使用Deep Agents和Bedrock AgentCore構建上下文豐富的研究型Agent
本文介紹如何利用LangChain Deep Agents和Amazon Bedrock AgentCore構建一個能夠並行瀏覽網頁、執行資料分析並長期記憶研究結果的競爭情報研究Agent。透過將深度工作委託給隔離的子Agent，有效解決AI研究工作流中上下文視窗受限的問題。
在AI驅動的研究工作流中，一個常見挑戰是深度與上下文之間的權衡。當Agent讀取多個網頁時，其上下文視窗會被原始內容填滿；如果同時執行資料分析程式碼，圖表生成邏輯會與戰略推理競爭有限空間。團隊通常透過手動提示鏈或順序處理來解決這一問題。
更好的方法是將深度工作委託給返回簡潔結果的隔離子Agent。LangChain Deep Agents負責編排，生成專門的臨時子Agent並管理其生命週期。Amazon Bedrock AgentCore為每個子Agent提供基礎設施，包括用於網頁研究的真實瀏覽器MicroVM和用於資料分析的完整Python環境。AgentCore也可作為Deep Agents CLI的原生沙箱提供，使用者可透過執行deepagents --sandbox agentcore直接體驗AgentCore CodeInterpreter。
本文將透過構建一個競爭情報研究Agent來演示這一模式。該演練面向構建多步AI工作流且需要隔離執行環境的開發者。在筆記本的第二部分，您可以使用AgentCore CLI將同一Agent部署到Bedrock AgentCore Runtime，使其作為託管、會話隔離的服務執行。
構建內容
協調Agent接收請求後，首先檢查AgentCore Memory中過往的研究見解。然後並行生成三個瀏覽器子Agent進行研究，每個子Agent在其獨立的AgentCore Browser MicroVM中導航不同競爭對手的網站。當三個子Agent返回結構化結果後，分析性子Agent接收合併資料，使用AgentCore Code Interpreter生成對比圖表和Markdown報告。最後，關鍵見解被儲存到AgentCore Memory供後續會話使用。整個工作流可透過Amazon CloudWatch（透過Amazon Bedrock AgentCore Observability）或LangSmith進行追蹤。
每個子Agent型別僅訪問其特定工具集：研究人員使用瀏覽器工具，分析師使用直譯器工具，協調器使用記憶體工具。
構建Agent
構建該Agent需要配置模型、為每個子Agent型別建立工具包，並使用LangChain Deep Agents將它們組合。
前提條件：AWS賬戶且啟用Amazon Bedrock AgentCore訪問許可權；配置AWS憑證；Python 3.11+；可選CloudWatch Transaction Search、LangSmith賬戶、AgentCore Memory資源及Jupyter notebook。
步驟1：設定模型
以下程式碼配置編排Agent的LLM，示例透過Amazon Bedrock訪問Claude Sonnet。
步驟2：建立瀏覽器工具包
每個競爭對手擁有獨立的BrowserToolkit，提供各自的AgentCore Browser MicroVM，實現完全隔離。當LLM在單輪中發出多個瀏覽器工具呼叫時，工具包處理併發。
每個MicroVM執行透過WebSocket連線的真正Chromium瀏覽器（使用Playwright）。會話是臨時的，幾秒內啟動。session_wait_timeout設定為60秒，以給瀏覽器操作足夠時間完成。
步驟3：建立直譯器工具包
分析性子Agent使用AgentCore Code Interpreter，一個隔離的MicroVM，執行預裝pandas、matplotlib和numpy的完整Python環境。附加庫可透過install_packages工具在執行時新增。
步驟4：新增跨會話記憶（可選）
協調Agent可透過AgentCore Memory工具直接與長期記憶體API互動，積累專業知識。注意，Memory資源必須配置至少一種提取策略（如semanticMemoryStrategy）才能實現長期召回。
步驟5：建立並執行Agent
將元件組合並呼叫Agent。可執行的筆記本包含進度指示器和會話顯示。預計執行時間4-6分鐘（Claude Sonnet），相比順序處理快至3倍。
追蹤與除錯
AgentCore Observability透過Amazon CloudWatch提供多Agent架構的可見性。AgentCore以OpenTelemetry格式發出追蹤和跨度，可在CloudWatch GenAI Observability頁面檢視完整編排層級：協調器執行位於頂層，每個研究子Agent和後續分析性子Agent為子跨度。每個跨度內可檢視工具呼叫的輸入、輸出、時間和令牌使用。每個賬戶需一次性啟用CloudWatch Transaction Search。當Agent託管在AgentCore Runtime時，執行時自動新增OTEL儀器化。
也可使用LangSmith進行端到端追蹤，設定三個環境變數即可啟用。
架構優勢
第一，協調器專注於高階推理，每個研究子Agent內部處理多步瀏覽，僅返回簡明摘要，保持協調器上下文可用。第二，功能之間清晰分離，減少意外工具使用，除錯更有針對性。第三，研究速度更快，三個瀏覽器研究任務並行執行。最後，Amazon Bedrock AgentCore與模型無關且與框架無關，切換模型只需一行程式碼變更。