Bayer 在 Bedrock AgentCore 上线 ADE：22 个专家 Agent，80% 问题无需工程师
- 核心发布：Bayer Crop Science 基于 Amazon Bedrock AgentCore 构建 Agentic Decision Engine（ADE），在既有 Connected Decision Engine（CDE）之上增加多智能体自然语言接口；ADE 目前运行 22 个生产级专家 Agent，首阶段约 80% 用户问题无需工程师介入。
- 要解决的问题：CDE 管理超过 500 个模型配置，瓶颈已从“运行工作流”转向“理解工作流”——用户需跨 API、文档、元数据、仪表盘与日志拼装上下文。ADE 由 Supervisor Agent 分类请求并路由至领域 Agent，再回到对应系统取数；官方示例中，表型工作流故障诊断从超过 1 小时人工排查降至 10 分钟以内。
- 架构拆解：前端为 React Web，请求经 Microsoft Entra ID 身份代理进入 AgentCore runtime；团队在 runtime 上运行自有 LangGraph 编排，DynamoDB 存检查点状态，Aurora PostgreSQL 存会话与反馈，ElastiCache 做响应缓存，S3 与 OpenSearch Serverless 承担 RAG，CloudWatch 收集运行时遥测。AgentCore Gateway 将后端 REST API 暴露为 MCP 工具，并把认证与授权留在 Agent 代码之外。
- 关键设计取舍：编排状态外置到持久存储，不把 runtime 会话当持久库；企业身份、网关访问与下游授权分层处理；模型选择被视为接口契约，需同时满足工具调用、结构化输出、流式行为与配额约束；工具目录按 Agent 裁剪，并通过 OpenAPI 注册到 Gateway，避免为每个 API 单独部署 MCP Server。
- 生产化工作：可观测性区分“传输成功”与“任务成功”，针对工具调用错误、限流、模型超时与结构化输出校验失败设置告警；成本归因结合 Bedrock application inference profiles、请求元数据与 IAM 主体维度，缓存稳定提示前缀使输入 token 成本降低 20%–30%。权限按 Agent 最小化，故障排查 Agent 只读运行数据，领域专家 Agent 仅查询其检索索引。
- 结果与边界：ADE 已有超过 100 名 Bayer Crop Science 用户使用，暴露约 20 个 API 工具；相较每个 API 单独部署服务器，通过 AgentCore Gateway 接入使单 API 集成开销降低超过 99%。上述数据来自 AWS 与 Bayer 的联合案例自述，尚未见第三方复现；团队下一步探索混合云环境中的 Agent 互操作。
- 行业意义：这是一条“在既有数据与 ML 平台上加 Agent 层”的生产路径，而非替换 CDE。真正工程量集中在持久状态、身份边界、工具裁剪、任务级可观测性与成本归因——对拥有大量内部 API、受治理工作流与多角色用户的企业，这套拆分方式比模型选型更直接决定 Agent 能否进入日常运营。
