AWS 发布 Bedrock AgentCore：用配置替代编码打通企业数据孤岛

Amazon Web Services（AWS）在其官方机器学习博客中介绍了基于 Amazon Bedrock AgentCore 与模型上下文协议（MCP）服务器的「自主商业洞察」架构方案。该方案面向企业管理场景，主张以「配置而非编码」的方式，将分散在 ERP、IoT 平台、历史数据库等多个系统中的数据整合为可由自然语言查询触发的统一洞察。

行业痛点：数据丰富但洞察匮乏

文章以一家运营 12 条产线、2,000 台设备的制造企业为例，描述了中层管理者 Sarah 在早会前需要回答「哪条产线本周需要关注」这一问题时遇到的现实障碍：IoT 仪表盘能呈现信号却无法定位根因，ERP 中包含维护历史，运行小时数却埋在另一套 Historian 数据库中，OEE 趋势、缺陷率等指标也需要跨系统拼接。最终 Sarah 需要向三位主管发邮件求证，耗时近两小时才能拼出答案。与此同时，车间主管 Raj 只能依赖三天前的 PDF 报表，维修技师 Priya 则因权限受限无法直接查看自己一周前标记的振动数据。

文章指出，企业平均日常使用五到八个运营与分析系统，每个系统都有独立的登录、查询接口和权限模型。传统 BI 仪表盘只能回答「昨天发生了什么」，单一 AI 助手只能处理孤立问题，二者均无法跨整个技术栈自主协调。自行搭建多智能体框架在理论上可行，但通常需要数月工程投入，包括定制连接器、会话隔离、记忆基础设施、安全与编排逻辑等。

解决方案：三步配置模型

Amazon Bedrock AgentCore 将原本需要从零构建的自主智能系统转为可配置形态：编排、安全、记忆与扩缩容由 AgentCore 负责，用户只需提供数据源与业务规则。其落地路径分为三步：

• 通过预构建的 MCP 服务器连接器接入现有系统，无需编写定制集成代码。
• 用自然语言定义「谁能看什么」，由 AgentCore 翻译为强制执行的权限策略。
• 用户以自然语言提问，其余的查询路由、工具调用与结果合成由 AgentCore 自动编排。

架构概览：五层分层设计

该方案采用分层架构，由上至下依次为：用户交互层、Amazon Bedrock（负责意图分类与回答合成）、Amazon Bedrock AgentCore（编排核心）、预构建的 MCP 服务器连接器层、以及底层数据基础设施（SageMaker Lakehouse、Redshift、S3 Tables、OpenSearch、Aurora 等）。

AgentCore 内部包含隔离运行时、网关、身份与策略强制执行、持久记忆以及受治理的工具注册表。在选择并路由至数据连接器之前，智能体通过由 SageMaker Data Catalog 驱动的「语义层」查找可用数据源，从而在不依赖硬编码逻辑的前提下理解企业内数据的分布与含义。元数据发现与数据检索的解耦意味着新数据源可通过在 Data Catalog 中注册来接入，而非编写定制集成代码，使系统具备以配置方式扩展的能力。

文章最后提及底层 MCP 连接器涵盖设备、IoT 遥测、供应链、分析与自定义低代码等多种类型，但原文在描述「完整工作链路」时截断，完整步骤与示例未在摘录中给出。