AWS Deep Agents 深度研究工作流

AWS Deep Agents 深度研究工作流

AWS Deep Agents 是 AWS 官方发布的多 Agent 深度研究流水线，基于 LangGraph 框架构建并部署在 Bedrock AgentCore Runtime 上。其核心创新在于 SubAgent 架构：主 Agent 将复杂研究课题拆分为多个子任务，每个子任务由独立的 SubAgent 在隔离的上下文窗口中并行执行，分析完成后仅将结论返回主 Agent 汇总——以此解决传统单 Agent 研究中”边搜边忘”、上下文窗口被搜索过程挤占的核心痛点。AgentCore Runtime 为每个会话分配独立 microVM，提供企业级的安全隔离和自动扩缩容能力。

这是什么？适合谁？

AWS Deep Agents 是一套面向企业级深度研究场景的多 Agent 协作框架。它并非一个开箱即用的 SaaS 产品，而是一套可部署在你自己的 AWS 账户中的 Agent 流水线——你拥有全部数据和基础设施的控制权。工作流的核心流程是：用户提出一个研究主题（如”2025 年全球电动车电池技术路线对比”），主 Agent 将主题拆分为 3-8 个可并行的子任务（电池化学路线、供应链格局、成本趋势、政策环境等），为每个子任务创建独立的 SubAgent。每个 SubAgent 拥有独立的上下文窗口和工具集，自主完成搜索、阅读、分析，最终只将结构化结论返回给主 Agent。主 Agent 对全部 SubAgent 的结论进行交叉验证和综合归纳，生成包含引用来源和方法论说明的最终研究报告。

这套工作流最适合企业研究团队、咨询分析师、投资研究员等需要系统性深度研究的场景。如果你的团队每周需要产出 3 份以上的行业研究报告，每份报告需要覆盖 5+ 个维度的信息来源，Deep Agents 的并行架构可以显著缩短研究周期（从数天缩短到 1-2 小时）。它也适合那些对数据安全有严格要求的企业——所有数据处理均在自有 AWS 账户内完成，研究过程和中间数据不会流向第三方服务。

Deep Agents 不适合个人用户或小型项目（月预算低于 $100）。因为涉及 Bedrock AgentCore Runtime 的 microVM 计费、多个 SubAgent 的并行 LLM 调用、以及 Knowledge Base 的存储和查询费用，单次深度研究任务的成本可能在 $2-$15 之间。如果你的研究需求较简单（单一数据源、单一维度），使用 Perplexity、ChatGPT Deep Research 等消费级产品更加经济。此外，Deep Agents 目前深度绑定 AWS Bedrock 生态，如果你主要使用 GCP 或 Azure，迁移和适配成本较高。

核心价值主张可以概括为三点：(1) 上下文隔离——SubAgent 的分析过程（大量的搜索、阅读、中间推理）不污染主 Agent 的研究主线，避免了传统单 Agent 在长链条研究中”遗忘早期发现”的问题；(2) 并行加速——多个 SubAgent 同时工作，将原本串行的研究任务并行化；(3) 企业可控——部署在自有 AWS 账户中，数据不出境，权限可精细化管控，满足 SOC2/ISO27001 等合规要求。

准备工作

在开始部署 AWS Deep Agents 工作流之前，你需要完成以下准备：

• AWS 账户与 Bedrock 访问权限：需要拥有一个已激活的 AWS 账户。在 Bedrock 控制台中为你的账户所在区域（推荐 us-east-1 或 us-west-2）启用 Bedrock 服务，并确保已签署 Anthropic Claude 模型的使用协议（EULA）。
• AWS CLI v2 已安装并配置：安装最新版 AWS CLI（aws --version 应为 2.x），通过 aws configure 配置 Access Key、Secret Key 和默认区域。AgentCore CLI 依赖此配置进行身份认证。
• IAM 角色与权限：创建或使用一个具有以下权限的 IAM 角色：bedrock:InvokeModel（调用 Claude 等模型）、bedrock:CreateAgent / bedrock:UpdateAgent（管理 Agent 资源）、bedrock-agentcore:*（管理 AgentCore Runtime 会话）、s3:GetObject / s3:PutObject（Knowledge Base 数据源为 S3 时需要）。建议使用最小权限原则，按需分配而非授予 bedrock:*。
• Claude 模型访问已授予：在 Bedrock 控制台 → Model access → 确认 Anthropic Claude 3.5 Sonnet 或 Claude 3 Opus 已启用。Deep Agents 默认使用 Claude 模型，SubAgent 的推理深度高度依赖模型的指令遵循和长上下文能力。
• Knowledge Base 数据源已准备：如果你的研究需要基于私有知识库（内部文档、研报档案等），需提前在 Bedrock Knowledge Base 中创建知识库、上传文档到 S3 并触发数据源同步。对于纯公开信息的研究（仅依赖 Web 搜索），可以跳过此步骤，但需确保 SubAgent 配置了 Web 搜索工具。
• Python 3.10+ 与 boto3：Deep Agents 的部署脚本和自定义工具使用 Python。确保本地环境安装 Python 3.10 或更高版本，并通过 pip install boto3 langgraph deepagents 安装必要的依赖包。推荐使用虚拟环境（venv 或 conda）隔离依赖。

核心流程详解

第一步：研究主题拆分

当用户提交研究主题后，主 Agent（Orchestrator）首先执行任务分解。这一步是整个工作流中最关键的设计环节——拆分的质量直接决定了最终研究报告的深度和覆盖度。

主 Agent 会分析研究主题的语义结构，识别出可独立研究的维度。例如，对于”2025 年全球电动车电池技术路线对比”这一主题，主 Agent 可能拆分为：(1) 磷酸铁锂（LFP）技术进展与成本趋势；(2) 三元锂电池（NCM/NCA）能量密度突破；(3) 固态电池产业化进程与主要玩家；(4) 钠离子电池作为替代方案的可行性；(5) 全球电池供应链与原材料价格分析。每个维度被封装为一个 SubAgent 任务，包含明确的搜索目标、期望的输出格式和关键词提示。

技术上，拆分逻辑由 LangGraph 的状态图（StateGraph）实现。主 Agent 调用 Claude 模型执行拆分推理，输出结构化的子任务列表。你可以在 Deep Agents 配置中通过 max_subagents 参数控制并行 SubAgent 的数量上限（建议 3-6 个，超过 8 个会导致调度开销超过并行收益）。拆分完成后，主 Agent 将每个子任务连同上下文指令发送到 AgentCore Runtime，Runtime 为每个 SubAgent 分配独立的 microVM 并开始执行。

第二步：并行搜索与分析

每个 SubAgent 在自己的 microVM 中独立运行，拥有完全隔离的上下文窗口（通常为 200K tokens）。这是 Deep Agents 区别于传统单 Agent 研究的核心架构优势。

SubAgent 的工作模式是”搜索→阅读→分析→总结”的循环。以研究 LFP 技术进展的 SubAgent 为例：它首先通过 Web 搜索工具或 Knowledge Base 查询工具检索相关文档（如宁德时代 2025 年报、比亚迪刀片电池技术白皮书、行业研究机构报告等），然后逐篇阅读文档内容，提取关键数据和趋势判断，最后将分析结果整理为结构化的摘要（包括关键技术指标、主要玩家动态、成本数据对比表等）。因为搜索和阅读过程中产生的中间文本（搜索结果片段、文档原始内容、试错推理过程）都留在 SubAgent 的上下文中，主 Agent 完全不受这些”噪音”影响。

在 Bedrock AgentCore 部署环境下，你可以通过以下命令启动一次 Deep Agents 研究任务：

# 克隆 Deep Agents 示例仓库
git clone https://github.com/aws-samples/sample-deep-research-bedrock-agentcore.git
cd sample-deep-research-bedrock-agentcore

# 安装依赖
pip install -r requirements.txt

# 配置 AWS 凭证和环境变量
export AWS_REGION=us-east-1
export BEDROCK_MODEL_ID=anthropic.claude-3-5-sonnet-20241022-v2:0

# 运行研究任务
python run_research.py --topic "2025 electric vehicle battery technology comparison" --max-subagents 5

第三步：结果汇总

所有 SubAgent 完成各自的分析任务后，各自的结论报告被发送回主 Agent。主 Agent 进入交叉验证与综合归纳阶段。

交叉验证是确保研究质量的关键步骤。主 Agent 会检查不同 SubAgent 的结论之间是否存在矛盾。例如，“电池供应链”SubAgent 可能报告锂价下跌 30%，而”LFP 技术进展”SubAgent 可能基于旧数据假设锂价持平——主 Agent 需要识别这种不一致并优先采用最新数据源的结论。交叉验证还涉及发现 SubAgent 之间的互补关系：两个 SubAgent 可能从不同角度讨论了同一趋势，主 Agent 将它们合并为更全面的叙述。

综合归纳阶段，主 Agent 将所有经过验证的子结论组织为逻辑连贯的研究报告框架。通常的报告结构包括：执行摘要（Executive Summary）、各维度详细分析、交叉对比表格、关键争议点讨论、以及未来展望。AgentCore Runtime 的会话级隔离确保不同研究任务的中间数据不会互相污染——每次新研究都启动全新 microVM，从零开始。

第四步：报告生成

最终报告由主 Agent 调用 Claude 模型生成。报告可以输出为 Markdown 格式（便于后续处理）或通过 AgentCore Code Interpreter 生成带图表的 PDF。

一份典型的 Deep Agents 研究报告包含以下要素：(1) 研究主题与范围说明；(2) 研究方法论（包括 SubAgent 拆分逻辑和数据来源）；(3) 每个子维度的详细分析（来自对应 SubAgent 的结论）；(4) 跨维度分析和趋势综合；(5) 引用来源列表（每个 SubAgent 在分析过程中记录的数据源 URL 或知识库文档路径）；(6) 置信度评估（主 Agent 对每个结论给出高/中/低置信度标记）。报告生成过程中，主 Agent 会为每个数据声明附加引用锚点，确保可追溯性和可验证性。

如果你需要将报告发布到企业知识库，AgentCore 提供了与 S3 和 Bedrock Knowledge Base 的原生集成——报告可直接写入 S3 存储桶，并自动同步为 Knowledge Base 的新数据源供后续研究复用。

常见踩坑

1. SubAgent 上下文隔离不彻底：如果你在多个 SubAgent 之间共享同一个 Knowledge Base 数据源，SubAgent 的查询结果可能产生隐性碰撞——两个 SubAgent 检索到相同的文档片段，各自基于相同信息得出相似结论，导致最终报告中出现重复内容。解决方案：为每个 SubAgent 指定独立的数据源过滤器（如在 Knowledge Base 查询时附加 metadata.filter 条件），或使用 AgentCore 的会话级数据隔离功能。如果无法做到数据源隔离，在主 Agent 的交叉验证阶段增加显式的去重逻辑。

2. Bedrock 配额限制导致并行瓶颈：默认情况下，Bedrock 的模型调用配额为 1 request/second（按需模式）。当你启动 5 个并行 SubAgent 同时调用 Claude 时，会触发 ThrottlingException，SubAgent 被迫串行等待。解决方案：在 AWS Service Quotas 控制台中为 bedrock:InvokeModel 请求速率提升配额（建议提升至 10-20 req/s），同时启用 Bedrock 的跨区域路由以分散负载。

3. IAM 权限粒度过粗：如果为 AgentCore 分配了 bedrock:* 宽泛权限，SubAgent 可能意外访问不属于当前任务的 Knowledge Base、修改 Agent 配置、甚至调用你未授权的高成本模型（如 Claude Opus）。解决方案：遵循最小权限原则，为每个 SubAgent 角色精确限定可调用的模型 ID 和可访问的 Knowledge Base ARN，并通过 IAM policy condition 键限制来源 VPC 和 Session 标签。

4. 成本不可预测：并行 SubAgent 意味着成本乘法——5 个 SubAgent 同时运行，每个 SubAgent 在搜索-分析循环中消耗 50K-150K tokens，加上主 Agent 的汇总推理，单次研究任务可能产生 $5-$20 的 LLM 调用费用。AgentCore Runtime 还有 microVM 运行时长计费（按 CPU/内存秒级计费）。解决方案：在开发阶段使用 Bedrock 的 Flex 定价层级（50% 折扣，延迟略高），在 AWS Cost Explorer 中设置 AmazonBedrock 和 AmazonBedrockAgentCore 的费用告警，将单次研究的 max_tokens 和 max_subagents 设为合理上限。

5. 研究结果重复：不同 SubAgent 在公开网络搜索时可能访问相同的源（如维基百科、行业研究机构首页），返回重叠的信息，导致最终报告中多个章节出现重复内容。解决方案：在主 Agent 的汇总阶段增加语义去重步骤——对 SubAgent 的结论段落计算嵌入向量，合并相似度 > 0.85 的内容段，保留置信度更高或信息更完整的版本。也可以配置 SubAgent 的搜索工具限制域名范围（每个 SubAgent 搜索不同的来源域）。

6. Knowledge Base 数据陈旧：如果你的研究依赖 Bedrock Knowledge Base 中的企业文档，而文档未及时更新同步，SubAgent 可能基于过期数据（如上一季度的财报数据）做出错误分析。解决方案：在每次研究任务启动前，通过 bedrock:StartIngestionJob API 触发一次增量同步；在 SubAgent 的 system prompt 中要求标注每条数据的时间戳，主 Agent 汇总时自动过滤超出时效窗口的数据。

7. SubAgent 任务描述模糊：如果主 Agent 给 SubAgent 的 task description 过于宽泛（如”研究电池技术”而非”分析 2023-2025 年磷酸铁锂电池的能量密度提升曲线，重点关注宁德时代和比亚迪的数据”），SubAgent 会进行浅层搜索并生成空泛的结论。解决方案：在 LangGraph StateGraph 中为拆分节点增加”任务细化”步骤——要求主 Agent 在拆分后对每个 SubAgent 任务进行”具体化检查”（是否包含时间范围、关键实体、期望数值、输出格式），不通过检查的任务自动重新拆分。

8. AgentCore Runtime 会话超时：单次研究会话的默认超时时间为 30 分钟。如果你的研究主题复杂（需要 8+ 个 SubAgent、每个 SubAgent 深度分析多层嵌套文档），可能超时导致会话被强制终止，部分 SubAgent 结果丢失。解决方案：在 AgentCore Runtime 会话创建时设置 sessionTTL 参数为 60-90 分钟；在 LangGraph 工作流图中实现断点续传机制（checkpointing），会话恢复后从最近的 checkpoint 继续执行。

FAQ

Q1: AWS Deep Agents 和 Perplexity Deep Research 有什么区别？

A1: 两者解决不同层次的问题。Perplexity Deep Research 是一个消费级产品，你输入问题，它在 2-5 分钟内返回一份包含来源引用的小型研究报告（通常 1000-3000 字），适合快速了解一个主题。AWS Deep Agents 是一套企业级基础设施——你部署在自己的 AWS 账户中，研究深度由 SubAgent 数量和模型选择决定（可配置 3-10 个 SubAgent，每个进行多轮搜索和分析），最终报告可达 5000-15000 字。关键差异在于：(1) 数据控制权——Deep Agents 数据不出你的 AWS 账户，Perplexity 数据经过其服务器；(2) 可定制性——Deep Agents 你可以自定义 Knowledge Base、搜索源、模型参数和报告模板；(3) 成本模型——Perplexity Pro 固定 $20/月，Deep Agents 按实际用量计费（单次 $2-$15），用量大时可能更贵。

Q2: Deep Agents 只能使用 Claude 模型吗？

A2: 不是。虽然官方示例默认使用 Anthropic Claude 3.5 Sonnet，但 Bedrock AgentCore 是模型无关的（model-agnostic），你可以在配置中将模型切换为 Bedrock 上任何可用的 LLM，包括 Amazon Nova Pro、Meta Llama 3.1 70B/405B、Mistral Large 2、Cohere Command R+ 等。需要注意的是，SubAgent 的深度研究能力高度依赖模型的指令遵循、长上下文处理和工具调用能力。在实际测评中，Claude 3.5 Sonnet 和 Claude Opus 在这三个维度上表现最优，Llama 3.1 405B 在工具调用稳定性上略逊，Amazon Nova Pro 在长上下文检索任务中有竞争力但推理深度稍弱。建议主 Agent 使用 Claude Opus（需要复杂推理和交叉验证），SubAgent 使用 Claude 3.5 Sonnet（平衡性能与成本）。

Q3: 单次深度研究的最低成本大概是多少？

A3: 取决于三个变量——SubAgent 数量、每个 SubAgent 的 token 消耗、以及是否使用 Knowledge Base。一个”经济模式”的参考配置：3 个 SubAgent、每个限制 50K tokens 输入 + 10K tokens 输出、使用 Claude 3.5 Sonnet Flex 定价层级、不启用 Knowledge Base（纯 Web 搜索）。按 Bedrock 定价（Sonnet 输入 $3/MTok，输出 $15/MTok），LLM 调用费用约 $2.10。加上 AgentCore Runtime microVM 计费（约 $0.50/小时，单次 20 分钟约 $0.17），单次研究总成本约 $2.30。“深度模式”（8 个 SubAgent、Claude Opus、Knowledge Base 查询、1 小时运行）可能达到 $15-$25。建议在 Cost Explorer 中为 AmazonBedrock 和 AmazonBedrockAgentCore 设置 budget alert，避免意外超支。

Q4: SubAgent 超时或卡住了怎么办？

A4: Deep Agents 框架内置了多层超时和重试机制。在 LangGraph 层面，每个 SubAgent 节点可以配置 timeout 参数（默认 600 秒）；在 AgentCore Runtime 层面，每个 microVM 有会话 TTL（默认 30 分钟，可调至 90 分钟）。当单个 SubAgent 超时时，LangGraph 的状态图会捕获 TimeoutError 并执行预设的 fallback 策略：默认策略是将该 SubAgent 的当前部分结果（而非空结果）标记为”partial”返回给主 Agent，主 Agent 在汇总时对该维度的结论附加”置信度：低”标记。如果你在状态图中实现了 checkpointing（推荐），超时后可以直接 resume 该 SubAgent 而非从头重跑。排查 SubAgent 卡住的常见原因：Web 搜索工具的目标网站响应慢（可设置 per-URL timeout）、Knowledge Base 查询返回过多文档（限制 top_k）、SubAgent 的 max_iterations 设置过低导致提前终止（建议 ≥ 5）。

Q5: 可以集成非 AWS 的数据源吗？

A5: 可以，但需要额外开发工作。Deep Agents 的 SubAgent 工具集基于 LangGraph 的 Tool 抽象，你可以注册任何符合 LangChain Tool 接口的自定义工具。例如，你可以编写一个 SearchNotionDatabase 工具（调用 Notion API 搜索你的团队知识库）、一个 QuerySnowflake 工具（执行 SQL 查询分析企业数据仓库）、或一个 FetchBloombergData 工具（通过 Bloomberg API 获取金融数据）。这些自定义工具可以按需分配给不同 SubAgent——比如”市场分析”SubAgent 拿 Bloomberg 和 Snowflake 工具，“政策研究”SubAgent 拿 Web 搜索和 Notion 工具。需要注意的是，自定义工具引入的数据源不会自动获得 Bedrock Knowledge Base 的语义检索优化和 IAM 权限管控，你需要自己处理认证（建议将 API 密钥存放在 AWS Secrets Manager 中，在工具代码中通过 boto3 获取）和访问控制。