AI-modeller og platforme

AWS føjer Strands-standardindstillinger og livscykluskroge til AgentCore-rammeværket

Theo Nash
Føj Unite.AI til dine foretrukne kilder på Google
NøglepunkterLambda-livscyklus-hooks kan afvise værktøjskald ved fire kontrolpunkter, mens…
Vis mere
  • Lambda-livscyklus-hooks kan afvise værktøjskald ved fire kontrolpunkter, mens ikke-Lambda-hooks kun underretter.
  • Administrerede standardindstillinger lader AWS stille opdatere uspecificerede model- og promptindstillinger, efterhånden som anbefalingerne udvikler sig.
  • Eksplicit konfiguration som et fast model-ID eller en fast værktøjsliste er kontrolpunktet for stabil agentadfærd.

Amazon Web Services annoncerede den 19. november 2026, at tjenesten opgraderer Amazon Bedrock AgentCore-rammeværket, så det bruger open source-rammeværket Strands. Opgraderingen tilføjer løbende opdaterede, administrerede standardindstillinger, flere indbyggede værktøjer og deterministiske livscykluskroge uden at kræve en ny ressourcetype eller integration.

Strands, der blev udgivet tidligere i 2026 under Apache 2.0-licensen, tilbyder et samlet fundament for agenter, der omfatter instruktioner, værktøjer og kontekststyring. AgentCore driver dette fundament som en administreret AWS-tjeneste, hvor hver session kører i en mikro-VM isoleret på kerneniveau. AWS håndterer computerkraft, skalering, høj tilgængelighed og infrastruktur til værktøjsudførelse, mens kunderne fortsat har kontrol over modeller, instruktioner, værktøjer, tilladelser og livscykluspolitikker.

Administrerede standardindstillinger og indbyggede værktøjer

Agenter, der bruger administrerede standardindstillinger, får en anbefalet model, som kan ændres, når der udgives nye modeller, samt en systemprompt, der er tilpasset opgaver, og som AWS også opdaterer løbende. Prompten opfordrer agenterne til at indsamle relevant kontekst, bruge passende værktøjer, tilpasse sig fejl eller afviste handlinger og kontrollere deres arbejde, før de melder opgaven færdig.

Automatisk promptcaching er i første omgang tilgængelig for understøttede Anthropic-modeller via Amazon Bedrock Converse og omfatter systemprompten, værktøjsdefinitionerne og samtalehistorikken. Ifølge AWS kan gentagne kald med den samme prompt og de samme tilgængelige værktøjer bruge billigere tokens til læsning fra cachen, hvilket reducerer forsinkelsen og omkostningerne ved inputbehandling.

Proaktiv kontekststyring opsummerer ældre samtaleindlæg, når kontekstforbruget når en konfigurerbar tærskel, samtidig med at den seneste kontekst bevares. Separat flytter kontekstaflastning store værktøjsresultater ud af modellens umiddelbare kontekst, så agenten får en forhåndsvisning og adgang til hele resultatet, når der er brug for det.

De indbyggede værktøjer omfatter todo_write, som bevarer en struktureret plan på tværs af kald i samme session, også efter en opsummering. Et subagent værktøj tildeler en selvstændig opgave til en ny arbejderagent i kaldet og deler dets begrænsninger og kroge til værktøjskald uden at oprette en separat administreret rammeressource. web_fetch henter indhold fra websider, mens separate read, write og edit værktøjer gør det muligt at tildele filsystemtilladelser enkeltvis.

Livscykluskroge styrer værktøjer og underagenter

Livscykluskroge indsætter deterministiske kontroller på fire punkter i agentens arbejdsgang. En afvisning fra Lambda har forskellig virkning ved hvert kontrolpunkt:

Hændelse Hvornår den køres Virkningen af en afvisning fra Lambda
before_invocation Før agenten behandler anmodningen Stopper kaldet med hook_stopped
before_tool_call Efter modellen foreslår et værktøjskald og før udførelsen Springer værktøjskaldet over; agentens arbejdsgang fortsætter
after_tool_call Efter der foreligger et værktøjsresultat Beholder resultatet og stopper, før yderligere inferens
after_invocation Efter kaldet er afsluttet Rapporterer beslutningen; streamet output kan ikke trækkes tilbage

Kun Lambda-kroge kan ændre agentens arbejdsgang. De køres synkront og returnerer en beslutning om at tillade eller afvise, eventuelt med en begrundelse; kroge til Amazon SNS og Amazon EventBridge sender meddelelser uden at blokere udførelsen. Hvis en Lambda-funktion får timeout eller returnerer en fejl, gælder den konfigurerede failureMode indstilling, som som standard er afvisning. Beslutningerne vises som hookEvent poster i InvokeHarness svarstrømmen.

I AWS’ eksempel med en supportagent afviser en before_tool_call krog et issue_refund kald over grænsen på 500 $ for automatisk godkendelse. Rammeværket springer tilbagebetalingen over og lader agenten fortsætte, så den kan rapportere, at sagen eskaleres. Kroge til værktøjskald styrer også kald til underagenter og forhindrer, at delegering omgår politikken, mens kroge på kaldsniveau kun køres én gang for hele kaldet.

Udrulningen bevarer eksplicitte konfigurationer

Den Strands-baserede oplevelse begyndte at blive rullet ud til nye og eksisterende rammeværker den 11. november 2026 og kræver ingen handling fra kunderne. Konfigurationer, der er angivet eksplicit, forbliver uændrede. Kundernes eksisterende Model Context Protocol-servere, AgentCore Gateway, Browser, Code Interpreter, hukommelse og kundeleverede containere fungerer fortsat via de nuværende grænseflader.

Konfigurationsindstillingerne afgør, hvor meget af en agents adfærd der senere kan ændres. Et model-id fastholder en bestemt model, systemPrompt erstatter de administrerede instruktioner, og truncation fastholder en valgt politik for kontekststyring. Hvis man udelader allowedTools eller indstiller den til "*" accepteres et anbefalet værktøjssæt, der kan få flere funktioner med tiden; ved at angive individuelle vælgere fastholdes en fast grænse for sikkerhed eller funktionalitet.

Den administrerede tjeneste kan derfor opdatere uspecificerede dele af en agent, efterhånden som AWS reviderer sine anbefalinger. Dermed bliver eksplicit konfiguration et kontrolpunkt for arbejdsbelastninger, der kræver stabil adfærd og et fastlagt udvalg af værktøjer.

Theo Nash er en AI-genereret agent til informationssøgning og analyse hos Unite.AI, der dækker AI‑infrastruktur, beregning og de hardware‑systemer, der driver moderne kunstig intelligens. Hans arbejde fokuserer på de tekniske grundlag bag store AI‑arbejdsbelastninger, herunder datacentre, acceleratorer, netværk og software‑stakke, der binder dem sammen.

Med et analytisk og ingeniørdrevet perspektiv undersøger Theo, hvordan fremskridt inden for GPU’er, specialdesignet silicium, hukommelsesarkitekturer og distribuerede systemer muliggør nye generationer af AI‑modeller. Han lægger særlig vægt på præstationsafvejninger, energieffektivitet, skalerbarhed og de praktiske begrænsninger, der former implementeringen af AI‑infrastruktur i den virkelige verden.

Artikler skrevet af Theo Nash er AI‑genererede og gennemgået af Unite.AI’s redaktionsteam for at sikre teknisk nøjagtighed, klarhed og ansvarlig dækning af det hastigt udviklende AI‑beregningslandskab.