AWS показала пример исследовательского агента на базе LangChain Deep Agents и Bedrock AgentCore

В блоге AWS разобран пример исследовательского агента, который показывает шаблон многошагового AI‑процесса с изолированными подагентами. Такой подход рассчитан на разработчиков, строящих multi-step AI workflows, где важно разделять задачи и среды выполнения. Роль оркестратора здесь выполняет LangChain Deep Agents, а инфраструктуру для подагентов предоставляет Amazon Bedrock AgentCore.

Авторы обращают внимание на типичную проблему: нужно сохранить глубину анализа, но при этом уложиться в ограничения контекстного окна LLM. Когда один агент одновременно читает веб‑страницы и запускает код для анализа данных или построения графиков, разные типы задач начинают конкурировать за место в контексте. Предложенное решение выносит «глубокую» работу в отдельные подагенты, которые возвращают только краткие результаты. LangChain Deep Agents управляет созданием специализированных временных подагентов, а AgentCore дает им среду выполнения: реальный браузер в MicroVM для веб‑исследований и полноценное Python‑окружение для анализа данных.

В описанной архитектуре координирующий агент сначала обращается к AgentCore Memory и проверяет, есть ли результаты прошлых исследований. Затем он параллельно запускает three browser subagents; каждый изучает сайт отдельного конкурента в собственной AgentCore Browser MicroVM. Когда структурированные результаты готовы, они передаются analyst‑подагенту. Тот с помощью AgentCore Code Interpreter строит comparison chart и собирает markdown report. Ключевые выводы сохраняются в AgentCore Memory, чтобы использовать их в следующих сессиях.

За всем процессом можно следить через Amazon CloudWatch, используя Amazon Bedrock AgentCore Observability или LangSmith. В материале также показано, как задать модель и инструменты подагентов через LangChain Deep Agents, а затем развернуть агента в Bedrock AgentCore Runtime с помощью AgentCore CLI как managed, session-isolated service.