用 Amazon Bedrock AgentCore Runtime 直接代码部署加快迭代

#用 Amazon Bedrock AgentCore Runtime 直接代码部署加快迭代

Amazon Bedrock AgentCore 是一个智能体平台（agentic platform），用于大规模地安全构建、部署并运行有效的智能体。Amazon Bedrock AgentCore Runtime 是 Bedrock AgentCore 的一项全托管服务，提供低延迟的无服务器（serverless）环境来部署智能体和工具。它提供会话隔离（session isolation），支持包括常见开源框架在内的多种智能体框架，并能处理多模态工作负载和长时间运行的智能体。

AgentCore Runtime 支持基于容器的部署（container-based deployment）：容器定义写在 Dockerfile 中，智能体被构建为容器镜像。已经具备容器构建与部署流水线的客户会从这种方式受益，因为可以把智能体部署接入现有流水线。

今天，AgentCore Runtime 推出了第二种部署智能体的方法——直接代码部署（direct code deployment，适用于 Python）。可以把智能体代码及其依赖打包成 ZIP 归档，从而不必准备 Docker 定义和 Amazon Elastic Container Registry（ECR）依赖。这让开发人员更容易做出原型并更快迭代。对于在部署智能体时不想操心 Docker 经验和容器基础设施的客户，这种方法很合适。

在本文中，我们将演示如何使用直接代码部署（适用于 Python）。

介绍 AgentCore Runtime 直接代码部署

使用容器部署方法时，开发人员要创建 Dockerfile、构建与 ARM 兼容的容器、管理 ECR 存储库，并在代码变更时上传容器。在已经建立容器开发运维（DevOps）流水线来自动完成部署的地方，这种方式效果很好。

不过，希望获得全托管部署的客户可以从直接代码部署中受益，它能明显改善开发人员的时间和生产力。直接代码部署提供了一条安全且可扩展的路径，从快速做出智能体能力原型，一直到按规模部署生产工作负载。

我们将讨论每种部署选项的长处，帮助你为使用场景选择合适的方法。

使用直接代码部署时，开发人员把代码和依赖做成 ZIP 归档，上传到 Amazon S3，并在智能体配置中配置该存储桶。使用 AgentCore 入门工具包（starter toolkit）时，工具包会处理依赖检测、打包和上传，从而大幅简化开发体验。直接代码部署也支持通过 API 完成。

我们从较高层面比较这两种方法的部署步骤：

基于容器的部署

基于容器的部署方法包含以下步骤：

• 创建 Dockerfile

• 构建与 ARM 兼容的容器

• 创建 ECR 存储库

• 上传到 ECR

• 部署到 AgentCore Runtime

直接代码部署

直接代码部署方法包含以下步骤：

• 把代码和依赖打包成 ZIP 归档

• 上传到 S3

• 在智能体配置中配置该存储桶

• 部署到 AgentCore Runtime

如何使用直接代码部署

我们用一个由 Strands Agents SDK 创建的智能体来说明直接代码部署如何工作，并使用 AgentCore starter-toolkit 部署该智能体。

先决条件

开始之前，请确认你具备以下条件：

• Python 3.10 到 3.13 中的任一版本

• 已安装你偏好的包管理器。例如，我们使用 uv 包管理器。

• 用于创建和部署智能体的 AWS 账户

• 可使用 Anthropic Claude Sonnet 4.0 的 Amazon Bedrock 模型访问权限

步骤 1：初始化项目

使用 uv 包管理器建立一个新的 Python 项目，然后进入该项目目录：

uv init <project> --python 3.13
cd <project>

步骤 2：为项目添加依赖

为项目安装所需的 Bedrock AgentCore 库和开发工具。在本示例中，依赖通过 .toml 文件添加；也可以把它们写在 requirements.txt 文件中：

uv add bedrock-agentcore strands-agents strands-agents-tools
uv add --dev bedrock-agentcore-starter-toolkit
source .venv/bin/activate

步骤 3：创建 agent.py 文件

创建定义 AI 智能体行为的主实现文件：

from bedrock_agentcore import BedrockAgentCoreApp
from strands import Agent, tool
from strands_tools import calculator
from strands.models import BedrockModel
import logging

app = BedrockAgentCoreApp(debug=True)

# Logging setup
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)

# Create a custom tool
@tool
def weather():
     """ Get weather """
     return "sunny"

model_id = "us.anthropic.claude-sonnet-4-20250514-v1:0"
model = BedrockModel(
     model_id=model_id,
)

agent = Agent(
     model=model,
     tools=[calculator, weather],
     system_prompt="You're a helpful assistant. You can do simple math calculation, and tell the weather."
)

@app.entrypoint
def invoke(payload):
     """Your AI agent function"""
     user_input = payload.get("prompt", "Hello! How can I help you today?")
     logger.info("\n User input: %s", user_input)
     response = agent(user_input)
     logger.info("\n Agent result: %s ", response.message)
     return response.message['content'][0]['text']

if __name__ == "__main__":
     app.run()

步骤 4：部署到 AgentCore Runtime

配置智能体并将其部署到 AgentCore Runtime 环境：

agentcore configure --entrypoint agent.py --name <agent-name>

这会启动一个交互会话。你在其中配置用于上传 ZIP 部署包的 S3 存储桶，并选择部署配置类型（如下列配置所示）。若要使用直接代码部署，请选择选项 1——Code Zip。

部署配置（Deployment Configuration）

选择部署类型：

• Code Zip（推荐）——简单、无服务器，不需要 Docker

• Container——用于自定义运行时或复杂依赖

agentcore launch

该命令会创建 ZIP 部署包，把它上传到指定的 S3 存储桶，并在 AgentCore Runtime 环境中启动智能体，使其可以接收并处理请求。

为了测试这个方案，我们向智能体询问天气如何：

agentcore invoke '{"prompt":"How is the weather today?"}'

首次部署大约需要 30 秒完成。此后对智能体的更新会受益于更精简的直接代码部署流程，耗时应少于一半，从而在开发期间支持更快的迭代周期。

何时选择直接代码而不是基于容器的部署

我们看几个维度，了解直接代码部署和基于容器的部署有何不同。这有助于你选择适合自己的选项：

• 部署过程：直接代码把智能体部署为 ZIP 文件，不需要 Docker、ECR 或 CodeBuild。基于容器的部署使用 Docker 和 ECR，并可完整控制 Dockerfile。

• 部署时间：智能体首次部署时两者差别不大；此后对智能体的更新，直接代码部署明显更快（容器平均约 30 秒，直接代码部署约 10 秒）。

• 产物存储：直接代码把 ZIP 包存放在 S3 存储桶中。基于容器的部署把 Docker 镜像存放在 Amazon ECR 中。直接代码部署按标准 S3 存储费率产生存储成本（自 2026 年 2 月 27 日起），因为产物存放在服务账户中。基于容器的部署在你的账户中产生 Amazon ECR 费用。

• 定制：直接代码部署通过基于 ZIP 的打包支持自定义依赖，而基于容器的方式依赖 Dockerfile。

• 包体积：直接代码部署把包体积限制为 250MB，而基于容器的包最大可达 2GB。

• 语言支持：直接代码目前支持 Python 3.10、3.11、3.12 和 3.13。基于容器的部署支持多种语言和运行时。

我们的一般指导是：

当包超过 250MB、你已有容器持续集成/持续交付（CI/CD）流水线，或你需要高度专用的依赖和自定义打包要求时，基于容器的部署是合适的选择。如果需要多语言支持、自定义系统依赖，或要在自己的账户中直接控制产物存储和版本管理，请选择容器。

当包小于 250MB、你使用 Python 3.10–3.13 以及 LangGraph、Strands 或 CrewAI 等常见框架，并且需要用快速迭代周期做快速原型时，直接代码部署是合适的选择。如果构建过程直接、没有复杂依赖，并且你想去掉 Docker/ECR/CodeBuild 的搭建，请选择直接代码。

对许多团队而言，混合方式效果很好：在快速原型和试验阶段使用直接代码，让快速迭代和简单搭建加快开发；当包体积、多语言要求或专用构建流程有需要时，再在生产中改用容器。

结论

Amazon Bedrock AgentCore Runtime 的直接代码部署让智能体开发的迭代周期更快，同时仍然受益于企业级部署的安全性和规模。开发人员现在可以直接部署代码来快速做出原型并迭代，而不必创建容器。要开始使用 AgentCore Runtime 直接代码部署，请访问 AWS 文档。 PRIMARY_SOURCE: https://aws.amazon.com/blogs/machine-learning/iterate-faster-with-amazon-bedrock-agentcore-runtime-direct-code-deployment