新闻 · AWS Machine Learning Blog
多智能体系统的 5 大生产挑战及 Deep Insight 的解决方案
许多团队能在几天内构建出多智能体 AI 原型，但在生产环境中却遭遇瓶颈。本文定义了五大生产挑战（编排、按智能体选择模型、可靠运行、安全代码执行和监控），并展示 AWS 上的开源多智能体系统 Deep Insight 如何逐一解决这些问题。
en
英文原标题：5 production challenges in multi-agent systems and how Deep Insight solved them
本文为英文原文的机器翻译摘要，原文见：AWS Machine Learning Blog ↗
- 文章指出，构建多智能体系统本身已不困难，但投入生产环境才是真正挑战，团队常遇到智能体不遵循业务逻辑、跳过验证步骤或无法处理边缘情况等问题。
- 仅靠提示工程不足以解决上述问题，需要设计智能体的认知架构和执行流程，明确其如何思考、何时验证以及出错时的应对方式。
- AWS 解决方案架构团队构建了生产级多智能体系统 Deep Insight，并推出三篇系列文章，分享在真实生产环境中应用 Anthropic 提出的 Context Engineering 技术的经验。
- Deep Insight 能根据 CSV 文件和自然语言提示，由 Coordinator、Planner、Supervisor、Coder、Validator、Reporter、Tracker 等专业智能体协作完成数据分析、图表生成、计算验证，并输出带引用的 .docx 报告。
- Deep Insight 已开源，提供三种部署选项：本地 CLI 自托管版（约 10 分钟搭建）、面向非开发者的 Web 版（支持人工审核分析计划），以及基于 Amazon Bedrock AgentCore 的生产托管版（私有 VPC、会话隔离）。
关键数据
- Deep Insight 由 8 个智能体组成：Coordinator、Planner、Supervisor、Coder、Validator、Reporter、Tracker 等。
- 自托管版约 10 分钟即可完成搭建。
- 系统使用 Claude 模型分工：Haiku 负责基础路由，Opus 负责规划，Sonnet 负责执行。
- 生产托管版运行在私有 VPC 内，自定义 Code Interpreter 托管于 AWS Fargate，智能体在隔离的每用户环境中并发运行。
引语
- Instructions alone aren’t enough.
为什么值得看：文章基于 AWS 团队构建 Deep Insight 的一手经验，系统梳理了多智能体系统投入生产必须解决的五大核心挑战及对应技术栈，对计划将智能体从原型推向生产环境的团队具有直接参考价值。