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
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
- Инициализация проекта:
uv init <project> --python 3.13 cd <project>
- Установка зависимостей:
uv add bedrock-agentcore strands-agents strands-agents-tools uv add --dev bedrock-agentcore-starter-toolkit source .venv/bin/activate
- 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()
- 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.