AWS 机器学习 ↗ · 2026-11-20 04:01 · UTC+8
Amazon Bedrock AgentCore 增强 Strands 默认设置与工具
媒体报道 AWS 机器学习 原文语言:英文
Amazon Bedrock 更新了 AgentCore harness,采用开源的 Strands harness 并加入生命周期钩子、默认模型、任务指令、自动提示缓存以及上下文管理等功能,提升长任务执行效率并降低约34%代币成本。该升级无需额外资源配置,直接在现有服务中生效。
全文
Amazon Bedrock AgentCore 框架添加了 Strands 框架默认设置、内置工具和生命周期钩子
在构建 AI 代理时,选择模型只是第一步。代理仍然需要工具、完成任务的指令、在长会话中管理上下文增长的方式,以及在执行任何重要操作(如发放退款)之前的安全防护。
我们正在升级 Amazon Bedrock AgentCore 框架,以使用 Strands 框架——我们今年早些时候发布的开源代理框架,采用 Apache 2.0 许可证。AgentCore 框架还引入了生命周期钩子,您可以在代理循环的特定点应用自己的确定性检查和通知。
通过此升级,依赖托管默认设置的代理将获得推荐模型、面向任务的系统提示、自动提示缓存(最初针对 Amazon Bedrock 上的 Anthropic 模型)以及主动上下文管理。它们还将获得用于规划、网络检索、文件系统访问、上下文卸载和任务委派的额外内置工具。这使得代理在长任务期间具备更强的能力,能够跟踪子任务、降低上下文窗口使用并委派工作。借助钩子,您可以通过在特定生命周期检查点运行确定性代码,将非确定性 AI 行为转化为可预测、安全且受治理的工作流。
无需新的资源类型或集成即可采用。您使用的 AgentCore 框架会自动获得这两项更新。
Strands 在 AWS 上的能力
Strands 框架提供了一个组装好的代理基础,包含推荐的指令、工具和上下文管理。Amazon Bedrock AgentCore 框架将该基础作为托管的 AWS 服务运行。其结果是一个生产级的默认代理,您无需自行组装和运营框架或其基础设施。
您无需配置计算资源、打包并托管代理循环、管理会话扩展,或运营工具执行基础设施。每个会话都在 AgentCore 运行时的安全、内核隔离的微型虚拟机中运行,这是 Amazon Bedrock AgentCore 的一项能力,具备托管的计算、扩展和高可用性。
AgentCore 通过将框架连接到生产代理所需的服务实现上述功能,包括会话持久化、流式响应、使用元数据、可观测性、AgentCore 内存、身份、网关、浏览器、代码解释器以及客户提供的容器。您仍然可以控制模型、指令、工具、权限和生命周期策略,而 AgentCore 管理底层执行环境。
更强大的托管框架
在使用托管默认设置时,框架现在提供了更强的体验:
当前推荐模型。当您省略模型时,框架使用一个推荐的默认模型,随着新模型的发布而演进,始终保持您的框架最新。显式的框架级和每次调用的模型配置仍然具有最高优先级。
面向任务的指令。托管系统提示鼓励代理收集相关上下文、使用合适的工具、持续执行直至任务完成、在失败或被拒绝的操作时进行适应,并在报告完成前验证其工作。默认系统提示会随时间改进,以支持最新的框架行为。
自动提示缓存。对于使用 Amazon Bedrock 上 Converse 的受支持模型,框架会缓存系统提示、工具定义和对话历史。对相同提示和工具表面的重复调用可以使用更低价的缓存读取 token,降低输入处理延迟和成本。
主动上下文管理。默认情况下,当上下文窗口达到可配置阈值时,框架会对较早的对话轮次进行摘要,同时保留最近的上下文。以这种方式保持上下文精简,可使框架的 token 成本比其他领先框架低约 34%。
上下文卸载。大型工具结果可以移出即时模型上下文。代理收到预览后,可在需要时检索完整结果,从而在不失去数据访问的情况下减少重复的上下文使用。
跨调用规划。todo_write 工具维护结构化的任务计划,可在同一会话的后续调用中恢复,包括在对话摘要之后。
聚焦委派。subagent 工具将一个自包含任务委派给一个全新的工作者,并将结果返回给父代理。该工作者在调用内部,而不是单独管理的 harness 资源,并共享调用限制和您的工具调用生命周期钩子。
网页检索。web_fetch 工具从指定网页检索内容,为您的 harness 提供最新的外部上下文。
细粒度文件系统访问。通过独立的读取、写入和编辑工具,您可以仅授予代理所需的细粒度文件系统能力。
客户提供的模型上下文协议(MCP)服务器、AgentCore Gateway(Amazon Bedrock AgentCore 的一项功能)、浏览器、代码解释器、内联函数、技能、记忆以及客户提供的容器仍通过现有的 harness 接口工作。
默认推荐,可在需要时配置
Harness 管理其默认设置,使使用这些设置的代理能够获得当前 AgentCore 推荐的体验,随着模型、指令、上下文管理和内置功能的改进而提升。
显式配置始终优先:
配置模型 ID 以继续使用特定模型。
配置 systemPrompt 以完全替换托管的系统提示。
配置 truncation 以保持特定的上下文管理策略。
列出单独的 allowedTools 选择器以保持固定的工具集合。
当 omitted 或设置为 ["*"] 时,Harness 提供当前推荐的内置工具集。由于该集合可能随时间获得新能力,具有固定安全或功能边界的应用应仅列出所需的工具。
例如,以下配置允许只读文件系统访问和网页检索,而不授予 shell 访问或文件修改权限:
{ "allowedTools": [ "read", "web_fetch" ] }
通过生命周期钩子管理后果性操作
使用生命周期钩子,您可以在代理循环的定义点运行自己的确定性代码。例如,AWS Lambda 函数可以允许或拒绝请求或工具调用,Amazon Simple Notification Service(SNS)主题或 Amazon EventBridge 事件总线可以接收通知以记录活动或启动异步工作流。
Harness 支持四种生命周期事件:
事件 运行时 Lambda 拒绝的效果
before_invocation 在代理处理请求之前 停止调用并返回 hook_stopped
before_tool_call 在模型提出工具调用之后、执行之前 跳过该工具调用,代理循环继续
after_tool_call 在工具结果产生后 保留结果并在进一步推理前停止
after_invocation 调用完成后 报告决定。已流式输出的内容无法撤回
只有 Lambda 钩子可以改变代理循环。它们同步运行并返回 allow 或 deny,可选附带原因。SNS 和 Amazon EventBridge 钩子仅为通知,不阻塞代理循环。
例如,客户支持代理可以自行调查订单,而 before_tool_call 钩子在退款工具运行前检查每笔退款是否超过批准限额。以下配置将该 Lambda 函数附加到 harness:
[ { "beforeToolCall": { "name": "refund_policy", "target": { "lambda": { "arn": "arn:aws:lambda:us-west-2:123456789012:function:refund-policy", "timeoutSeconds": 10, "failureMode": "deny" } } } } ]
函数在钩子负载中接收提议的工具调用并返回决定:
def lambda_handler(event, _context): tool = event["context"] if tool["toolName"] == "issue_refund" and tool["toolInput"]["amount"] > 500: return {"decision": "deny", "reason": "Refund exceeds the $500 auto-approval limit."} return {"decision": "allow"}
当函数拒绝调用时,harness 跳过退款,代理继续运行,从而可以告知客户请求已升级。每个决定也会出现在 InvokeHarness 响应流中作为 hookEvent:
{ "hookEvent": { "name": "refund_policy", "type": "before_tool_call", "decision": "deny", "reason": "Refund exceeds the $500 auto-approval limit." } }
钩子同样适用于子代理。当代理委派任务时,子代理的每一次工具调用都会经过相同的 beforeToolCall 和 afterToolCall 钩子,因此委派无法绕过您的退款政策。调用级别的钩子(beforeInvocation、afterInvocation)在整个调用期间仅运行一次。
您可以使用 CreateHarness 或 UpdateHarness 配置钩子。如果 Lambda 函数超时或返回错误,钩子将应用其 failureMode,其默认值为 deny。有关超时、负载字段和上下文限制,请参阅 Amazon Bedrock AgentCore 开发人员指南中的 Lifecycle hooks。
若要查看每个事件和目标类型协同工作,请尝试 GitHub 上的 Amazon Bedrock AgentCore 示例存储库中的 Refund Desk 示例。六步引导式演练展示了全部四个生命周期事件以及 AWS Lambda、Amazon SNS 和 Amazon EventBridge 目标。它还展示了客户端提供的内联函数结果的验证,以及 failureMode 的 deny 与 allow 之间的区别。
使用 AgentCore CLI 运行多代理研究协调器
创建 harness 只需一条命令。您为其命名并设置所需的指令、上下文策略和限制。此示例创建一个 Research Coordinator:一个具有面向任务的系统提示和基于摘要的截断的 harness。在一次调用中,它将研究员、综合员和审核员作为子代理运行,并返回一份整合报告。您无需预置基础设施或自己配置委托,即可获得多代理编排和上下文管理。
agentcore harness 命令直接调用 harness API,因此您不需要 CLI 项目或部署步骤。使用 npm 安装 AgentCore CLI(Amazon Bedrock AgentCore 的一项功能):
npm install -g @aws/agentcore
该 CLI 使用您的默认 AWS 凭证。它没有 --profile 标志,因此如果需要特定配置文件,请设置 AWS_PROFILE 环境变量。将示例中的协调器指令保存为工作目录中的 system_prompt.md。
创建 harness
该命令传递协调器的系统提示、一项摘要策略(在对话增长时保持最近 30 条消息完整),以及足以完成整个工作流的限制。由于省略了模型、内存和执行角色,harness 将使用当前 AgentCore 推荐模型和托管内存,CLI 会在 IAM 中为您创建执行角色。
HARNESS_ID=$(agentcore harness create --region us-west-2 --json \ --name ResearchCoordinator \ --system-prompt "$(cat system_prompt.md)" \ --truncation '{"strategy":"summarization","config":{"summarization":{"summaryRatio":0.3,"preserveRecentMessages":30}}}' \ --max-iterations 100 \ --timeout-seconds 3600 \ | jq -r '.harness.harnessId')
创建是异步的。等待创建完成。最后一条命令应打印 READY:
while [ "$(agentcore harness get --region us-west-2 --id "$HARNESS_ID" --json | jq -r '.harness.status')" = CREATING ]; do sleep 10; done agentcore harness get --region us-west-2 --id "$HARNESS_ID" --json | jq -r '.harness.status'
发送提示
使用新的会话 ID 调用您的 harness。从一个基本问题开始。协调器直接回答它,而不调用其子代理:
SESSION_ID=$(uuidgen) agentcore harness invoke --region us-west-2 \ --id "$HARNESS_ID" \ --session-id "$SESSION_ID" \ --prompt "What is the current trending topic in AI?"
然后在同一会话中请求完整的研究报告。协调器规划工作并依次委托给研究员、综合员和审核员。如果审核员提出要求,它最多运行一次修订周期,并交付最终报告。重用会话 ID 可在同一环境中继续对话。
agentcore harness invoke --region us-west-2 \ --id "$HARNESS_ID" \ --session-id "$SESSION_ID" \ --prompt "Perform a full research report on how data shapes innovations in the tech industry. Use specialized subagents to complete this task. In the final output, clearly state which part each subagent was responsible for, followed by their specific findings."
使用 --prompt,CLI 会在回合结束时以 JSON 格式打印完成的转录内容。研究运行大约需要 10 到 15 分钟。若要跟踪其工作过程,请省略 --prompt,CLI 将打开交互式聊天。
GitHub 上的 AgentCore 示例存储库中提供了相同的 Python (boto3) 示例,包括完整的系统提示。
清理
完成后删除 harness。除非传递 --delete-managed-memory false,否则这也会删除其托管内存。CLI 创建的执行角色将保留在您的账户中,因此如果不再需要,请在 IAM 控制台中删除它。
agentcore harness delete --region us-west-2 --id "$HARNESS_ID"
推出和兼容性
11月11日,AgentCore harness 开始向新旧 harness 推送由 Strands harness 支持的体验。客户无需采取任何操作。
您显式提供的配置保持不变。省略了模型、系统 prompt 或截断配置,或者使用了 allowedTools: ["*"] 的 harness 将获得升级后的托管默认设置。
如果您的应用程序需要固定的行为或固定的功能边界,请显式配置这些设置。
了解更多
像往常一样创建和调用 AgentCore harness。使用托管默认设置以获得完整的当前推荐体验,或者在应用程序需要固定行为时配置单个设置。
Strands harness 公告。
开始使用 AgentCore harness。
托管的系统 prompt。
AgentCore harness API 参考。
生命周期钩子。
Refund Desk 生命周期钩子代码示例。
我们期待看到您使用升级后的 AgentCore harness 构建出色的成果。
正文为 AI 译文。