Блог AWS по машинному обучению опубликовал руководство, подробно описывающее, как строить агентные ИИ-процессы, комбинируя Amazon SageMaker AI с Bedrock AgentCore. Материал излагает референсный паттерн для команд, которым нужны агенты, способные на большее, чем ответ на один вопрос — агенты, планирующие многошаговые задачи, вызывающие внешние инструменты, сохраняющие память в рамках сессии и передающие задачи между специализированными подагентами.
В этой связке SageMaker AI отвечает за модельную часть: обучение, дообучение и хостинг кастомных моделей или моделей с открытыми весами — там, где компании нужен больший контроль, чем даёт API готовой базовой модели. Bedrock AgentCore предоставляет слой среды выполнения агента — память сессии, границы доступа и идентификации, а также оркестрацию для вызова инструментов или других агентов посреди выполнения задачи. Вместе они образуют стек, в котором компании не нужно с нуля писать собственное управление состоянием, фреймворк вызова инструментов или логику передачи задач между агентами.
Это скорее история про инфраструктуру, чем про модели: никакой новой возможности моделей здесь нет. Изменилось наличие управляемого, документированного пути сборки многошаговых агентов на AWS, где AgentCore берёт на себя техническую рутину, которую раньше большинству команд приходилось писать самим — сохранение состояния сессии, разграничение учётных данных по агентам и структурированный вызов инструментов.
Для B2B-компаний с 10-200 сотрудниками прямая ценность не в том, что внутренним инженерным командам стоит начать связывать SageMaker и AgentCore самостоятельно. Мало у какой компании такого размера есть экспертиза в MLOps на базе SageMaker или объёмы, оправдывающие кастомный хостинг моделей. Ценность находится выше по цепочке: это тот тип строительного блока, на котором всё чаще собирают решения вендоры автоматизации и консалтинговые компании — включая инструменты, с которыми уже работают ваши отделы продаж, поддержки и операций. Когда вендор заявляет, что его бот поддержки может найти заказ, эскалировать его на человека и помнить последние три обмена сообщениями в рамках сессии, речь идёт примерно о такой управляемой инфраструктуре, которая делает это надёжным при разумной стоимости, а не о хрупком кастомном скрипте.
Практическая польза здесь — в due diligence. При оценке ИИ-агента для квалификации лидов, разбора тикетов или обработки заказов операционным руководителям стоит спрашивать, какую среду выполнения агент использует для памяти и доступа к инструментам, изолируются ли сессии по клиенту или по кейсу, и как ограничивается доступ, когда агент обращается к CRM или биллинговой системе. Ответы, опирающиеся на управляемую инфраструктуру вроде AgentCore (или её эквивалент у другого облачного провайдера), говорят о более прозрачной и поддерживаемой архитектуре, чем самописный скрипт с цепочкой промптов — такой, что с большей вероятностью переживёт смену команды у вендора или момент масштабирования.
Неподтверждено: детали ценообразования для совместного использования SageMaker AI и Bedrock AgentCore не были полностью раскрыты в исходном материале, и их следует проверять напрямую по актуальным тарифам AWS перед любым сравнением стоимости.