> ## Documentation Index
> Fetch the complete documentation index at: https://langchain-zh.cn/llms.txt
> Use this file to discover all available pages before exploring further.

# AWS (Amazon) 集成

> 使用 LangChain Python 与 AWS (Amazon) 集成。

本页面涵盖所有与 [Amazon Web Services (AWS)](https://aws.amazon.com/) 平台的 LangChain 集成。

## 聊天模型

### Bedrock 聊天

> [Amazon Bedrock](https://aws.amazon.com/bedrock/) 是一项完全托管的服务，通过单一 API 提供来自领先的 AI 公司（如 `AI21 Labs`、`Anthropic`、`Cohere`、`Meta`、`Stability AI` 和 `Amazon`）的高性能基础模型（FMs）选择，以及构建生成式 AI 应用所需的安全、隐私和负责任 AI 的一系列广泛功能。使用 `Amazon Bedrock`，您可以轻松实验和评估适用于您用例的顶级 FMs，使用微调等技术利用您的数据对其进行私有定制和 `检索增强生成` (`RAG`)，并构建使用企业系统和数据源执行任务的代理。由于 `Amazon Bedrock` 是无服务器的，您无需管理任何基础设施，并且可以使用您熟悉的 AWS 服务安全地将生成式 AI 功能集成和部署到您的应用中。

查看 [使用示例](/oss/python/integrations/chat/bedrock)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_aws import ChatBedrock
```

### Bedrock 对话

AWS Bedrock 维护了一个 [Converse API](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_runtime_Converse.html)，为 Bedrock 模型提供统一的对话接口。此 API 尚不支持自定义模型。您可以在此处查看所有
[支持的模型列表](https://docs.aws.amazon.com/bedrock/latest/userguide/conversation-inference.html)。

<Info>
  **我们建议不需要使用自定义模型的用户使用 Converse API。可以通过 [ChatBedrockConverse](https://reference.langchain.com/python/langchain-aws/chat_models/bedrock_converse/ChatBedrockConverse) 访问它。**
</Info>

查看 [使用示例](/oss/python/integrations/chat/bedrock)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_aws import ChatBedrockConverse
```

## 大语言模型

### Bedrock

查看 [使用示例](/oss/python/integrations/llms/bedrock)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_aws import BedrockLLM
```

### Amazon API Gateway

> [Amazon API Gateway](https://aws.amazon.com/api-gateway/) 是一项完全托管的服务，使开发人员能够轻松创建、发布、维护、监控和保障任意规模的 API。API 充当应用程序访问后端服务中的数据、业务逻辑或功能的“前门”。使用
> `API Gateway`，您可以创建 RESTful API 和 WebSocket API，以支持实时双向通信应用程序。`API Gateway` 支持容器化和无服务器工作负载，以及 Web 应用程序。
>
> `API Gateway` 处理接受和处理多达数十万次并发 API 调用的所有任务，包括流量管理、CORS 支持、授权和访问控制、限流、监控和 API 版本管理。`API Gateway` 没有最低费用或启动成本。您只需为收到的 API 调用和传输出的数据量付费，并且通过 `API Gateway`
> 分层定价模型，随着 API 用量的扩展，您可以降低成本。

查看 [使用示例](/oss/python/integrations/llms/amazon_api_gateway)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_community.llms import AmazonAPIGateway
```

### SageMaker 端点

> [Amazon SageMaker](https://aws.amazon.com/sagemaker/) 是一个系统，可以构建、训练和部署
> 机器学习 (ML) 模型，具有完全托管的基础设施、工具和工作流程。

我们使用 `SageMaker` 来托管我们的模型并将其作为 `SageMaker 端点` 暴露。

查看 [使用示例](/oss/python/integrations/llms/sagemaker)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_aws import SagemakerEndpoint
```

## 嵌入模型

### Bedrock

查看 [使用示例](/oss/python/integrations/embeddings/bedrock)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_aws import BedrockEmbeddings
```

### SageMaker 端点

查看 [使用示例](/oss/python/integrations/embeddings/sagemaker-endpoint)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_community.embeddings import SagemakerEndpointEmbeddings
from langchain_community.llms.sagemaker_endpoint import ContentHandlerBase
```

## 文档加载器

### AWS S3 目录和文件

> [Amazon Simple Storage Service (Amazon S3)](https://docs.aws.amazon.com/AmazonS3/latest/userguide/using-folders.html)
> 是一项对象存储服务。
> [AWS S3 目录](https://docs.aws.amazon.com/AmazonS3/latest/userguide/using-folders.html)
> [AWS S3 存储桶](https://docs.aws.amazon.com/AmazonS3/latest/userguide/UsingBucket.html)

查看 [S3DirectoryLoader 的使用示例](/oss/python/integrations/document_loaders/aws_s3_directory)。

查看 [S3FileLoader 的使用示例](/oss/python/integrations/document_loaders/aws_s3_file)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_community.document_loaders import S3DirectoryLoader, S3FileLoader
```

### Amazon Textract

> [Amazon Textract](https://docs.aws.amazon.com/managedservices/latest/userguide/textract.html) 是一项机器
> 学习 (ML) 服务，可自动从扫描文档中提取文本、手写内容和数据。

查看 [使用示例](/oss/python/integrations/document_loaders/amazon_textract)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_community.document_loaders import AmazonTextractPDFLoader
```

### Amazon Athena

> [Amazon Athena](https://aws.amazon.com/athena/) 是一项无服务器交互式分析服务，构建于
> 开源框架之上，支持开放表格式和文件格式。

查看 [使用示例](/oss/python/integrations/document_loaders/athena)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_community.document_loaders.athena import AthenaLoader
```

### AWS Glue

> [AWS Glue 数据目录](https://docs.aws.amazon.com/en_en/glue/latest/dg/catalog-and-crawler.html) 是一个集中式元数据
> 存储库，允许您管理、访问和共享有关存储在 AWS 中的数据的元数据。它充当您的数据资产的元数据存储库，
> 使各种 AWS 服务和您的应用程序能够高效地查询和连接所需的数据。

查看 [使用示例](/oss/python/integrations/document_loaders/glue_catalog)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_community.document_loaders.glue_catalog import GlueCatalogLoader
```

## 向量存储

### Amazon OpenSearch 服务

> [Amazon OpenSearch Service](https://aws.amazon.com/opensearch-service/) 执行
> 交互式日志分析、实时应用程序监控、网站搜索等。`OpenSearch` 是
> 一个开源分布式搜索和分析套件，源自 `Elasticsearch`。`Amazon OpenSearch Service` 提供
> 最新版本的 `OpenSearch`，支持许多版本的 `Elasticsearch`，以及由 `OpenSearch Dashboards` 和 `Kibana` 驱动的
> 可视化功能。

我们需要安装几个 Python 库。

<CodeGroup>
  ```bash pip theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  pip install boto3 requests requests-aws4auth
  ```

  ```bash uv theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  uv add boto3 requests requests-aws4auth
  ```
</CodeGroup>

查看 [使用示例](/oss/python/integrations/vectorstores/opensearch#using-aos-amazon-opensearch-service)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_community.vectorstores import OpenSearchVectorSearch
```

### Amazon DocumentDB 向量搜索

> [Amazon DocumentDB（兼容 MongoDB）](https://docs.aws.amazon.com/documentdb/) 使在云中设置、操作和扩展 MongoDB 兼容数据库变得容易。
> 使用 Amazon DocumentDB，您可以运行相同的应用程序代码，并使用与 MongoDB 相同的驱动程序和工具。
> Amazon DocumentDB 的向量搜索结合了基于 JSON 的文档数据库的灵活性和丰富的查询能力与向量搜索的强大功能。

#### 安装和设置

查看 [详细配置说明](/oss/python/integrations/vectorstores/documentdb)。

我们需要安装 `pymongo` Python 包。

<CodeGroup>
  ```bash pip theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  pip install pymongo
  ```

  ```bash uv theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  uv add pymongo
  ```
</CodeGroup>

#### 在 AWS 上部署 DocumentDB

[Amazon DocumentDB（兼容 MongoDB）](https://docs.aws.amazon.com/documentdb/) 是一项快速、可靠且完全托管的数据库服务。Amazon DocumentDB 使在云中设置、操作和扩展 MongoDB 兼容数据库变得容易。

AWS 提供计算、数据库、存储、分析和其他功能的服务。有关所有 AWS 服务的概述，请参阅 [使用 Amazon Web Services 进行云计算](https://aws.amazon.com/what-is-aws/)。

查看 [使用示例](/oss/python/integrations/vectorstores/documentdb)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_community.vectorstores import DocumentDBVectorSearch
```

### Amazon MemoryDB

[Amazon MemoryDB](https://aws.amazon.com/memorydb/) 是一项持久性内存数据库服务，提供超快性能。MemoryDB 兼容 Redis OSS，这是一种流行的开源数据存储，
使您能够使用他们今天已经使用的相同灵活友好的 Redis OSS API 和命令快速构建应用程序。

InMemoryVectorStore 类提供了一个向量存储，用于连接 Amazon MemoryDB。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_aws.vectorstores.inmemorydb import InMemoryVectorStore

vds = InMemoryVectorStore.from_documents(
            chunks,
            embeddings,
            redis_url="rediss://cluster_endpoint:6379/ssl=True ssl_cert_reqs=none",
            vector_schema=vector_schema,
            index_name=INDEX_NAME,
        )
```

查看 [使用示例](/oss/python/integrations/vectorstores/memorydb)。

### Valkey

[Valkey](https://valkey.io/) 是一个开源高性能键值数据存储，支持缓存、消息队列等工作负载，并可作为主数据库使用。使用 ValkeyVectorStore 连接 [Amazon ElastiCache for Valkey](https://aws.amazon.com/elasticache/valkey/) 或 [Amazon MemoryDB for Valkey](https://aws.amazon.com/memorydb/)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_aws.vectorstores import ValkeyVectorStore
```

查看 [使用示例](/oss/python/integrations/vectorstores/valkey)。

## 检索器

### Amazon Kendra

> [Amazon Kendra](https://docs.aws.amazon.com/kendra/latest/dg/what-is-kendra.html) 是由 `Amazon Web Services` (`AWS`) 提供的智能搜索服务
> 服务。它利用先进的自然语言处理 (NLP) 和机器学习算法，实现跨组织内各种数据源的强大搜索功能。
> `Kendra` 旨在帮助用户快速准确地找到所需信息，
> 提高生产力和决策能力。

> 使用 `Kendra`，我们可以搜索各种内容类型，包括文档、常见问题解答、知识库、
> 手册和网站。它支持多种语言，可以理解复杂的查询、同义词和
> 上下文含义，以提供高度相关的搜索结果。

我们需要安装 `langchain-aws` 库。

<CodeGroup>
  ```bash pip theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  pip install langchain-aws
  ```

  ```bash uv theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  uv add langchain-aws
  ```
</CodeGroup>

查看 [使用示例](/oss/python/integrations/retrievers/amazon_kendra_retriever)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_aws import AmazonKendraRetriever
```

### Amazon Bedrock（知识库）

> [Amazon Bedrock 的知识库](https://aws.amazon.com/bedrock/knowledge-bases/) 是
> `Amazon Web Services` (`AWS`) 的一项服务，让您能够使用您的
> 私有数据定制基础模型响应，从而快速构建 RAG 应用程序。

我们需要安装 `langchain-aws` 库。

<CodeGroup>
  ```bash pip theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  pip install langchain-aws
  ```

  ```bash uv theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  uv add langchain-aws
  ```
</CodeGroup>

查看 [使用示例](/oss/python/integrations/retrievers/bedrock)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_aws import AmazonKnowledgeBasesRetriever
```

## 工具

### AWS Lambda

> [`Amazon AWS Lambda`](https://aws.amazon.com/pm/lambda/) 是由
> `Amazon Web Services` (`AWS`) 提供的无服务器计算服务。它帮助开发人员构建和运行应用程序和服务，而无需
> 配置或管理服务器。这种无服务器架构使您能够专注于编写和
> 部署代码，而 AWS 会自动处理扩展、修补和管理运行应用程序所需的
> 基础设施。

我们需要安装 `boto3` Python 库。

<CodeGroup>
  ```bash pip theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  pip install boto3
  ```

  ```bash uv theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  uv add boto3
  ```
</CodeGroup>

查看 [使用示例](/oss/python/integrations/tools/awslambda)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_community.chat_message_histories import DynamoDBChatMessageHistory
```

### Amazon Bedrock AgentCore 浏览器

> [Amazon Bedrock AgentCore 浏览器](https://docs.aws.amazon.com/bedrock-agentcore/latest/devguide/browser-tool.html)
> 使代理能够通过托管的 Chrome 浏览器与网页交互，用于导航、内容提取和 Web 自动化。

<CodeGroup>
  ```bash pip theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  pip install langchain-aws bedrock-agentcore playwright beautifulsoup4
  ```

  ```bash uv theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  uv add langchain-aws bedrock-agentcore playwright beautifulsoup4
  ```
</CodeGroup>

查看 [使用示例](/oss/python/integrations/tools/bedrock_agentcore_browser)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_aws.tools import create_browser_toolkit

# 创建工具包
toolkit, browser_tools = create_browser_toolkit(region="us-west-2")

# 与代理一起使用
agent = create_react_agent(model=llm, tools=browser_tools)
result = await agent.ainvoke(
    {"messages": [{"role": "user", "content": "Go to example.com and get the heading"}]},
    config={"configurable": {"thread_id": "session-1"}}
)

# 完成后清理
await toolkit.cleanup()
```

### Amazon Bedrock AgentCore 代码解释器

> [Amazon Bedrock AgentCore 代码解释器](https://docs.aws.amazon.com/bedrock-agentcore/latest/devguide/code-interpreter-tool.html)
> 使代理能够在安全、托管的沙箱环境中执行 Python、JavaScript 和 TypeScript 代码，用于计算、数据分析和可视化。

<CodeGroup>
  ```bash pip theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  pip install langchain-aws bedrock-agentcore
  ```

  ```bash uv theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  uv add langchain-aws bedrock-agentcore
  ```
</CodeGroup>

查看 [使用示例](/oss/python/integrations/tools/bedrock_agentcore_code_interpreter)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_aws.tools import create_code_interpreter_toolkit

# 创建工具包（异步）
toolkit, code_tools = await create_code_interpreter_toolkit(region="us-west-2")

# 与代理一起使用
agent = create_react_agent(model=llm, tools=code_tools)
result = await agent.ainvoke(
    {"messages": [{"role": "user", "content": "Calculate factorial of 10"}]},
    config={"configurable": {"thread_id": "session-1"}}
)

# 完成后清理
await toolkit.cleanup()
```

## 沙箱

<Columns cols={2}>
  <Card title="AgentCore 沙箱" href="/oss/python/integrations/sandboxes/aws" cta="开始使用" icon="terminal" arrow>
    用于 deepagents 的 Amazon Bedrock AgentCore 代码解释器沙箱后端。
  </Card>
</Columns>

## 图

### Amazon Neptune

> [Amazon Neptune](https://aws.amazon.com/neptune/)
> 是一项高性能图分析和无服务器数据库，具有卓越的扩展性和可用性。

对于下面的 Cypher 和 SPARQL 集成，我们需要安装 `langchain-aws` 库。

<CodeGroup>
  ```bash pip theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  pip install langchain-aws
  ```

  ```bash uv theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  uv add langchain-aws
  ```
</CodeGroup>

### 使用 Cypher 的 Amazon Neptune

查看 [使用示例](/oss/python/integrations/graphs/amazon_neptune_open_cypher)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_aws.graphs import NeptuneGraph
from langchain_aws.graphs import NeptuneAnalyticsGraph
from langchain_aws.chains import create_neptune_opencypher_qa_chain
```

### 使用 SPARQL 的 Amazon Neptune

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_aws.graphs import NeptuneRdfGraph
from langchain_aws.chains import create_neptune_sparql_qa_chain
```

## 内存

### Amazon Bedrock AgentCore 内存

> [Amazon Bedrock AgentCore 内存](https://docs.aws.amazon.com/bedrock-agentcore/latest/devguide/memory.html) 提供
> LangGraph 代理的托管持久化，支持跨会话的对话历史和状态管理，具有自动扩展和高可用性。

<CodeGroup>
  ```bash pip theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  pip install langgraph-checkpoint-aws
  ```

  ```bash uv theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  uv add langgraph-checkpoint-aws
  ```
</CodeGroup>

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langgraph_checkpoint_aws import AgentCoreMemorySaver

# 创建检查点器
checkpointer = AgentCoreMemorySaver(
    memory_id="your-memory-id",
    region_name="us-west-2"
)

# 与 LangGraph 一起使用
graph = workflow.compile(checkpointer=checkpointer)

# 使用 thread_id 和 actor_id 调用以实现对话持久化
config = {
    "configurable": {
        "thread_id": "user-123",
        "actor_id": "my-agent"  # AgentCore 必需
    }
}
result = graph.invoke({"messages": []}, config)
```

关键功能：

* 托管基础设施，无需数据库设置
* 自动扩展和高可用性
* 通过 `actor_id` 隔离支持多代理
* 静态和传输加密

### Amazon Bedrock AgentCore 内存存储

> [Amazon Bedrock AgentCore 内存存储](https://docs.aws.amazon.com/bedrock-agentcore/latest/devguide/memory.html) 提供
> 长期记忆，具有语义搜索功能，用于 LangGraph 代理，支持跨会话存储和检索用户偏好、事实和提取的记忆。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langgraph_checkpoint_aws import AgentCoreMemoryStore

# 初始化长期记忆存储
store = AgentCoreMemoryStore(memory_id="your-memory-id", region_name="us-west-2")

# 在预模型钩子中使用以保存和检索记忆
def pre_model_hook(state, config, *, store):
    actor_id = config["configurable"]["actor_id"]
    thread_id = config["configurable"]["thread_id"]
    namespace = (actor_id, thread_id)

    # 保存一条消息
    store.put(namespace, str(uuid.uuid4()), {"message": msg})

    # 搜索相关记忆
    results = store.search(("preferences", actor_id), query="user preferences", limit=5)
    return {"model_input_messages": state["messages"]}
```

## 回调

### Bedrock 令牌使用情况

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_community.callbacks.bedrock_anthropic_callback import BedrockAnthropicTokenUsageCallbackHandler
```

### SageMaker 跟踪

> [Amazon SageMaker](https://aws.amazon.com/sagemaker/) 是一项完全托管的服务，用于快速
> 轻松地构建、训练和部署机器学习 (ML) 模型。

> [Amazon SageMaker 实验](https://docs.aws.amazon.com/sagemaker/latest/dg/experiments.html) 是 `Amazon SageMaker` 的一项功能
> 允许您组织、跟踪、
> 比较和评估 ML 实验和模型版本。

我们需要安装几个 Python 库。

<CodeGroup>
  ```bash pip theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  pip install google-search-results sagemaker
  ```

  ```bash uv theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  uv add google-search-results sagemaker
  ```
</CodeGroup>

查看 [使用示例](/oss/python/integrations/callbacks/sagemaker_tracking)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_community.callbacks import SageMakerCallbackHandler
```

## 链

### Amazon Comprehend 审核链

> [Amazon Comprehend](https://aws.amazon.com/comprehend/) 是一项自然语言处理 (NLP) 服务，
> 使用机器学习揭示文本中有价值的见解和联系。

我们需要安装 `boto3` 和 `nltk` 库。

<CodeGroup>
  ```bash pip theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  pip install boto3 nltk
  ```

  ```bash uv theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  uv add boto3 nltk
  ```
</CodeGroup>

查看 [使用示例](https://python.langchain.com/v0.1/docs/guides/productionization/safety/amazon_comprehend_chain/)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_experimental.comprehend_moderation import AmazonComprehendModerationChain
```

## 运行时

### Amazon Bedrock AgentCore 运行时

> [Amazon Bedrock AgentCore 运行时](https://docs.aws.amazon.com/bedrock-agentcore/latest/devguide/agents-tools-runtime.html) 提供
> 托管、无服务器执行，用于 LangGraph 代理，具有内置的可观测性、自动扩展和与其他 AgentCore 服务的无缝集成。

<CodeGroup>
  ```bash pip theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  pip install bedrock-agentcore
  ```

  ```bash uv theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  uv add bedrock-agentcore
  ```
</CodeGroup>

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from bedrock_agentcore.runtime import BedrockAgentCoreApp

app = BedrockAgentCoreApp()

@app.entrypoint
def agent_invocation(payload, context):
    result = graph.invoke({"messages": [{"role": "user", "content": payload["prompt"]}]})
    return {"result": result["messages"][-1].content}

app.run()
```

使用 AgentCore CLI 部署：

```bash theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
# 配置您的代理
agentcore configure

# 部署到 AgentCore 运行时
agentcore launch -e your_agent.py
```

***

<div className="source-links">
  <Callout icon="edit">
    [Edit this page on GitHub](https://github.com/langchain-ai/docs/edit/main/src/i18n\zh-CN\oss\python\integrations\providers\aws.mdx) or [file an issue](https://github.com/langchain-ai/docs/issues/new/choose).
  </Callout>

  <Callout icon="terminal-2">
    [Connect these docs](/use-these-docs) to Claude, VSCode, and more via MCP for real-time answers.
  </Callout>
</div>