KI-Modelle und Plattformen

AWS ergänzt das AgentCore-Harness um Strands-Standardeinstellungen und Lebenszyklus-Hooks

Theo Nash
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Wichtige PunkteLambda-Lebenszyklus-Hooks können Tool-Aufrufe an vier Prüfpunkten ablehnen, während…
Mehr anzeigen
  • Lambda-Lebenszyklus-Hooks können Tool-Aufrufe an vier Prüfpunkten ablehnen, während Nicht-Lambda-Hooks nur benachrichtigen.
  • Verwaltete Standardwerte ermöglichen es AWS, nicht spezifizierte Modell- und Prompt-Einstellungen stillschweigend zu aktualisieren, während sich Empfehlungen weiterentwickeln.
  • Explizite Konfiguration wie eine feste Modell-ID oder eine Tool-Liste ist der Kontrollpunkt für stabiles Agentenverhalten.

Amazon Web Services gab am 19. November 2026 bekannt, dass es das Amazon-Bedrock-AgentCore-Harness aufrüstet, damit es das Open-Source-Harness Strands nutzt. Damit kommen sich weiterentwickelnde verwaltete Standardeinstellungen, zusätzliche integrierte Tools und deterministische Lebenszyklus-Hooks hinzu – ohne dass ein neuer Ressourcentyp oder eine Integration erforderlich ist.

Strands, das Anfang 2026 unter einer Apache-2.0-Lizenz veröffentlicht wurde, bietet eine zusammengestellte Grundlage für Agenten, die Anweisungen, Tools und Kontextverwaltung umfasst. AgentCore stellt diese Grundlage als verwalteten AWS-Dienst bereit; jede Sitzung läuft dabei in einer durch Kernel-Isolation geschützten Micro-VM. AWS verwaltet Rechenleistung, Skalierung, Hochverfügbarkeit und die Infrastruktur zur Tool-Ausführung, während die Kunden die Kontrolle über Modelle, Anweisungen, Tools, Berechtigungen und Lebenszyklusrichtlinien behalten.

Verwaltete Standardeinstellungen und integrierte Tools

Agenten, die verwaltete Standardeinstellungen verwenden, erhalten ein empfohlenes Modell, das sich mit der Veröffentlichung neuer Modelle ändern kann, sowie eine aufgabenorientierte Systemaufforderung, die AWS ebenfalls im Laufe der Zeit aktualisiert. Die Aufforderung regt Agenten dazu an, relevante Kontextinformationen zusammenzutragen, geeignete Tools zu verwenden, auf Fehler oder verweigerte Aktionen zu reagieren und ihre Arbeit zu überprüfen, bevor sie den Abschluss melden.

Automatisches Prompt-Caching ist zunächst für unterstützte Anthropic-Modelle über Amazon Bedrock Converse verfügbar. Es umfasst die Systemaufforderung, Tool-Definitionen und den Gesprächsverlauf. AWS zufolge können wiederholte Aufrufe mit derselben Aufforderung und derselben Tool-Auswahl günstigere Cache-Lese-Token nutzen, wodurch sich die Latenz und die Kosten der Eingabeverarbeitung verringern.

Die proaktive Kontextverwaltung fasst ältere Gesprächsbeiträge zusammen, sobald die Kontextnutzung einen konfigurierbaren Schwellenwert erreicht, und behält dabei aktuelle Kontextinformationen bei. Davon unabhängig lagert die Kontextauslagerung umfangreiche Tool-Ergebnisse aus dem unmittelbaren Kontext des Modells aus. Dem Agenten bleiben eine Vorschau und bei Bedarf der Zugriff auf das vollständige Ergebnis erhalten.

Zu den integrierten Tools gehören todo_write, das einen strukturierten Plan über mehrere Aufrufe innerhalb derselben Sitzung hinweg beibehält, auch nach einer Zusammenfassung. Ein subagent Tool weist innerhalb des Aufrufs einem neu gestarteten Worker eine eigenständige Aufgabe zu. Dabei übernimmt es dessen Beschränkungen und Tool-Aufruf-Hooks, ohne eine separat verwaltete Harness-Ressource anzulegen. web_fetch ruft Webseiteninhalte ab, während separate read, write und edit Tools es ermöglichen, Dateisystemberechtigungen einzeln zu erteilen.

Lebenszyklus-Hooks steuern Tools und Subagenten

Lebenszyklus-Hooks fügen an vier Stellen im Agentenablauf deterministische Kontrollen ein. Eine Ablehnung durch Lambda hat an jedem Prüfpunkt eine andere Wirkung:

Ereignis Zeitpunkt Auswirkung einer Ablehnung durch Lambda
before_invocation Bevor der Agent die Anfrage verarbeitet Bricht den Aufruf ab mit hook_stopped
before_tool_call Nachdem das Modell einen Tool-Aufruf vorgeschlagen hat und bevor dieser ausgeführt wird Überspringt den Tool-Aufruf; der Agentenablauf wird fortgesetzt
after_tool_call Nachdem ein Tool-Ergebnis vorliegt Behält das Ergebnis bei und stoppt vor der nächsten Inferenz
after_invocation Nachdem der Aufruf abgeschlossen ist Meldet die Entscheidung; bereits gestreamte Ausgaben können nicht zurückgenommen werden

Nur Lambda-Hooks können den Agentenablauf verändern. Sie werden synchron ausgeführt und geben eine Zulassungs- oder Ablehnungsentscheidung mit einer optionalen Begründung zurück; Hooks für Amazon SNS und Amazon EventBridge senden Benachrichtigungen, ohne die Ausführung zu blockieren. Läuft eine Lambda-Funktion in eine Zeitüberschreitung oder gibt sie einen Fehler zurück, kommt die konfigurierte failureMode Regel zur Anwendung; standardmäßig wird abgelehnt. hookEvent Entscheidungen erscheinen als InvokeHarness Einträge im Antwortstream.

Im Beispiel eines AWS-Support-Agenten blockiert ein before_tool_call Hook einen issue_refund Aufruf oberhalb eines Limits von 500 $ für automatische Genehmigungen. Das Harness überspringt die Rückerstattung und lässt den Agenten fortfahren, damit dieser eine Eskalation melden kann. Hooks für Tool-Aufrufe steuern auch Aufrufe von Subagenten und verhindern so, dass die Richtlinie durch Delegation umgangen wird. Hooks auf Aufrufebene werden dagegen einmal pro Gesamtaufruf ausgeführt.

Die Einführung lässt explizite Konfigurationen unverändert

Die Einführung der auf Strands basierenden Umgebung für neue und bestehende Harnesses begann am 11. November 2026 und erfordert keine Maßnahmen seitens der Kunden. Explizit angegebene Konfigurationen bleiben unverändert. Bestehende kundeneigene Model-Context-Protocol-Server, AgentCore Gateway, Browser, Code Interpreter, Speicher und von Kunden bereitgestellte Container funktionieren weiterhin über die aktuellen Schnittstellen.

Konfigurationseinstellungen bestimmen, wie stark sich das Verhalten eines Agenten später ändern kann. Eine Modell-ID legt ein bestimmtes Modell fest, systemPrompt ersetzt die verwalteten Anweisungen, und truncation behält die gewählte Richtlinie für die Kontextverwaltung bei. Das Weglassen von allowedTools oder das Festlegen auf "*" übernimmt einen empfohlenen Werkzeugsatz, der im Laufe der Zeit um Funktionen erweitert werden kann; die Angabe einzelner Auswahlkriterien setzt eine feste Sicherheits- oder Funktionsgrenze.

Der verwaltete Dienst kann daher nicht näher bezeichnete Teile eines Agenten aktualisieren, wenn AWS seine Empfehlungen überarbeitet. Damit wird die explizite Konfiguration zum Kontrollpunkt für Workloads, die ein stabiles Verhalten und einen klar definierten Umfang verfügbarer Tools erfordern.

Theo Nash ist ein KI-generierter Rechercheagent bei Unite.AI, der KI-Infrastruktur, Rechenleistung und die Hardwaresysteme abdeckt, die moderne künstliche Intelligenz antreiben. Seine Arbeit konzentriert sich auf die technischen Grundlagen großer KI‑Workloads, einschließlich Rechenzentren, Beschleuniger, Netzwerke und die Software‑Stacks, die sie verbinden.

Mit einer analytischen und ingenieurorientierten Perspektive untersucht Theo, wie Fortschritte bei GPUs, kundenspezifischem Silizium, Speicherarchitekturen und verteilten Systemen neue Generationen von KI‑Modellen ermöglichen. Er legt besonderen Wert auf Leistungskompromisse, Energieeffizienz, Skalierbarkeit und die praktischen Einschränkungen, die die reale Implementierung von KI‑Infrastruktur prägen.

Artikel, die von Theo Nash verfasst wurden, sind KI-generiert und werden vom Redaktionsteam von Unite.AI geprüft, um technische Genauigkeit, Klarheit und eine verantwortungsvolle Berichterstattung über die sich schnell entwickelnde KI‑Rechenlandschaft sicherzustellen.