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

# AWS（亚马逊）集成

> 使用 LangChain Python 与 AWS（亚马逊）集成。

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

## 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 `AI21 Labs`、`Anthropic`、`Cohere`、`Meta`、`Stability AI` 和 `Amazon` 等领先 AI 公司的高性能基础模型（FMs）选择，以及构建安全、隐私和负责任 AI 的生成式 AI 应用程序所需的广泛功能集。使用 `Amazon Bedrock`，您可以轻松地为您的用例试验和评估顶级基础模型，使用微调和 `检索增强生成`（`RAG`）等技术使用您的数据对其进行私有定制，并构建使用您的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，并且可以使用您已经熟悉的 AWS 服务安全地将生成式 AI 功能集成并部署到您的应用程序中。

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 维护着一个 [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。可以使用 [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地在任何规模下创建、发布、维护、监控和保护 API。API 充当应用程序访问后端服务数据、业务逻辑或功能的“前门”。使用 `API Gateway`，您可以创建 RESTful API 和 WebSocket API，以实现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个并发 API 调用所涉及的所有任务，包括流量管理、CORS 支持、授权和访问控制、节流、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 调用和传出的数据量付费，并且通过 `API Gateway` 的分层定价模型，您可以随着 API 使用量的扩展而降低成本。

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/) 是一个可以使用完全托管的基础设施、工具和工作流来构建、训练和部署机器学习（ML）模型的系统。

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

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 使用示例](/oss/python/integrations/document_loaders/aws_s3_directory)。

查看 [S3FileLoader 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，可自动从扫描的文档中提取文本、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/) 是一项基于开源框架构建的无服务器交互式分析服务，支持开放表和文件格式。

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 Data Catalog](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、访问和共享存储在 AWS 中的数据的元数据。它充当您数据资产的元数据存储，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 Service

> [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` 是一个源自 `Elasticsearch` 的开源分布式搜索和分析套件。`Amazon OpenSearch Service` 提供最新版本的 `OpenSearch`，支持多个版本的 `Elasticsearch`，以及由 `OpenSearch Dashboards` 和 `Kibana` 提供支持的可视化功能。

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 (with MongoDB Compatibility)](https://docs.aws.amazon.com/documentdb/) 使得在云中设置、操作和扩展与 MongoDB 兼容的数据库变得非常简单。
> 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，以及向量搜索的强大功能。

#### 安装与设置

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 (with MongoDB Compatibility)](https://docs.aws.amazon.com/documentdb/) 是一个快速、可靠且完全托管的数据库服务。Amazon DocumentDB 使得在云中设置、操作和扩展与 MongoDB 兼容的数据库变得非常简单。

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 [Amazon Web Services 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/) 是一个持久的内存数据库服务，提供超快的性能。MemoryDB 与流行的开源数据存储 Redis OSS 兼容，使您能够使用与今天相同的灵活且友好的 Redis OSS API 和命令快速构建应用程序。

InMemoryVectorStore 类提供了一个用于连接 Amazon MemoryDB 的向量存储。

```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、高性能的键/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。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`，我们可以搜索多种内容类型，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）

> [Knowledge bases for Amazon Bedrock](https://aws.amazon.com/bedrock/knowledge-bases/) 是一项 `Amazon Web Services`（`AWS`）服务，允许您使用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，无需预置或管理服务器。这种无服务器架构使您能够专注于编写和部署代码，而 AWS 自动负责扩展、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 Browser](https://docs.aws.amazon.com/bedrock-agentcore/latest/devguide/browser-tool.html) 使代理能够通过托管的 Chrome 浏览器与网页进行交互，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 Code Interpreter](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="AgentCoreSandbox" href="/oss/python/integrations/sandboxes/aws" cta="开始使用" icon="terminal" arrow>
    Amazon Bedrock AgentCore 代码解释器沙箱后端，用于深度代理。
  </Card>
</Columns>

## 图

### Amazon neptune

> [Amazon Neptune](https://aws.amazon.com/neptune/)
> 是一个高性能图分析和无服务器数据库，提供卓越的可扩展性和可用性。

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
```

## 记忆

### Amazon Bedrock AgentCore 记忆

> [Amazon Bedrock AgentCore Memory](https://docs.aws.amazon.com/bedrock-agentcore/latest/devguide/memory.html) 为 LangGraph 代理提供托管持久化，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
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 进行对话持久化
config = {
    "configurable": {
        "thread_id": "user-123",
        "actor_id": "my-agent"  # AgentCore 必需
    }
}
result = graph.invoke({"messages": []}, config)
```

主要特性：

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

### Amazon Bedrock AgentCore 记忆存储

> [Amazon Bedrock AgentCore Memory Store](https://docs.aws.amazon.com/bedrock-agentcore/latest/devguide/memory.html) 为 LangGraph 代理提供具有语义搜索功能的长期记忆，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

```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 Experiments](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，使用机器学习从文本中发现有价值的见解和关联。

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 Runtime](https://docs.aws.amazon.com/bedrock-agentcore/latest/devguide/agents-tools-runtime.html) 为 LangGraph 代理提供托管、无服务器的执行环境，具有内置的可观测性、自动扩展以及与其他 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="terminal-2">
    [将这些文档](/use-these-docs)通过 MCP 连接到 Claude、VSCode 等，以获取实时答案。
  </Callout>

  <Callout icon="edit">
    [在 GitHub 上编辑此页面](https://github.com/langchain-ai/docs/edit/main/src/oss/python/integrations/providers/aws.mdx) 或 [提交问题](https://github.com/langchain-ai/docs/issues/new/choose)。
  </Callout>
</div>