企业官网建设流程全解析

Serverless Framework 如何用 ai.agents 配置部署 AWS Bedrock AgentCore AI Agent？

【免费下载链接】serverless⚡ Serverless Framework – Effortlessly build apps that auto-scale, incur zero costs when idle, and require minimal maintenance using AWS Lambda and other managed cloud services.项目地址: https://gitcode.com/GitHub_Trending/se/serverless

在 Serverless Framework 中，AWS Bedrock AgentCore 提供了一组托管能力来部署 AI Agent：你可以用 LangGraph、Strands Agents、CrewAI 或自研代码编写 Agent，然后在serverless.yml的ai.agents下声明它，由 Framework 完成镜像构建、推送 ECR、创建 IAM 角色和 CloudFormation 资源。本文走通一条最短路径：从最小配置开始，部署一个 Runtime Agent，并用 CLI 命令验证部署结果。

部署前的准备条件

文档明确要求的前置条件：

• AWS 账号已开通 Bedrock 模型访问；
• 安装了 Docker（用于镜像部署和 auto-build）；
• Node.js 20+（仅限 JavaScript Agent）；
• Serverless Framework v4+，并已配置好 AWS 凭证。

示例代码中 Agent 通过 Bedrock 调用模型，因此需要在 Bedrock 控制台开通对应模型。例如langgraph-basic-code示例使用的是美国跨区推理画像us.anthropic.claude-sonnet-4-5-20250929-v1:0，文档说明这是为了可用性和吞吐，直接用模型 ID 可能不支持 on-demand 调用。

最小配置：ai.agents 怎么写

在serverless.yml中声明 Agent 只需一个顶层ai属性。空配置用{}，YAML 要求显式写空花括号：

service: my-ai-agent provider: name: aws region: us-east-1 ai: agents: chatbot: {}

Agent 代码本身用 AgentCore Runtime SDK 包装。JavaScript 入口（index.js）：

import { BedrockAgentCoreApp } from 'bedrock-agentcore/runtime' import { z } from 'zod' // 你的 Agent 逻辑 —— 可以用任何框架（LangGraph、Strands Agents、CrewAI 等） const agent = createYourAgent() const app = new BedrockAgentCoreApp({ invocationHandler: { requestSchema: z.object({ prompt: z.string(), }), async process(request) { const result = await agent.invoke(request.prompt) return result }, }, }) app.run()

Python 入口（agent.py）：

from bedrock_agentcore.runtime import BedrockAgentCoreApp agent = create_your_agent() # 你的 Agent 逻辑 app = BedrockAgentCoreApp() @app.entrypoint def agent_invocation(payload, context): result = agent.invoke(payload.get("prompt")) return {"result": result} app.run()

上面的createYourAgent()是文档给出的占位说明，需要你替换为自己的 Agent 初始化代码，其余的入口包装结构保持不变。完整可运行的参考实现见仓库内的示例目录：

• JavaScript auto-build 示例：langgraph-basic（其 serverless.yml 只有assistant: {}一行核心配置）
• Python 代码部署示例：langgraph-basic-code
• Python Docker 部署示例：langgraph-basic-docker

三种部署方式：如何选

AgentCore 支持三种部署方式，选择哪一种决定了ai.agents下怎么写：

1. Auto-build（无 Dockerfile，最省事）

Framework 直接从源码自动构建镜像并推送到 ECR，不需要写 Dockerfile。要求：

• Node.js 项目：package.json必须有，lockfile（package-lock.json、yarn.lock或pnpm-lock.yaml）必须有；入口为项目根目录的index.js或server.js，或package.json里的start脚本；Node.js 版本通过engines.node指定（默认最新 LTS）。
• Python 项目：requirements.txt或pyproject.toml必须有，用于安装依赖。

配置就是前面的myAgent: {}，适合快速起步和简单项目。

2. Dockerfile 部署（完全控制容器）

项目目录里放一个 Dockerfile，Framework 会自动检测：

ai: agents: myAgent: {} # 自动检测项目目录中的 Dockerfile

Node.js 和 Python 的 Dockerfile 示例（来自文档）：

FROM node:20-slim WORKDIR /app COPY package*.json ./ RUN npm ci --omit=dev COPY . . CMD ["node", "index.js"]

FROM python:3.12-slim WORKDIR /app COPY . . RUN pip install -r requirements.txt CMD ["python", "agent.py"]

也可以显式指定 Dockerfile 位置、构建上下文和 ECR 仓库名：

ai: agents: myAgent: artifact: image: file: Dockerfile.agent # 自定义 Dockerfile 文件名 path: ./agent # 构建上下文目录 repository: my-agent-repo # 自定义 ECR 仓库名 buildArgs: PYTHON_VERSION: '3.12' ENV: production

适合多语言项目、复杂依赖、需要完全控制容器环境的场景。已有 CI/CD 构建镜像时，可以直接填现成的 ECR 镜像地址（如123456789012.dkr.ecr.us-east-1.amazonaws.com/my-agent:latest）。

3. 代码部署（仅 Python）

不经过 Docker，直接把 Python 代码打包上传到 S3：

ai: agents: myAgent: handler: agent.py # 该属性触发代码部署模式 runtime: python3.13 # 可选 python3.10 / python3.11 / python3.12 environment: MODEL_ID: us.anthropic.claude-sonnet-4-5-20250929-v1:0

handler是触发代码部署模式的关键属性。支持python3.10、python3.11、python3.12、python3.13（默认）。依赖通过requirements.txt打包，langgraph-basic-code示例用custom.pythonRequirements.dockerizePip: true保证依赖按目标 Linux 运行时编译。适合简单 Python Agent 和快速迭代。

执行部署

配置完成后执行：

serverless deploy

serverless deploy期间 Framework 自动处理的事情（来自 AI Agents 文档）：

• 构建 Docker 镜像（来自你的 Dockerfile 或自动从源码构建）并推送到 ECR；
• 为每个 Agent 组件（runtime、memory、gateway、browser、code interpreter）创建最小权限 IAM 角色；
• 通过 CloudFormation 创建 Runtime、Endpoint、Gateway、Memory 等资源；
• 把 memory ID、gateway URL 等引用注入 Agent 的环境变量；
• 代码部署模式下把 Python 代码打包并上传到 S3。

部署成功后，输出中会包含调用所需的信息（如 runtime ARN），后续验证步骤会用到。

部署结果验证

用 CLI 调用已部署的 Agent

serverless invoke --agent myAgent --data '{"prompt": "Hello!"}'

--agent还支持--path（文件输入）和--session-id（多轮对话）。参考示例中的完整写法：

sls invoke --agent assistant --data '{"prompt":"What is 25 multiplied by 4?"}'

用serverless info和serverless logs检查

serverless info serverless logs --agent myAgent # 查看日志 serverless logs --agent myAgent --tail # 实时跟踪日志

serverless logs --agent支持与函数日志相同的--startTime、--filter、--interval选项。

用 boto3 直接调用 AgentCore API

文档明确提醒：不能直接用 curl 调用 AgentCore runtime，必须使用 AWS SDK 的bedrock-agentcoreclient 和invoke_agent_runtime方法。示例项目附带了可直接运行的 test-invoke.py，runtime ARN 从serverless info获取：

RUNTIME_ARN=<你的runtime-arn> python3 test-invoke.py

等价的手动调用逻辑（示例中的YOUR_RUNTIME_ARN需替换为 deploy 输出中的 runtime ARN）：

import boto3 import json import uuid client = boto3.client('bedrock-agentcore', region_name='us-east-1') response = client.invoke_agent_runtime( agentRuntimeArn='YOUR_RUNTIME_ARN', # 来自 deploy 输出 runtimeSessionId=str(uuid.uuid4()), payload=json.dumps({"prompt": "What is 25 multiplied by 4?"}).encode() ) result = json.loads(response['response'].read()) print(result)

常用运行时配置

部署成功后，这些配置项直接影响运行行为，均出自 Runtime Configuration：

ai: agents: myAgent: environment: MODEL_ID: us.anthropic.claude-sonnet-4-5-20250929-v1:0 LOG_LEVEL: INFO lifecycle: idleRuntimeSessionTimeout: 900 # 秒，范围 60-28800，默认 900 maxLifetime: 3600 # 秒，范围 60-28800，默认 28800

• 环境变量上限 50 个（AWS 在部署时强制），文档建议秘密信息放 AWS Secrets Manager 或 Parameter Store，不要写进环境变量。
• network.mode默认PUBLIC；需要访问私有资源时改VPC并配置subnets、securityGroups，文档要求子网具备 NAT Gateway 出网能力、安全组放行 443 出站。
• 默认认证是 AWS SigV4（调用方需有效 AWS 凭证和 IAM 权限）；需要 Cognito/Auth0/Okta 等 OIDC 身份体系时用authorizer.type: CUSTOM_JWT配置。
• 需要多版本访问时可用endpoints定义命名端点，例如staging端点固定到version: '1'，production端点跟踪最新版。

本地开发与清理

部署后再进本地开发模式，serverless dev会复用已部署的 IAM 角色和本地热重载（多 Agent 时用--agent myAgent指定）：

serverless dev serverless dev --agent myAgent

如果serverless.yml同时定义了 Lambda 函数和 Agent，serverless dev默认进入 Lambda 的 dev 模式，需要加--agents显式选择 Agent dev 模式。详见 Dev Mode 文档。

删除全部已部署资源：

serverless remove

下一步

部署验证通过后，AI Agents 文档 给出的延伸方向：

• Gateway 配置：把 Lambda 函数和 API 接成 Agent 工具；
• Memory 配置：会话持久化，如ai.agents.myAgent.memory: conversations；
• Browser 与 Code Interpreter：网页自动化和沙箱 Python 执行能力。

完整的组合配置（部署方式、网络、认证、生命周期、端点、环境变量一次看全）可参考 Runtime 文档的 Complete Configuration Reference。

【免费下载链接】serverless⚡ Serverless Framework – Effortlessly build apps that auto-scale, incur zero costs when idle, and require minimal maintenance using AWS Lambda and other managed cloud services.项目地址: https://gitcode.com/GitHub_Trending/se/serverless