Оглавление

По сообщению AWS, Amazon Bedrock AgentCore Runtime представил новый метод развертывания AI-агентов — прямое развертывание кода на Python, который обещает ускорить процесс разработки в три раза по сравнению с контейнерным подходом.

Новый подход к развертыванию агентов

Amazon Bedrock AgentCore представляет собой платформу для создания, развертывания и управления AI-агентами в масштабе, а AgentCore Runtime — это полностью управляемый сервис с бессерверными средами выполнения. До недавнего времени разработчики могли использовать только контейнерный метод развертывания, требующий создания Dockerfile, сборки ARM-совместимых контейнеров и управления репозиториями ECR.

Новый метод прямого развертывания кода позволяет разработчикам упаковывать код агента и его зависимости в ZIP-архив, устраняя необходимость в знаниях Docker и инфраструктуре контейнеров. Это значительно упрощает процесс прототипирования и ускоряет итерации.

Сравнение методов развертывания

Давайте рассмотрим ключевые различия между двумя подходами:

  • Контейнерное развертывание: требует Dockerfile, сборки ARM-контейнеров, создания ECR репозитория и загрузки в ECR
  • Прямое развертывание кода: упаковка кода и зависимостей в ZIP-архив, загрузка в S3 и конфигурация в настройках агента
Схема сравнения вариантов развертывания среды выполнения Amazon Bedrock AgentCore
Источник: aws.amazon.com

Практическое руководство по прямому развертыванию

Предварительные требования

  • Python версии 3.10–3.13
  • Менеджер пакетов uv
  • Аккаунт AWS
  • Доступ к модели Anthropic Claude Sonnet 4.0 в Amazon Bedrock

Пошаговая реализация

  1. Инициализация проекта:
uv init <project> --python 3.13
cd <project>
  1. Установка зависимостей:
uv add bedrock-agentcore strands-agents strands-agents-tools
  uv add --dev bedrock-agentcore-starter-toolkit
  source .venv/bin/activate
  1. Создание агента: Создайте файл agent.py с базовой реализацией:
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()
  1. Развертывание:
agentcore configure --entrypoint agent.py --name <agent-name>
agentcore launch

При выборе типа развертывания система предложит два варианта:

  • Code Zip (рекомендуется) — простой, бессерверный, не требует Docker
  • Container — для пользовательских сред выполнения или сложных зависимостей

Производительность и преимущества

Первое развертывание занимает около 30 секунд, но последующие обновления агента выполняются значительно быстрее — в среднем 10 секунд против 30 секунд при контейнерном подходе. Это обеспечивает ускорение итерационных циклов разработки примерно в три раза.

Прямое развертывание кода — это именно тот подход, которого не хватало в экосистеме AI-агентов. Вместо того чтобы тратить время на настройку Docker и управление контейнерами, разработчики могут сосредоточиться на создании функциональности агентов. Особенно ценно то, что AWS интегрировал этот метод в свой стартовый набор инструментов, автоматизируя обнаружение зависимостей и упаковку — это настоящий прорыв для быстрого прототипирования.

Когда выбирать прямое развертывание кода

Метод прямого развертывания кода идеально подходит для:

  • Разработчиков, предпочитающих избегать сложностей Docker
  • Быстрого прототипирования и тестирования идей
  • Проектов без сложных системных зависимостей
  • Команд, стремящихся к максимальной скорости итераций

Контейнерный подход остается предпочтительным для сложных сценариев с кастомными зависимостями или специфическими требованиями к среде выполнения.

Новый метод развертывания демонстрирует растущую зрелость платформы Amazon Bedrock и ее ориентацию на повышение производительности разработчиков в быстро развивающейся области AI-агентов.