新上线昨天0 投票
用 AgentCore Gateway 与 MCP 构建跨账户 AI 智能体
让数据留在原处，让智能体看得更全
企业里有个越来越普遍的矛盾：AI 智能体需要跨多个 AWS 账户的数据才能做出有价值的推理，但每个业务团队又希望数据留在自己的账户里——所有权清晰、边界隔离、独立部署。复制数据或硬拉跨账户 IAM 关系，都不是长久之计。
AWS 给出的解法是 Amazon Bedrock AgentCore Gateway 配合 Model Context Protocol（MCP），在不搬动数据的前提下，让智能体拥有统一查询入口。
三层架构怎么搭
这套方案的核心是三个层次：
- 平台账户：作为智能体控制平面，运行在 AgentCore Runtime 上。这是一个无服务器、框架无关的环境，用专属 microVM 做会话隔离，按用量计费，内置认证。本次示例只跑一个智能体，但同一模式可以扩展出多个。
- 业务线（LOB）账户：各团队把自己的数据和工具暴露为 MCP 服务器，数据始终不离开所属账户。
- AgentCore Gateway：架在平台账户里的集成层，给智能体一个单一端点，用来发现和调用已注册 LOB 的工具。
关键在于：智能体连的是平台账户的 Gateway，而不是逐个去连 LOB 的 MCP 服务器。只有当前请求真正需要的那部分数据，才会在查询时流出，底层数据集本身不会离开所属账户。
安全与治理不能少
跨账户调用要解决身份和权限问题。方案中用到 AgentCore Identity 做认证，并结合 Okta；细粒度授权则交给 Policy in Amazon Bedrock AgentCore。这些治理控制是走向生产环境的必要环节——毕竟智能体一旦能跨账户取数，权限边界就必须足够清晰。
LLM 推理由平台账户内的 Amazon Bedrock 承担，智能体本身部署在 AgentCore Runtime 上。
为什么值得关注
这不是一个炫技的 demo，而是对“数据不出域”与“智能体要全局视野”这对矛盾的工程化回应。对于已经在多账户 AWS 环境下运营、又不想为 AI 复制一份数据湖的企业来说，这种模式提供了一条可落地的路径：数据所有权不变，智能体的查询能力却可以横跨整个组织。
目前该方案仍以架构示例形式呈现，实际落地时需要结合各团队的账户结构、身份提供商和授权策略做适配。
