Bayer запустила мультиагентный движок на AgentCore: 80% вопросов без инженеров

Bayer Crop Science показала, как выглядит промышленный агентный слой над корпоративной ML-платформой. Система Agentic Decision Engine (ADE) отвечает на вопросы селекционеров, аналитиков и дата-инженеров о воркфлоу, моделях и результатах. В первой фазе она закрывает около 80% обращений без инженера. Диагностика сбоя, на которую раньше уходило больше часа ручного поиска по логам и ожидания помощи, теперь занимает меньше 10 минут. Под капотом 22 специализированных агента на Amazon Bedrock AgentCore.

Зачем понадобился слой агентов над платформой

Сначала Bayer построила Connected Decision Engine (CDE), систему для развёртывания, оркестрации, мониторинга и повторного использования ML-воркфлоу. Данные в селекции разнородны: геномика, полевые испытания, снимки, условия среды, выходы моделей. Сотни конфигураций запускаются по культурам, регионам и командам, и каждый прогон должен быть воспроизводимым и подконтрольным.

С ростом использования узким местом стало не исполнение, а понимание. Чтобы объяснить результат, приходилось собирать контекст из API, документации, хранилищ метаданных, дашбордов и логов. Пользователь должен был знать, в какую систему смотреть. ADE убирает это требование: супервайзер классифицирует вопрос, направляет его специалисту, тот достаёт контекст из нужной системы.

Архитектура и пять решений, которые стоит запомнить

Фронтенд на React, запросы идут через прокси идентичности Microsoft Entra ID. Образы агентов собирает GitHub Actions, кладёт в Amazon ECR и деплоит в AgentCore Runtime. Оркестрация на LangGraph: выбрали за явный граф управления и чекпоинты для многошаговых сценариев. Данные разнесены по ответственности:

• Amazon DynamoDB — чекпоинты LangGraph;
• Amazon Aurora PostgreSQL — сессии, обратная связь, аналитика;
• Amazon ElastiCache — кэш ответов агентов с TTL;
• Amazon S3 + Titan Text Embeddings V2 + OpenSearch Serverless — RAG по доменному контенту;
• Amazon CloudWatch — телеметрия рантайма и приложения;
• AgentCore Gateway — бэкенд-API как MCP-инструменты, аутентификация и авторизация вне кода агентов.

Среди 22 агентов: Domain Expert (концептуальные вопросы через RAG), Operational Agent (живой статус и результаты из CDE), Troubleshooting Agent (анализ телеметрии), Visualization Agent (графики или готовые дашборды). Шаблон Models as Skill превращает код и документацию модели в skill-описания в центральном реестре, так что агент отвечает по реальной реализации, а не по общим знаниям.

Пять проектных решений, принятых вместе с техническим менеджером аккаунта и инженером по генеративному ИИ из AWS Unified Operations:

• Состояние вне рантайма. Сессия AgentCore хранит контекст на время жизни, но это не надёжное хранилище. Чекпоинты уходят в DynamoDB, чтобы граф возобновлялся после масштабирования и перезапусков.
• Отдельный механизм на каждой границе доверия. Entra ID — личность пользователя, IAM — вызовы между сервисами, исходящая авторизация Gateway — доступ к CDE, Lambda-перехватчик проверяет и передаёт атрибуты. Один токен через все границы не тащили.
• Модель как контракт интерфейса. Новая версия с reasoning-режимом не сочеталась с tool use и структурированным выводом в реализации агентов, остались на текущей модели.
• Контроль набора инструментов. При 500+ конфигурациях отдельный MCP-сервер на каждый API означал бы лишние деплои и версии. Вместо этого OpenAPI-спецификации регистрируются в Gateway, а инструменты выдаются по агентам. Каждое описание тратит входные токены.
• Из инструмента в агента. Визуализация разрослась: ей понадобились свои поиск данных, логика выбора графика, ретраи и решение, строить диаграмму или вернуть готовый дашборд. Её вынесли в агента с matplotlib и Plotly в AgentCore Code Interpreter (обмен данными через S3), а готовые активы возвращаются из Amazon Quick или Power BI.

Наблюдаемость, стоимость и запуск

Главная ловушка мультиагентных систем: HTTP-запрос успешен, а ответ неверен. В ADE обработчики исключений ловили ошибки агентов и возвращали ответы, которые мониторинг считал удачными. Команда добавила собственные метрики CloudWatch внутри путей отказа и алерты на ошибки вызова инструментов, троттлинг, таймауты моделей и провалы валидации структурированного вывода.

Стоимость атрибутируют тремя механизмами: application inference profiles в Bedrock, метаданные запросов с логированием вызовов моделей и атрибуция по IAM-принципалу. Больше всего токенов съедают Visualization и Operational агенты с множеством вызовов MCP-инструментов. Телеметрия вскрыла нагрузку с длинным повторяющимся префиксом без кэша промпта. Кэширование стабильных инструкций и описаний инструментов срезало стоимость входных токенов на 20–30%.

Безопасность построена на минимуме прав: Troubleshooting Agent читает операционные данные, но не меняет воркфлоу, Domain Expert не вызывает посторонние API CDE. Доступ к инструментам только на чтение, вывод валидируется, ответы опираются на данные CDE и телеметрию. Amazon Bedrock Guardrails Bayer планирует оценить как дополнительный слой. Перед запуском AWS провела Critical Workload Review и Well-Architected review с Generative AI Lens, среди находок были пробелы в видимости сбоев между супервайзером и специалистами.

Практический вывод для тех, кто строит похожее: хранить состояние вне сессии, задавать issuer, audience и scopes на каждом переходе идентичности, ограничивать каталог инструментов на агента, мерить успех задачи, а не транспорта, и сразу смотреть на кэширование префикса. Именно эти пункты дали Bayer и экономию, и управляемость.