企业对 AI Agent 的需求日益迫切，这些 Agent 需要能对分布在多个 #AWS 账户中的数据进行推理，而无需复制或集中数据。各团队将数据保留在自己的账户中是有充分理由的：清晰的所有权、范围隔离和独立的部署生命周期。然而，仅能查看单个账户数据的 Agent 价值有限，而将 Agent 连接到分布式数据源通常意味着复制数据或理清繁琐的跨账户 AWS IAM 策略。我们的目标是让数据保留在现有的业务线（LOB）账户中，仅在查询时才流出特定的数据，从而保证底层数据集不离开其所属账户。
在本文中，我们将构建一个多账户架构，在保持各团队数据独立的同时，利用 Amazon Bedrock #AgentCore Gateway 和 MCP（Model Context Protocol，模型上下文协议）为 Agent 提供统一的跨账户查询方式。Amazon Bedrock AgentCore 是一款用于大规模安全构建、部署和运行高效 Agent 的代理服务。中央平台账户负责托管 Agent 层以及通过 Amazon Bedrock 进行的大语言模型（LLM）推理。各 LOB 团队将自己的数据和工具打包暴露为 MCP 服务器，平台账户中的 AgentCore Gateway 则为 Agent 提供单点入口，用于在已注册的 LOB 中进行工具发现与调用。
整个解决方案遵循一个包含三层的多账户模型：中央平台账户、分布式 LOB 账户，以及作为连接两者的集成层的 AgentCore Gateway。在中央平台账户中，平台团队负责运行部署在 AgentCore Runtime 上的 Agent。AgentCore Runtime 是一个无服务器、与框架无关的运行环境，在专用的微型虚拟机（microVMs）中提供会话隔离，采用按需付费模式，并内置身份验证。Agent 通过连接到平台账户的 Gateway，而不是直接连接到单个 LOB 的 #MCP 服务器，从而大大简化了网络拓扑。
Amazon Bedrock 负责在平台账户中进行大模型推理。平台团队集中控制可用的基础模型（FMs）、应用 Amazon Bedrock Guardrails（安全护栏），并通过统一的计费边界跟踪成本，避免了在数十个 LOB 账户中管理模型配额的开销。随着业务增长，该架构还支持将推理分布到多个专用的推理账户中，将 AgentCore Gateway 作为“推理网关”置于前端，在不同的模型提供商之间进行流量路由，确保生产环境的高可用性与治理合规。
随着企业级 AI 应用步入深水区，“数据不出域”与“全局智能化”的矛盾成为 Agent 落地瓶颈。AWS 推出 AgentCore Gateway 结合 Anthropic 主导的 MCP 协议，给出了优秀的“解耦”方案。传统跨部门调用依赖复杂的 ETL 或 IAM 授权，而 MCP 协议的标准化让各部门能将数据和工具封装为 MCP Server。AgentCore Gateway 则充当“微服务网关”实现动态路由与安全隔离。这种联邦式 Agent 架构降低了安全合规风险，也为未来大规模多 Agent 协作提供了坚实的基础设施。
