Multi-Agent 运维架构设计：CI&T 如何用 Supervisor + 5 专项 Agent 重构全球 IoT 运维

背景

CI&T 为全球 IoT 企业构建了基于 AWS IoT Core 的多区域部署架构。随着规模扩大，传统运维面临三个瓶颈：跨区域数据分散、专家经验难以规模化、手动巡检滞后。

架构设计

Multi-Agent 层级

Supervisor Agent 作为调度中心，负责任务拆分、子 Agent 调度和结果汇总。五个领域 Agent 各负其责：

Agent	领域	核心能力
FinOps	成本	趋势分析、异常检测、优化建议
Platform Ops	平台	日志深挖、服务健康评估
Security Ops	安全	IAM 审计、凭证检查、风险识别
Connectivity Ops	网络	延迟监控、流量分析、SSL 证书
BizOps	业务	行为趋势、业务指标分析

单 Agent vs 多 Agent 的选型依据：每个运维领域需要不同的领域知识和 API 调用模式。单 Agent 的 system prompt 无法承载全栈运维知识，且领域间可能互相干扰。多 Agent 方案的代价是调度复杂度增加，但 Supervisor 模式有效管控了这一点。

Skills 层：能力标准化

Agent 不直接调用 AWS CLI/API，而是通过标准化 Skill 执行任务。这一设计解决了三个问题：

1. 封装复杂逻辑：Cost Explorer + Pricing API 的多步调用封装为单个 Skill
2. 解耦底层依赖：API 变更只影响 Skill，不影响 Agent 逻辑
3. 能力沉淀：运维经验从人脑转化为系统资产

这与 Kiro Skills、agentskills.io 标准的设计哲学一致——确定性操作封装为可复用模块。

自动巡检体系

定期触发(Supervisor) → 并行分析(5 Agents) → 智能汇总(统一报告)

核心价值：从"被动响应"转为"主动发现"。不是替代 Dashboard，而是补充了 Dashboard 缺乏的持续执行和跨领域关联分析能力。

企业级部署：AgentCore

开发验证在 OpenClaw 上完成后，生产环境部署到 Amazon Bedrock AgentCore：

• Serverless 按需付费：定时巡检"运行几分钟闲 23 小时"的模式，比常驻实例省成本
• 安全隔离：每用户独立沙箱
• 企业治理：预设规则防越权
• 可观测性：内置监控

工程取舍

适合：

• 跨区域多服务运维
• 需要多维度（成本+安全+性能）综合分析
• 有定期巡检需求的团队

不适合：

• 运维范围单一（单服务单区域），单 Agent 即可
• 需要实时响应（< 1 秒）的场景，Multi-Agent 调度有开销

与 CloudWatch/DataDog 的关系：互补而非替代。监控工具提供数据采集和可视化，Agent 提供智能分析和主动发现。

---

参考资料

• CI&T 智能运维最佳实践（官博）
• Amazon Bedrock AgentCore
• AWS IoT Core