两行 API 调用，一个生产级 AI Agent 就诞生了。这不是科幻，是 2026 年 6 月刚 GA 的 Amazon Bedrock AgentCore Harness。
2026 年 6 月 23 日，亚马逊云科技峰会（AWS Summit China 2026）在上海如火如荼地进行。峰会的主题 \"Agentic Now, Go Build\" 在两天前还是口号，今天已经有了坚实的落地平台。
就在上周，AWS 宣布 Amazon Bedrock AgentCore Harness 正式可用（GA）。这是一个令人振奋的消息——它意味着构建企业级 AI Agent 的门槛，从\"写几百行基础设施代码\"降低到了 两个 API 调用：CreateHarness 和 InvokeHarness。
━━━ ━━━ ━━━
一、AgentCore 是什么？
Amazon Bedrock AgentCore 是 AWS 推出的一个端到端托管平台，专门用于构建、部署和运维生产级 AI Agent。它于 2025 年 7 月预览，2025 年 10 月正式可用，并在 2026 年 6 月的 Harness GA 中走向成熟。
一句话概括：AgentCore 让开发者专注于\"Agent 的智能\"，而不必操心\"Agent 的基础设施\"。
它不是一个简单的 API 包装器，而是一整套模块化服务套件，包含：
| 组件 | 功能 |
|---|---|
| Runtime | 基于 Firecracker microVM 的无服务器执行环境 |
| Gateway | 将 API、Lambda、MCP Server 统一转化为 Agent 可调用的工具 |
| Memory | 短期 + 长期记忆，支持 Episodic Memory（最长 8 小时上下文） |
| Identity | 入站/出站认证和授权管理 |
| Policy | 基于 Cedar 的策略引擎，用自然语言定义 Agent 行为边界 |
| Observability | 原生 CloudWatch 集成，深度追踪、日志和评估 |
| Tools | 内置代码解释器、浏览器、Web Search 等 |
━━━ ━━━ ━━━
二、为什么需要 AgentCore？
讲 AgentCore 之前，先说说 2025-2026 年 AI Agent 发展的一个尴尬现象：
PoC（概念验证）多如牛毛，生产级部署凤毛麟角。
原因很简单：从一两个 Demo Agent 到生产环境规模化部署，中间隔着巨大的鸿沟——- 基础设施：Agent 需要执行环境、沙箱隔离、自动扩缩 - 工具集成：每个 Agent 要对接不同的 API，身份认证、OAuth 轮换繁琐 - 记忆管理：对话上下文如何持久化？长期记忆如何维护？ - 治理安全：如何确保 Agent 不越权？如何审计它的每一步行为？ - 可观测性：Agent 的\"思考过程\"怎么追踪？效果怎么评估？
AgentCore 一次性回答了所有这些问题。
━━━ ━━━ ━━━
三、AgentCore Harness：两行代码部署 Agent
这是 2026 年 6 月最值得关注的功能。
传统上，部署一个生产级 AI Agent 需要：配置计算资源、搭建沙箱环境、编写工具连接代码、实现错误处理、配置上下文管理......少则几天，多则数周。
AgentCore Harness 把这一切变成了托管服务：
# 第一步：定义 Agent
response = client.create_harness(
modelId="anthropic.claude-sonnet-4-20250515",
tools=[{"name": "web_search", "type": "BUILT_IN"}],
instructions="你是一个专业的金融分析师助手",
)
harness_id = response["harnessId"]
# 第二步：运行 Agent
response = client.invoke_harness(
harnessId=harness_id, inputText="分析今天美股三大指数的走势",
)
CreateHarness 定义 Agent 的模型、工具、能力和指令。
InvokeHarness 运行 Agent，支持实时交互和参数覆盖。
更厉害的是：
- 模型可替换：甚至可以在一段对话中切换模型
- 工具可动态添加：不需要重新部署代码
- 多版本可对比：调整参数即时测试不同的 Agent 配置
- 按量付费：只用 Runtime、浏览器、Code Interpreter 时付费
━━━ ━━━ ━━━
四、核心能力详解4.1 Runtime：安全的无服务器执行环境
AgentCore Runtime 使用 Firecracker microVM（AWS Lambda 同款技术）在 EC2 Bare Metal 上为每个 Agent 会话分配专用的隔离环境。这意味着：
- 不同 Agent 之间完全隔离
- 支持实时和长时间运行的 Agent 任务
- 兼容 LangChain、LangGraph、CrewAI、AutoGen 等主流框架
- 同时支持自定义 Agent——没有框架锁定
4.2 Gateway：工具集成不再痛苦
Gateway 是 AgentCore 的\"万能适配器\"。它可以把任何 API、Lambda 函数或 MCP（Model Context Protocol） Server 自动转化为 Agent 可调用的工具。它还自动处理：
- OAuth 流程和 Token 轮换
- 安全凭证存储
- 入站和出站认证
4.3 Memory：让 Agent 有记忆
AgentCore 提供三种记忆模式：
- 短期记忆：同一会话内的上下文保持
- 长期记忆：跨会话持久化，Agent 记住你是谁
- Episodic Memory：可回溯最近 8 小时的交互历史
这让 Agent 不再是\"每次对话都是第一次见面\"的失忆症患者。
4.4 Policy：自然语言定义安全边界
这是 re:Invent 2025 上发布并在 2026 年 3 月 GA 的重要功能。AgentCore Policy 允许你用自然语言定义 Agent 的行为边界：
允许助手查询客户的账户余额 禁止助手执行转账操作 要求所有金融建议标注风险提示
AgentCore Gateway 会自动将这些策略转换为 Cedar 策略语言（AWS 自家的开源策略引擎），强制执行独立于模型概率输出的确定性规则。
同时，13 个内置 Evaluator 会持续评估 Agent 行为的正确性、有用性、安全性和工具选择准确性。
4.5 Observability：看得见的 Agent
AgentCore 原生集成 CloudWatch，提供：
- 深度追踪：Agent 的每一步思考过程都可追溯
- 完整视图：调用链、工具使用、Token 消耗
- 内置评估：对 Agent 输出进行基准测试
2026 年 6 月新预览的 AgentCore Insights 更进一步——跨会话交叉分析，自动提取失败模式和用户行为趋势，包括\"静默失败\"（Agent 看似成功但实际输出有问题的场景）。
4.6 Web Search：让 Agent 获取实时知识
2026 年 6 月 17 日 GA 的 Web Search 是 AgentCore 的又一里程碑。
它让 Agent 能够通过 AWS 内部搜索基础设施 获取实时网络知识，而不需要将数据传出 AWS 环境——这对金融、医疗等合规要求严格的行业至关重要。
- 索引覆盖数百亿文档，刷新频率分钟级
- 结合网页索引 + 结构化知识图谱
- 通过 MCP 标准协议调用
- 价格：\$7/1,000 次查询
4.7 多 Agent 协作
AgentCore 原生支持多 Agent 协作架构，其中 Supervisor Agent 负责：
- 理解复杂任务
- 分解为子任务分配给专门的 Agent
- 汇总结果并输出
每个子 Agent 专注于自己的领域，由 Supervisor 协调，形成一个专业的 Agent 团队。
━━━ ━━━ ━━━
五、与 Kiro 的关系
在之前的文章中我们介绍了 AWS Kiro——面向开发者的 Agentic IDE。它与 AgentCore 的关系可以这样理解：
| Kiro | AgentCore |
|---|---|
| 定位 | 开发者 |
| 目标用户 | 软件开发人员 |
| 核心能力 | 编码、设计、测试 |
| 底层 | Amazon |
| 交付形式 | 桌面应用 |
| 场景 | 写代码 |
Kiro 是 AgentCore 的一个超级用户——它用 AgentCore 来运行自己的 Agent。二者构成\"写 Agent 的平台 + 跑 Agent 的平台\"的完整闭环。
━━━ ━━━ ━━━
六、实战场景场景一：智能客服 + 实时搜索
用户提问 → Supervisor Agent ├── 情感分析 Agent（理解用户情绪） ├── 知识库检索 Agent（查询内部文档） ├── Web Search Agent（获取最新政策） └── 响应生成 Agent（整合回复）
AgentCore 的 Policy 确保客服 Agent 不会越权操作，Guardrails 过滤不当内容，Observability 追踪每一次交互。
场景二：供应链异常检测
Agent 每小时检查供应链数据，发现异常时：
- 调用内部 API 获取库存信息
- 搜索网络了解外部影响因素（天气、地缘政治）
- 生成分析报告
- 通过 Slack 或邮件通知相关人员
场景三：代码安全审查
结合 AWS Kiro 和 AgentCore，开发者在 IDE 中写完代码后触发安全 Agent，AgentCore 运行独立的沙箱环境进行代码分析和威胁建模，结果返回 IDE 侧边栏。
━━━ ━━━ ━━━
七、值得关注的问题
1. 定价模型：AgentCore Harness 的按量付费（Runtime + 工具 + 记忆 + 可观测性）在高并发场景下成本需要仔细评估。
2. 模型依赖：AgentCore 虽然是模型无关的，但 Agent 的智能水平上限仍然取决于底层模型的能力。
3. 多 Agent 复杂度：Supervisor + 子 Agent 架构在企业落地时，需要考虑 Agent 间的协调机制、故障转移和降级策略。
4. Harness 的成熟度：Harness 2026 年 6 月才 GA，生态系统还在快速迭代中，部分高级功能可能仍在预览阶段。
5. 中国区可用性：AgentCore 的核心服务在中国区域（北京、宁夏）的支持情况，以及 Web Search 功能的合规性，需要联系 AWS 中国团队确认。
━━━ ━━━ ━━━
结语
回到今天 AWS 峰会的现场——\"Agentic Now, Go Build\"。
Amazon Bedrock AgentCore 的成熟，特别是 Harness 的 GA，标志着 AI Agent 从实验阶段正式迈入生产阶段。当构建一个生产级 Agent 只需要两个 API 调用时，我们可以期待 Agent 将从少数公司的高端实验，变成所有行业的标配实践。
Kiro 帮我们写更好的 AI 应用，AgentCore 帮我们跑更可靠的 AI Agent。开发者写 Agent 的平台 + 企业跑 Agent 的平台，AWS 正在完成 Agentic AI 的全面拼图。
后记： 笔者已在使用 Bedrock AgentCore 搭建一个代码安全审查 Agent。最深的两个感受：一是 Policy 用自然语言定义安全边界的设计非常优雅，适合非技术背景的安全团队参与；二是 Harness 的\"模型可替换\"特性让 A/B 测试不同模型变得极其简单——改一行配置，换一个模型，效果立见。
━━━ ━━━ ━━━
*本文首发于《LeisureLinux》公众号。欢迎关注，获取更多深度技术解读。*
AWS Kiro 深度解析：亚马逊的 Agentic IDE 如何重新定义软件开发？
ToolLoop 解读：当你的 AI Agent 不再被一个模型绑架
