Amazon Bedrock AgentCore es una plataforma agente para crear, implementar y operar agentes eficaces de forma segura a escala. Amazon Bedrock AgentCore Runtime es un servicio totalmente administrado de Bedrock AgentCore, que proporciona entornos sin servidor de baja latencia para implementar agentes y herramientas. Proporciona aislamiento de sesiones, admite múltiples marcos de agentes, incluidos los populares marcos de código abierto, y maneja cargas de trabajo multimodales y agentes de larga duración.
se proporciona la definiciónagente esrecipiente
preferir no preocuparse por Estibador pericia e infraestructura de contenedores al implementar agentes.
En esta publicación, demostraremos cómo utilizar la implementación directa de código (para Python).
Presentamos la implementación de código directo de AgentCore Runtime
Con el método de implementación de contenedores, los desarrolladores crean un archivo acoplablecree contenedores compatibles con ARM, administre repositorios de ECR y cargue contenedores para cambios de código. esto funciona bien dónde contenedor DevOps las tuberías tienen ya estado establecido para automatizar implementaciones.
despliegue, cual puede mejorar significativamente el tiempo y la productividad del desarrollador. D
Discutiremos las fortalezas de cada implementación. opción para ayudarle a elegir el enfoque correcto para su caso de uso.
Con la implementación directa de código, los desarrolladores crean un archivo zip de código y dependencias, lo cargan en Amazon S3 y configuran el depósito en la configuración del agente. Cuando se utiliza el kit de herramientas de inicio AgentCore, el kit de herramientas maneja la detección, el empaquetado y la carga de dependencias, lo que proporciona una experiencia de desarrollador mucho más simplificada. La implementación directa de código también se admite mediante la API.
Comparemos los pasos de implementación a alto nivel entre los dos métodos:
Implementación basada en contenedores
El método de implementación basado en contenedores implica los siguientes pasos:
Implementación de código directo
El método de implementación de código directo implica los siguientes pasos:
Empaquete su código y sus dependencias en un archivo zip. Cárguelo en S3. Configure el depósito en la configuración del agente. Implemente en AgentCore Runtime.
Cómo utilizar la implementación de código directo
Ilustremos cómo funciona la implementación directa de código con un agente creado con Strands Agents SDK y usando el kit de herramientas de inicio AgentCore para implementar el agente.
Requisitos previos
Antes de comenzar, asegúrese de tener lo siguiente:
Cualquiera de las versiones de Python 3.10 a 3.13. Tu administrador de paquetes preferido instalado. Por ejemplo, usamos el administrador de paquetes uv. Cuenta de AWS para la creación e implementación de agentes de acceso al modelo Amazon Bedrock para Anthropic Claude Sonnet 4.0
Paso 1: inicializa tu proyecto
Configure un nuevo proyecto de Python usando el administrador de paquetes uv, luego navegue hasta el directorio del proyecto:
Paso 2: agregue las dependencias para el proyecto
Instale las bibliotecas Bedrock AgentCore y las herramientas de desarrollo necesarias para su proyecto. En este ejemplo, las dependencias se agregan usando el archivo .toml; alternativamente, se pueden especificar en el archivo requisitos.txt:
Paso 3: cree un archivo agent.py
Cree el archivo de implementación del agente principal que defina el comportamiento de su agente de IA:
Paso 4: Implementar en AgentCore Runtime
Configure e implemente su agente en el entorno AgentCore Runtime:
Esto iniciará una sesión interactiva en la que configurará el depósito de S3 para cargar el paquete de implementación zip y elegirá un tipo de configuración de implementación (como se muestra en la siguiente configuración). Para optar por la implementación de código directo, elija la opción 1: Código postal.
Configuración de implementación
Seleccione el tipo de implementación:
Código Zip (recomendado): simple, sin servidor, no requiere Docker Contenedor: para tiempos de ejecución personalizados o dependencias complejas
Este comando crea un paquete de implementación zip, lo carga en el depósito S3 especificado e inicia el agente en el entorno AgentCore Runtime, preparándolo para recibir y procesar solicitudes.
Para probar la solución, solicitemos al agente que vea cómo está el clima:
La primera implementación tarda aproximadamente 30 segundos en completarse, pero las actualizaciones posteriores del agente se benefician del proceso de implementación de código directo simplificado y deberían tardar menos de la mitad del tiempo, lo que permite ciclos de iteración más rápidos durante el desarrollo.
Cuándo elegir código directo en lugar de implementación basada en contenedores
Veamos algunas de las dimensiones y veamos en qué se diferencian el código directo y las opciones de implementación basadas en contenedores. Esto le ayudará a elegir la opción adecuada para usted:
Proceso de implementación: el código directo implementa agentes como archivos zip sin necesidad de Docker, ECR o CodeBuild. La implementación basada en contenedores utiliza Docker y ECR con control total de Dockerfile. Tiempo de implementación: aunque no hay mucha diferencia durante la primera implementación de un agente, las actualizaciones posteriores del agente son significativamente más rápidas con la implementación directa de código (de un promedio de 30 segundos para contenedores a aproximadamente 10 segundos para la implementación directa de código). Almacenamiento de artefactos: enth 2026
Personalización: la implementación directa de código admite dependencias personalizadas a través de paquetes basados en ZIP, mientras que los basados en contenedores dependen de un Dockerfile. Tamaño del paquete: la implementación de código directo limita el tamaño del paquete a 250 MB, mientras que los paquetes basados en contenedores pueden tener un tamaño de hasta 2 GB. Compatibilidad con idiomas: el código directo actualmente admite Python 3.10, 3.11, 3.12 y 3.13. La implementación basada en contenedores admite muchos idiomas y tiempos de ejecución.
Nuestra orientación general es:
La implementación basada en contenedores es la opción correcta cuando su paquete supera los 250 MB, tiene canalizaciones de CI/CD de contenedores existentes o necesita dependencias altamente especializadas y requisitos de empaquetado personalizados. Elija contenedores si necesita compatibilidad con varios idiomas, dependencias personalizadas del sistema o control directo sobre el almacenamiento de artefactos y el control de versiones en su cuenta.
La implementación directa de código es la opción correcta cuando su paquete tiene menos de 250 MB, usa Python 3.10-3.13 con marcos comunes como LangGraph, Strands o CrewAI y necesita creación rápida de prototipos con ciclos de iteración rápidos. Elija código directo si su proceso de compilación es sencillo sin dependencias complejas y desea eliminar la configuración de Docker/ECR/CodeBuild.
Un enfoque híbrido funciona bien para muchos equipos, utiliza código directo para la creación rápida de prototipos y experimentación donde la iteración rápida y la configuración simple aceleran el desarrollo, luego pasa a contenedores para la producción cuando el tamaño del paquete, los requisitos multilingües o los procesos de construcción especializados lo exigen.
Conclusión
La implementación directa de código de Amazon Bedrock AgentCore hace que los ciclos iterativos de desarrollo de agentes sean aún más rápidos, sin dejar de beneficiarse de la seguridad empresarial y la escala de las implementaciones. Los desarrolladores ahora pueden crear prototipos e iterar rápidamente implementando su código directamente, sin tener que crear un contenedor. Para comenzar con la implementación de código directo de Amazon Bedrock AgentCore, visite la documentación de AWS.
Sobre los autores
Chaitra Mathur es arquitecta de soluciones especializada en GenAI en AWS. Trabaja con clientes de todos los sectores para crear plataformas de IA generativa escalables y ponerlas en funcionamiento. A lo largo de su carrera, ha compartido su experiencia en numerosas conferencias y es autora de varios blogs en los dominios de aprendizaje automático e inteligencia artificial generativa.
Qingwei Li es especialista en aprendizaje automático en Amazon Web Services. Recibió su doctorado. en Investigación de Operaciones después de arruinar la cuenta de becas de investigación de su asesor y no entregar el Premio Nobel que prometió. Actualmente, ayuda a los clientes de la industria de seguros y servicios financieros a crear soluciones de aprendizaje automático en AWS. En su tiempo libre le gusta leer y enseñar.
Kosti Vasilakakis es PM principal en AWS en el equipo de Agentic AI, donde ha dirigido el diseño y desarrollo de varios servicios Bedrock AgentCore desde cero, incluidos Runtime, Browser, Code Interpreter e Identity. Anteriormente trabajó en Amazon SageMaker desde sus inicios, lanzando capacidades de IA/ML que ahora utilizan miles de empresas en todo el mundo. Al principio de su carrera, Kosti fue científico de datos. Fuera del trabajo, crea automatizaciones de productividad personal, juega tenis y disfruta de la vida con su esposa e hijos.