AWS Bedrock Agents против Azure AI Agent Service: что выбрать

Вы решили не писать оркестрацию агента с нуля на LangChain, а взять управляемый сервис у облачного провайдера. Два очевидных кандидата — Amazon Bedrock Agents и Azure AI Agent Service (часть Azure AI Foundry). Оба закрывают одну задачу: LLM получает пользовательский запрос, сам решает, какие инструменты вызвать, подтягивает документы из хранилища и возвращает ответ. Разница в том, как они считают деньги, какие модели дают и насколько глубоко вы завязаны на экосистему провайдера.

Что это за сервисы и чем они отличаются по сути

Bedrock Agents — надстройка над Amazon Bedrock, единым API к моделям Anthropic Claude, Amazon Nova/Titan, Meta Llama, Mistral и других. Агент описывается через инструкции, группы действий (action groups) и подключённые базы знаний (Knowledge Bases). Инструменты вы задаёте либо OpenAPI-схемой с бэкендом на AWS Lambda, либо через новый формат прямого вызова функций.

Azure AI Agent Service работает поверх Azure AI Foundry и опирается на модели OpenAI (GPT-4o, GPT-4.1, o-серия), а также каталог моделей Foundry — Llama, Mistral, Cohere. Инструменты подключаются через встроенные коннекторы (Bing Grounding, Azure AI Search, File Search, Code Interpreter) и через собственные функции. API преднамеренно повторяет логику OpenAI Assistants: треды, сообщения, раны.

Выбор между этими сервисами — это чаще выбор экосистемы, чем выбор фич. Если вся ваша инфраструктура уже в одном облаке, второй провайдер должен давать что-то, чего нет у первого, чтобы оправдать второй биллинг и второй контур безопасности.

Сравнение по ключевым параметрам

Таблица ниже отражает состояние на конец 2024 — начало 2025 года. Названия моделей, лимиты и особенно цены на токены у обоих провайдеров меняются часто, поэтому итоговую стоимость всегда сверяйте на актуальных страницах прайсинга AWS и Azure.

Модели

Главный водораздел — доступ к моделям. Если вам критичен Claude последней версии, естественный дом для него — Bedrock. Если ставка на GPT-4o и o-серию, их первичная и обычно самая свежая площадка — Azure. Обе платформы дают чужие open-weight модели (Llama, Mistral), но флагманы OpenAI и Anthropic каждый держит на своей стороне.

Инструменты и RAG

У Bedrock инструмент — это почти всегда Lambda-функция за OpenAPI-схемой. Плюс: вы полностью контролируете код и уже платите за Lambda. Минус: больше движущихся частей. Azure идёт от готовых коннекторов: File Search и Bing Grounding подключаются декларативно, без написания бэкенда, но за встроенные компоненты идёт отдельная тарификация.

Мини-пример: вызов агента через SDK

Логика вызова у обоих сводится к «отправить сообщение — получить ответ», но интерфейсы разные. Ниже — сокращённые фрагменты, чтобы почувствовать разницу в API.

import boto3

client = boto3.client("bedrock-agent-runtime")
response = client.invoke_agent(
    agentId="AGENT_ID",
    agentAliasId="ALIAS_ID",
    sessionId="session-1",
    inputText="Сколько заказов за апрель?",
)
for event in response["completion"]:
    if "chunk" in event:
        print(event["chunk"]["bytes"].decode())

Azure ближе к модели OpenAI Assistants: вы создаёте тред, кладёте в него сообщение и запускаете ран.

from azure.ai.projects import AIProjectClient
from azure.identity import DefaultAzureCredential

project = AIProjectClient(endpoint="ENDPOINT", credential=DefaultAzureCredential())
thread = project.agents.threads.create()
project.agents.messages.create(
    thread_id=thread.id, role="user", content="Сколько заказов за апрель?"
)
run = project.agents.runs.create_and_process(
    thread_id=thread.id, agent_id="AGENT_ID"
)

Имена методов и модулей в SDK регулярно меняются между превью-версиями — перед копированием сверяйтесь с текущей документацией. Смысл важнее сигнатур: Bedrock мыслит вызовами агента, Azure — тредами и ранами.

Как выбирать под задачу

Порядок рассуждения, который экономит недели:

1. Где уже лежат ваши данные и работает команда — начинайте оттуда, второй биллинг и второй IAM-контур стоят дороже, чем кажется.
2. Какая модель нужна для качества ответа. Claude — повод смотреть Bedrock, GPT-4o и o-серия — повод смотреть Azure.
3. Сколько инструментов и насколько они кастомные. Много своего кода — Lambda-подход Bedrock ложится естественно. Нужны готовые поиск и веб-граундинг — коннекторы Azure экономят разработку.
4. Требования к приватности данных: где хранятся эмбеддинги, покидают ли запросы регион, какие модели можно использовать по вашей политике.
5. Прикидка стоимости на реальном трафике. Считайте не только токены модели, но и хранилище RAG, вызовы функций и встроенные компоненты.

Оба сервиса на момент написания активно развиваются и части функций проходят через статус preview^*. Это значит, что API и цены могут поменяться до общей доступности — закладывайте это в план миграции и не стройте жёстких абстракций вокруг сырых интерфейсов.

^* preview — режим предварительного доступа к функции облака: работает, но без гарантий стабильности API и уровня SLA обычного продакшена. Интерфейсы в preview провайдер вправе изменить или убрать.