文件，再交给人工审阅。这是一种非常典型的“输入—规划—产出—人工确认”闭环。
- 持续代码质量保障：多智能体系统自动分析进入 CI/CD 流水线的代码，输出安全评估、CVE 排查与合规报告，为后续的人工决策提供依据。
虽然这两个方案解决的问题不一样，但都建立在 AgentCore 这套公共的架构地基之上。它们的存在也证明了一个事实：用模块化、可管理的智能体组件，完全能拼出真实可用的 AI 驱动开发工作流。
方案一：从 SQL 模式自动生成 ER 图
这是 AWS Samples 下的一个开源项目。简单来说，它让 AI 智能体在 AgentCore 上执行一条自动化工序：把 SQL 模式文件转成 Mermaid ER 图。
业务场景：让文档跟上代码变更
数据库团队在维护频繁变化的 SQL 模式时，最头疼的问题通常是：ER 文档的更新速度永远赶不上真实表结构的变化。手工绘制 ER 图不仅耗时，而且一旦文档与代码脱节，那这份文档基本就失去参考价值了。
比较理想的状态是：当带有模式变更的 Pull Request 进入代码库后，团队不必再单独手工整理文档，也能获得一份“实时更新”的 ER 图。这个项目正是从这个场景切入的。
架构拆解：无服务器、事件驱动
整个系统的设计是无服务器、事件驱动的。核心工作流如下：
- 开发人员将 SQL 代码检入仓库，文件被上传到 Amazon S3 存储桶。
- S3 的触发器唤起一个 AWS Lambda 函数，自动启动后续流程。
- Lambda