Amazon Bedrock 三种方式实现编程式工具调用（PTC）：自建 Docker 沙箱、托管 Code Interpreter 与 Anthropic

一句话看懂

AWS 发布三种编程式工具调用（PTC）实现方案，让模型一次性生成 Python 代码执行多工具调用，减少延迟与 token 消耗，适用于数据处理、数值计算等场景。

详细发生了什么

传统工具调用中，模型每调用一个工具就需要一次完整推理往返：调用工具、接收结果、推理、再调用下一个。对于需要多次工具调用的工作流（如“哪些工程团队成员 Q3 差旅超支？”），这种模式会带来累积延迟和大量 token 消耗——每个中间结果都要进入模型 context window。

编程式工具调用（PTC）改变了这一模式：模型只采样一次，生成一段 Python 代码，代码在沙箱环境中执行，通过 asyncio.gather() 并行调用工具、在 Python 中进行过滤和聚合，最终只将处理后的结果返回给模型 context window。例如，上述差旅审计场景中，传统方式需要 20+ 次工具调用、2000 条原始记录进入 context，而 PTC 只需两次模型采样（生成代码 + 解释输出），中间数据不接触模型。

AWS 在博客中详细介绍了三种实现方式：

自托管方案：基于 Amazon ECS 的 Docker 沙箱，提供最大控制权，支持 Bedrock 上所有模型（Claude、Qwen、Llama 等），可自定义 Python 包和安全策略。
托管方案：使用 Amazon Bedrock AgentCore Code Interpreter，无需管理基础设施。
Anthropic SDK 兼容代理：通过代理层为偏好 Anthropic SDK 的团队提供熟悉的开发体验。

核心在于系统提示词设计：将工具定义注入 system prompt，指导模型生成单块、异步、带 print() 输出的 Python 代码。

中文圈视角

国内用户能用吗？ 可以。Amazon Bedrock 已在新加坡、东京等亚太区域可用，但中国大陆用户需通过 AWS 全球账号或合规渠道访问。对于已使用 AWS 的出海企业或科研机构，PTC 能显著降低多工具调用场景的 API 成本。

国产平替与对比：国内类似服务如阿里云百炼、百度千帆、华为云盘古均支持工具调用（function calling），但尚未公开提供类似 PTC 的编程式执行沙箱。开发者可参考 AWS 的自托管思路，在国产云上搭建 Docker 沙箱 + 国产模型（如 Qwen、DeepSeek）实现类似效果。

对中文用户的具体场景：

数据处理：金融报表、电商订单分析等需要多步过滤聚合的任务，PTC 可减少 80%+ 的 API 调用次数。
编程辅助：模型生成完整脚本而非逐步骤对话，适合自动化测试、批量文件处理。
隐私合规：原始数据在沙箱内处理，不进入模型 context，对数据出境敏感的企业更有吸引力。

盲点：国内讨论多集中在 function calling 的“工具定义”层面，较少关注“模型写代码执行”这一范式。PTC 本质是代码生成 + 沙箱执行，与 OpenAI Code Interpreter 类似，但更轻量、可定制。

几条值得记住的细节

PTC 核心：模型只采样两次（生成代码 + 解释输出），中间工具调用在沙箱内完成，无额外推理。
自托管方案：使用 ECS Docker 沙箱，支持 Bedrock 上所有模型（Claude、Qwen、Llama、Nova 等），可自定义 Python 包。
托管方案：Amazon Bedrock AgentCore Code Interpreter 无需管理基础设施，适合快速集成。
系统提示词关键：必须指导模型使用 await 异步调用、print() 输出结果，且所有操作在单代码块内完成。
适用场景：大规模数据处理、精确数值计算、多步骤流程编排、隐私敏感场景。

一句话总结

如果你在 AWS 上构建多工具调用应用，PTC 能大幅降低延迟和成本，值得优先尝试自托管或托管方案。