Amazon Web Services додав до Bedrock AgentCore підтримку cross-account knowledge bases — можливість, яка дозволяє AI-агентам, розгорнутим в одному AWS-акаунті, напряму звертатися до баз знань Bedrock Knowledge Bases, що зберігаються в іншому акаунті, без копіювання чи синхронізації даних.

Для великих організацій це закриває болючу дірку. У типовій enterprise-структурі AWS дані рідко живуть там само, де агенти: команда data governance тримає векторні індекси й документи в одному акаунті з жорсткими політиками доступу, а продуктова команда розгортає AI-агентів в іншому — з власним білінгом, IAM-межами й циклом релізів. До цього оновлення підключити агента до чужої бази знань означало або дублювати дані (з ризиком розсинхрону й подвійними витратами на зберігання), або зводити обидва компоненти в один акаунт, жертвуючи ізоляцією.

За нашою оцінкою, це рутинне, але показове доповнення: AWS підганяє AgentCore під те, як реально влаштовані великі AWS-організації — з десятками акаунтів під landing zone, а не під один спільний простір.

Що саме дозволяє нова функція?

Агент, розгорнутий на AgentCore в акаунті A, тепер може напряму запитувати Bedrock Knowledge Base, що фізично існує в акаунті B. За даними AWS ML, агент отримує доступ до чужої бази знань напряму, без окремого ETL-процесу, який копіював би документи чи ембединги між акаунтами.

Практично це означає, що дані знань залишаються під контролем власника — того акаунту, де діють його політики шифрування, аудиту й retention, — а споживає їх агент з іншого акаунту, підпорядкований своїм власним правилам розгортання.

Чому проблема з акаунтами взагалі виникла?

AWS роками рекомендує multi-account стратегію через AWS Organizations: окремі акаунти під продакшн, стейджинг, дата-платформу, кожну бізнес-юніт чи навіть кожного клієнта в агентських/SaaS-моделях. Це стандарт для контролю blast radius і білінгу.

Проблема в тому, що агентні фреймворки зазвичай проєктували в припущенні «один акаунт — усі ресурси поруч». Коли AWS почав просувати AgentCore як керовану платформу для продакшн-агентів, розбіжність між multi-account реальністю клієнтів і single-account дизайном платформи стала вузьким місцем — особливо для компаній, де дані регулюються окремо від compute.

Кому це реально полегшить роботу?

Для стартапів і команд з одним AWS-акаунтом ця функція практично непомітна — вона вирішує проблему, якої в них немає.

Що з цим робити AI-білдерам зараз?

Якщо ваша компанія вже розділяє AWS-акаунти за принципом найменших привілеїв, варто переглянути архітектуру AgentCore-агентів: можливо, більше не потрібно тримати копію бази знань поруч із compute. Це прибирає окремий пайплайн синхронізації і точку, де дані можуть розійтися.

Водночас варто заздалегідь перевірити межі доступу при підключенні до чужого акаунту — розширення поверхні довіри між акаунтами саме по собі створює новий вектор, який варто окремо аудитувати, а не просто увімкнути й забути. Подібна логіка спільного контексту між агентами вже з'являється й на рівні окремих моделей — ми розбирали, як Claude отримав єдину пам'ять для агентів, що піднімає схожі питання довіри між сесіями.

Висновок AiiN

Наша теза: cross-account knowledge bases — це не проривна фіча, а визнання того, що продакшн-агенти живуть у корпоративній інфраструктурі, а не в демо-акаунті одного розробника. AWS системно прибирає бар'єри між «де є дані» і «де працює агент» — подібні кроки для інших сервісів AWS з часом ставали стандартом інтеграції. Компанії, що будують enterprise-агентів на AgentCore, отримують менше причин копіювати дані і більше причин довіряти AWS у ролі клею між акаунтами.

Що таке Bedrock AgentCore?

Bedrock AgentCore — керована платформа AWS для розгортання й запуску AI-агентів у продакшні, яка бере на себе інфраструктурні задачі: пам'ять, ідентифікацію, спостережуваність та інтеграцію з інструментами й базами знань.

Чи потрібно платити окремо за cross-account доступ?

Джерело AWS ML не деталізує окрему тарифікацію саме за цю функцію — орієнтуйтеся на стандартну модель оплати Bedrock Knowledge Bases і AgentCore та перевіряйте актуальний прайсинг перед впровадженням.

Чи працює це з будь-якою базою знань Bedrock?

За описом AWS ML, функція розрахована на бази знань, створені через Bedrock Knowledge Bases в іншому AWS-акаунті, а не на довільні зовнішні джерела даних поза AWS.