Федерированная архитектура агентного ИИ на базе Amazon Bedrock AgentCore
AWS Machine Learning · оригинал
Материал подготовлен автоматизированной редакционной системой. Факты можно сверить по указанному первоисточнику.

AWS представила референс-архитектуру корпоративной платформы для управления агентным ИИ, решающую проблему фрагментации контроля при масштабировании. Решение использует федеративную модель, где центральная команда обеспечивает безопасность и стандарты, а бизнес-подразделения самостоятельно развивают свои агенты в изолированных средах.
Переход от экспериментальных моделей к промышленным агентным системам требует сложной инфраструктуры управления доступом, затратами и жизненным циклом. Описанный подход позволяет организациям избежать «узких мест» централизации и хаоса децентрализации, обеспечивая аудитируемость и безопасность на уровне предприятия.
Внедрение агентного искусственного интеллекта в промышленные контуры сталкивается с серьезными организационными барьерами. По данным AWS, основными препятствиями являются не сами модели или инструменты, а инфраструктурные аспекты: определение владельцев моделей, обеспечение изоляции сред разработки и контроль затрат. Для платформенных команд, поддерживающих множество агентных сценариев, это превращается в задачу проектирования полноценного продукта, а не просто развертывания кода. Каждая бизнес-команда (Workstream) нуждается в стандартизированном пути: одобренных моделях, краткосрочных идентификаторах, изолированной памяти и автоматизированной оценке качества. Без единого подхода к этим контролям возникает дрейф настроек, а аудит ответственности становится сложным.
AWS предлагает решение на базе Amazon Bedrock AgentCore, которое добавляет к модульным сервисам для создания агентов корпоративные контракты в виде инфраструктуры как кода. Архитектура опирается на пять ключевых принципов: управляемый доступ к моделям через шлюзы с ограничением регионов и квот; контролируемое использование инструментов через аутентифицированный MCP-шлюз; делегирование доставки, позволяющее командам самостоятельно выпускать и откатывать изменения; флот-операции с прозрачностью затрат для FinOps-команд; и ограниченная доказательная база жизненного цикла. Каждое релиз требует подтверждения того, что одобренные вызовы проходят, а запрещенные блокируются.
Решение реализует федеративную модель управления, которая балансирует между автономией команд и едиными стандартами безопасности. В отличие от централизованной модели, где одна команда ИИ становится узким местом, или децентрализованной, где стандарты дрейфуют, федеративный подход выделяет центральную платформенную команду как хаб. Она владеет шаблонами, политиками и реестром, тогда как доменные команды сохраняют владение своими агентами, данными и логикой. Это позволяет каждой бизнес-единице запускать собственные экземпляры компонентов AgentCore (Runtime, Memory, Tool Gateway) в изолированных учетных записях, что ограничивает влияние сбоев рамками одной команды.
Ключевым элементом архитектуры является управляемая плоскость платформы (control plane), которая публикует версионированные шаблоны и интерфейсы. Команды взаимодействуют с этими возможностями через код и конвейеры, а не через административные сессии. Повторяемая ячейка Workstream включает изолированную границу с репозиторием исходного кода, конвейером сборки и тремя компонентами AgentCore: рантаймом, памятью с ограничением по актору и шлюзом инструментов. Шлюз использует авторизацию AWS_IAM и предоставляет доступ только к одобренным целям. Такая структура позволяет одной ячейке развертываться, откатываться или удаляться без координации с релизами других команд.
Безопасность обеспечивается через многоуровневую защиту. Политики управления сервисами (SCP) ограничивают максимальные разрешения для учетных записей платформы и рабочих потоков. Инференс не происходит напрямую к провайдерам моделей, а проходит через управляемый шлюз, где применяются guardrails и списки разрешенных моделей. Изменения в рабочих потоках допускаются только через конвейеры CI/CD; прямое развертывание разработчиками запрещено. Это гарантирует, что путь проверенного релиза нельзя обойти. Каждое отрицательное сценарий (отказ в доступе) сопровождается положительным тестом и доказательством того, что именно целевой контроль вызвал блокировку.
Процесс доставки включает строгие этапы оценки. Конвейер компилирует код, сканирует образы и валидирует политики перед развертыванием в непродуктивной среде. Затем запускается оценка реального рантайма: измеряются регрессии, качество, успешность вызовов инструментов и латентность. Если ожидаемый отказ в доступе к запрещенной модели или инструменту не зафиксирован, сборка считается неуспешной. После человеческой проверки доказательств происходит продвижение в продакшн с возможностью отката. Удаление ресурсов выполняется в строгом порядке зависимостей: сначала отзываются привилегии платформы, затем роли шлюза, и только потом удаляются рантайм и память, с финальной проверкой отсутствия остаточных ресурсов.
Эта архитектура позволяет организациям масштабировать агентный ИИ, сохраняя контроль над безопасностью и затратами. Она превращает разрозненные эксперименты в управляемую корпоративную платформу, где каждая команда имеет четкие границы ответственности и инструменты для самостоятельного развития. Источник: web:AWS Machine Learning — https://aws.amazon.com/blogs/machine-learning/building-an-agentic-ai-platform-on-amazon-bedrock-agentcore/