跳到正文
原文
AWS Machine Learning Blog· Nikhil Jha·· 20 小时前精选AI 评分75

AWS 发布基于 AgentCore 的四智能体云迁移模式,IaC 生成时间缩短至分钟级

Scaling cloud migrations with agentic AI on Amazon Bedrock AgentCore

AI 导读

AWS Professional Services 在 Amazon Bedrock AgentCore 上发布了一套针对企业级云迁移的四智能体架构,旨在解决 AWS Transform 和 DMS 等托管服务无法覆盖的组织特定需求。该方案通过 Model Context Protocol (MCP) 连接内部系统,将基础设施即代码(IaC)的开发时间从每应用 3-4 周减少到分钟级,并在 300+ 应用的组合中实现了零手动聚合的实时治理报告。

该架构包含四个核心智能体:Intake Agent 负责读取文档和依赖关系;IaC Agent 根据组织批准的模块库生成代码;Migration Intelligence and Governance Agent 在 Jira、Confluence 等内部工具中执行自动化报告和合规性检查;SRE Agent 则负责割接后的持续监控与自动修复。所有智能体均通过 AgentCore Gateway 调用 MCP 工具,利用 AgentCore Identity 进行身份验证,并通过 Policy in AgentCore 强制执行 Cedar 规则以限制变更范围。代码示例展示了如何使用 Strands Agents SDK 定义智能体,并将安全策略作为版本化文档通过 MCP 工具注入上下文,确保生成的 IaC 始终符合最新的安全标准。

在商业与技术推论上,该模式明确了 AI 代理在复杂工程中的定位是增强而非替代现有托管服务。其单位经济模型显示,Token 消耗主要取决于文档大小和工具调用次数,而非应用数量,这意味着对于拥有大量小型应用或复杂配置的组织,边际成本可能低于预期。然而,架构引入了额外的运行时计费项(Gateway、Memory、Policy),且必须维持人类审批网关以防止生产事故,这要求企业在追求速度的同时重新评估安全审计流程。事实层面,该方案已在特定项目中验证了效率提升;推断层面,这种基于 MCP 的模块化设计可能成为未来混合云迁移的标准范式;猜测层面,若 Token 成本随规模线性增长过快,可能会促使更多组织转向本地部署的推理引擎。

推荐理由

材料通过四智能体模式将 IaC 开发周期从数周压缩至分钟,并明确 Token 消耗与运行成本结构,为大规模迁移的 ROI 测算提供基准。

来源:AWS Machine Learning Blog · aws.amazon.com