多Agent上线的五道工程关卡

AWS ML Blog 以开源系统 Deep Insight 为案例，梳理多 Agent 从原型走向生产的五类难题：编排、模型选择、可靠运行、安全代码执行与监控。现有节选展示了它的数据分析流程和部署方式，但五类问题各自如何解决，细节尚未完整展开。

目前能确认什么

Deep Insight 由 AWS Solutions Architecture 团队构建，接收 CSV 和自然语言任务，通过协调、规划、编码、验证、报告等专门 Agent，完成分析、生成图表并输出带引用的 .docx 报告。

演示中，系统先生成分析计划，交给用户批准，再执行分析。这是人在回路（Human-in-the-Loop，HITL）的一个具体落点：在执行前设置人工确认环节。

系统提供本地 CLI、Web 和 Managed AgentCore 三种形态，共享多 Agent 架构。托管形态使用 AgentCore runtime，在私有 VPC 内运行；自定义 Code Interpreter 单独部署在 AWS Fargate，并提供按用户隔离的运行环境。

提示词里的要求，需要有执行流程来承接。

模型会根据上下文选择行动，单靠提示词，无法保证它始终遵循固定业务步骤。校验、审批和异常处理因此也是程序设计的一部分。

我的判断

对正在做 Agent 原型的程序员，这份材料最有用的是把验收范围拉到了完整链路：除了能否生成答案，还要检查计划何时获批、计算由谁验证、代码在哪里执行，以及运行异常能否被发现。

但有 Validator 角色，不等于计算结果已经可靠；有用户隔离环境，也不能据此确认代码执行的权限边界。校验失败如何处理、执行环境有哪些限制，节选都没说清。

模型选择策略、重试与恢复机制、监控指标同样尚未展开。目前可以把这五类问题用作生产化检查维度，还不能把它们视为已经拿到了一套可直接复用的解决方案。