Одна из системных проблем мультишаговых ИИ-агентов — конкуренция за контекстное окно. Когда агент одновременно читает десять веб-страниц, запускает код для анализа данных и пытается рассуждать стратегически, все эти задачи борются за одно ограниченное пространство, которое LLM может обработать за один раз. Типичный обходной путь — ручное выстраивание цепочек промптов или последовательная обработка — медленный и хрупкий.
AWS предлагает архитектурный ответ: делегировать «глубокую» работу изолированным подагентам, которые возвращают только сжатый результат. LangChain Deep Agents берёт на себя оркестрацию — порождает специализированные эфемерные подагенты и управляет их жизненным циклом. Amazon Bedrock AgentCore предоставляет инфраструктуру: реальный браузер в MicroVM для веб-исследований и полноценное Python-окружение для анализа данных.
| Тип подагента | Инфраструктура AgentCore | Доступные инструменты |
|---|---|---|
| Браузерный исследователь (×3) | Browser MicroVM с Chromium | navigate_browser, extract_text, click_element, type_text, scroll_page, extract_hyperlinks, wait_for_element |
| Аналитик данных | Code Interpreter MicroVM (pandas, matplotlib, numpy) | execute_code, execute_command, write_files, read_files, list_files, upload_file, install_packages |
| Координатор | AgentCore Memory API | save_research_insights, recall_past_research |
Пример из документации AWS — агент конкурентного анализа. Координатор на базе Claude Sonnet 4 сначала проверяет AgentCore Memory на предмет прошлых исследований, затем параллельно запускает три браузерных подагента — по одному на каждого конкурента (в примере: GitHub, GitLab, Bitbucket). Каждый подагент работает в собственной MicroVM с реальным Chromium, подключённым через WebSocket с помощью Playwright. Сессии поднимаются за секунды, изолированы друг от друга и уничтожаются после завершения задачи.
AgentCore Browser использует реальный Chromium через Playwright; сессии поднимаются за секунды и изолированы друг от друга.
Когда три браузерных подагента возвращают структурированные данные, аналитический подагент получает объединённый результат и передаёт его в AgentCore Code Interpreter — изолированное Python-окружение с предустановленными pandas, matplotlib и numpy. Там генерируются сравнительные графики и markdown-отчёт. Ключевые инсайты сохраняются в AgentCore Memory: при следующем запросе агент найдёт релевантные факты без повторного обхода сайтов.
Каждый тип подагента имеет доступ только к своему набору инструментов: браузерные инструменты (navigate_browser, extract_text, click_element и другие) — для исследователей, инструменты интерпретатора (execute_code, write_files, install_packages) — для аналитика, инструменты памяти — для координатора. Такое разделение не только экономит контекст, но и снижает риск того, что агент «перепутает» инструменты.
Для разработчиков, которые хотят попробовать AgentCore Code Interpreter без построения полного агента, доступна команда `deepagents --sandbox agentcore` через CLI. Готовый агент можно развернуть как управляемый сервис через AgentCore Runtime с изоляцией по сессиям. Трассировка всего воркфлоу — через Amazon CloudWatch Transaction Search или LangSmith.
Подход отражает более широкую тенденцию в отрасли: вместо одного мощного агента с огромным контекстом — иерархия специализированных агентов с минимальными правами доступа. Аналогичные паттерны реализуют Anthropic в своей документации по multi-agent системам и OpenAI в Swarm. Отличие AgentCore — готовая инфраструктура изоляции на уровне MicroVM, которую не нужно строить самостоятельно.
