Amazon Bedrock AgentCore harness 正式可用：数分钟内从创意到生产级智能体

AWS ML Blog 2026-06-22T15:37:14.069706

Amazon Bedrock AgentCore harness 正式可用：数分钟内从创意到生产级智能体

一年前，Simon Willison 写下了关于智能体（Agent）最简洁的定义之一，至今仍被广泛引用：

一个 LLM 智能体在一个循环中运行工具以实现目标。

这个定义之所以广为流传，是因为它准确描述了每个生产级智能体的实际运作方式。Kiro、Amazon Q Developer、Quick Agents、Codex、Claude Code：在底层，它们都运行着相同的模式。智能体循环（agent loop）是它们的共同基础。

但循环从来不是难点。真正的难点在于围绕它的一切。

选择一个框架。连接工具。提供沙箱化计算环境。配置存储、密钥、网络。决定记忆（memory）存放位置。接入可观测性。将正确的依赖放入正确的容器中。此外，本地原型设计往往是简单的部分：一个开发者可以在一个下午在自己的笔记本电脑上搭建一个智能体。而将其投入生产环境，工作量会急剧增加；一旦它需要服务多个用户，全新的工作层就会出现：并发、隔离、身份、状态、扩展。

更糟糕的是，这种开销会随着每个新用例而倍增。想要尝试不同模型、更换工具、将智能体指向新领域的团队，会发现自己在重复相同的底层工作。瓶颈不在于智能程度，而在于编排（orchestration）和基础设施。

当我们在四月以预览版形式发布 AgentCore harness 时，我们做出了一个大胆的假设：AgentCore 原语（Runtime、Memory、Gateway、Browser、Identity、Observability）已经为团队提供了在生产环境中运行智能体所需的一切；他们不应该每次都手动连接它们。Harness 将这些连接作为托管抽象来处理，因此它变成了你配置的东西，而不是你构建的东西。

今天，Amazon Bedrock AgentCore harness 正式可用。通过两个 API 调用（CreateHarness 定义智能体，InvokeHarness 运行它），在 AgentCore CLI 中快速操作（如下方动图所示），或在控制台点击几下，你就能在几分钟内拥有一个正在运行的智能体。它在自己的隔离环境中运行，带有文件系统和 shell，因此可以安全地读取文件、运行命令和编写代码。它能够在会话间记住用户和对话上下文，获取你指向的技能（包括 AWS 策划的目录），浏览网页，通过 Gateway 或 MCP 调用你的工具，并且在会话中途切换模型提供商时不会丢失上下文。每一步都会实时流式返回给你，并自动追踪到 CloudWatch。除非你愿意，否则无需编写编排代码或构建容器。

Harness 能为你提供什么

Harness 是智能体在生产环境中运行所需的一切，封装在两个 API 调用后面。你指向所需的模型、工具、技能和指令。AgentCore 处理沙箱环境、记忆、存储、身份以及将它们结合在一起的可观测性。下图中标记为 * 的是 GA 版本新增的功能。

任意模型：为任务选择合适的模型，需要时切换

不同的任务需要不同的模型。客户告诉我们，他们希望用一个模型进行规划，用另一个模型执行；为了性价比测试而切换提供商；或者在某个模型出现回归问题时切换，所有这一切都不丢失对话。在 CreateHarness 上选择一个默认模型，然后在任何单个 InvokeHarness 调用中覆盖它（当需要时）。默认设置会保留在所有其他调用中。为所需提供商的 model 字段设置匹配的值：

• bedrock：适用于 Amazon Bedrock 上提供的任何模型，包括 Anthropic Claude、Amazon Nova、Meta Llama、DeepSeek、Qwen、Kimi、MiniMax、Cohere、Mistral，以及最近新增的 Bedrock 上的 OpenAI GPT-5.5 和 GPT-5.4
• openai：直接访问 OpenAI 的 API（api.openai.com）
• gemini：Google Gemini
• liteLlm：任何由 LiteLLM 支持的第三方提供商，包括 Anthropic direct、Cohere、Mistral、Vertex、Azure OpenAI 等

客户告诉我们，最重要的部分是：在任意时刻切换提供商，甚至在会话中途切换，并保持上下文。例如，你可以使用 Claude Opus 进行规划，切换到 GPT-5.5 编写代码，再切换到 Gemini 进行总结。对话继续进行。Harness 无缝处理这种转换。

如果你使用 API 密钥访问任何底层模型提供商，这些密钥会安全地存储在 AgentCore Identity 的令牌保管库（token vault）中。智能体永远看不到原始凭证。

工具即配置：无需编写胶水代码即可将智能体连接到世界

工具是智能体影响其自身推理之外任何事物的方式，而连接它们正是大多数团队暗自讨厌的部分。客户告诉我们，他们不想编写每个 API 的适配器代码，不想管理 MCP 服务器生命周期，也不想构建自己的浏览器沙箱。他们希望声明智能体可以使用哪些工具，然后让 harness 处理连接、认证和执行。

CreateHarness 上的 tools 是一个列表。每个条目都有一个 type 和一个 config 块，harness 会将它们连接起来：

• agentcore_gateway：你可以通过 ARN 引用一个 AgentCore Gateway。Gateway 暴露的每个目标（OpenAPI、Smithy、Lambda、MCP）都会作为一个工具出现，并为你处理 IAM/JWT 认证、每个工具的授权以及出站凭据代理。
• remote_mcp：你可以通过 URL 直接连接到任何 MCP 服务器。当服务器已经安全且不需要 Gateway 的治理层时，这很适用。
• agentcore_browser：一个完整的浏览器沙箱，只需一行引用。点击、输入、导航、截图。
• agentcore_code_interpreter：沙箱化的 Python 和 Node 执行，同样是一行模式。
• inline_function：一个工具模式，harness 会将其作为工具使用事件（tool-use event）在流中发出，并等待你响应。用于人工审批流程（human-in-the-loop）或必须在你自己这边运行的工具。

每个会话还会获得内置的 shell（在 microVM 内运行命令）和 file_operations（在智能体的文件系统上读写），无需你列出它们。它们使得有状态的文件系统和 shell 对于模型可用。

在 InvokeHarness 上，你有相同的选项用于每次调用的编辑：你可以传递新工具来更改单次调用的工具，或者通过 allowed_tools 参数将列表缩减为本次调用所需的一组专注工具。默认设置在创建时设定，但在调用时可以轻松覆盖。

内置记忆：你的 Harness 会记住用户和对话

客户希望他们的智能体能够识别返回的用户，从上次对话中断的地方继续，并记住偏好设置，而无需任何人重新播放消息历史。在预览版中，你必须单独配置一个 AgentCore Memory 资源并传递其 ARN，这虽然可行，但需要第二次 API 调用，并且在投产过程中很容易忘记。

在 GA 版本中，如果在 CreateHarness 上省略 memory，则会自动配置一个托管记忆，带有合理的默认值：SEMANTIC + SUMMARIZATION 策略，30 天事件过期，AWS 拥有的加密，以及通过以 actorId 为键的命名空间模板默认实现的多租户隔离。这是一个真实的、由客户拥有的 Memory 资源，为你自动配置。记忆不是强制性的。如果你的智能体是无状态的，设置 memory: { disabled: {} }，harness 将完全跳过记忆。如果你更愿意附加你已经拥有的 AgentCore Memory 资源，请传递带有其 ARN 的 agentCoreMemoryConfiguration。这三种路径如下所示：

// 自动托管记忆（默认）
{
  "memory": {}
}

// 禁用记忆
{
  "memory": {
    "disabled": {}
  }
}

// 使用现有的 AgentCore Memory
{
  "agentCoreMemoryConfiguration": {
    "memoryArn": "arn:aws:bedrock-agentcore:us-east-1:123456789012:memory/example-memory"
  }
}

切换到自己的记忆只需一次 UpdateHarness 调用。传递 agentCoreMemoryConfigur（原文截断，但根据上下文，应指 agentCoreMemoryConfiguration 的配置）。

查看原文