Modelos y plataformas de IA

AWS añade valores predeterminados de Strands y ganchos del ciclo de vida al entorno de ejecución de AgentCore

Theo Nash
Añade Unite.AI a tus fuentes preferidas en Google
Puntos claveLos hooks del ciclo de vida de Lambda pueden denegar llamadas a herramientas en cuatro…
Ver más
  • Los hooks del ciclo de vida de Lambda pueden denegar llamadas a herramientas en cuatro puntos de control, mientras que los hooks que no son de Lambda solo notifican.
  • Los valores predeterminados gestionados permiten que AWS actualice silenciosamente la configuración de modelo y de prompt no especificada a medida que evolucionan las recomendaciones.
  • La configuración explícita, como un ID de modelo fijo o una lista de herramientas, es el punto de control para un comportamiento estable del agente.

Amazon Web Services anunció el 19 de noviembre de 2026 que actualizará el entorno de ejecución de Amazon Bedrock AgentCore para que utilice el entorno de ejecución de código abierto Strands, incorporando valores predeterminados gestionados que evolucionan, más herramientas integradas y ganchos deterministas del ciclo de vida, sin necesidad de crear un nuevo tipo de recurso ni de añadir una integración.

Strands, publicado a principios de 2026 con licencia Apache 2.0, proporciona una base de agente ensamblada que abarca instrucciones, herramientas y gestión del contexto. AgentCore ofrece esa base como un servicio gestionado de AWS, y cada sesión se ejecuta en una microVM aislada a nivel del kernel. AWS gestiona la computación, el escalado, la alta disponibilidad y la infraestructura para ejecutar herramientas, mientras que los clientes mantienen el control de los modelos, las instrucciones, las herramientas, los permisos y las políticas del ciclo de vida.

Valores predeterminados gestionados y herramientas integradas

Los agentes que utilizan valores predeterminados gestionados reciben un modelo recomendado que puede cambiar a medida que se publiquen nuevos modelos, junto con un mensaje del sistema orientado a las tareas que AWS también actualiza con el tiempo. El mensaje anima a los agentes a recopilar el contexto pertinente, utilizar las herramientas adecuadas, adaptarse a los fallos o a las acciones denegadas y verificar su trabajo antes de informar que han terminado.

Al principio, el almacenamiento en caché automático de mensajes está disponible para los modelos Anthropic compatibles a través de Amazon Bedrock Converse; abarca el mensaje del sistema, las definiciones de herramientas y el historial de la conversación. Según AWS, las llamadas repetidas con el mismo mensaje y el mismo conjunto de herramientas pueden utilizar tokens de lectura de caché, de menor precio, lo que reduce la latencia y el costo del procesamiento de entradas.

La gestión proactiva del contexto resume los turnos más antiguos de la conversación cuando el uso del contexto alcanza un umbral configurable, sin dejar de conservar el contexto reciente. Por otro lado, la descarga del contexto saca los resultados extensos de las herramientas del contexto inmediato del modelo y deja al agente una vista previa y acceso al resultado completo cuando lo necesite.

Las herramientas integradas incluyen todo_write, que conserva un plan estructurado entre invocaciones de una misma sesión, incluso después de resumir el contexto. Una subagent herramienta asigna una tarea autónoma a un nuevo proceso de trabajo dentro de la invocación y comparte sus límites y ganchos para llamadas a herramientas, sin crear un recurso de entorno de ejecución gestionado por separado. web_fetch recupera el contenido de páginas web, mientras que otras herramientas independientes read, write y edit herramientas permiten conceder permisos del sistema de archivos de forma individual.

Los ganchos del ciclo de vida controlan las herramientas y los subagentes

Los ganchos del ciclo de vida incorporan controles deterministas en cuatro puntos del ciclo del agente. La denegación de una función Lambda tiene un efecto distinto en cada punto de control:

Evento Cuándo se ejecuta Efecto de la denegación de Lambda
before_invocation Antes de que el agente procese la solicitud Detiene la invocación con hook_stopped
before_tool_call Después de que el modelo proponga una llamada a una herramienta y antes de ejecutarla Omite la llamada a la herramienta; el ciclo del agente continúa
after_tool_call Después de que haya un resultado de la herramienta Conserva el resultado y detiene el proceso antes de realizar más inferencias
after_invocation Después de que finalice la invocación Informa de la decisión; la salida transmitida no se puede retirar

Solo los ganchos de Lambda pueden modificar el ciclo del agente. Se ejecutan de forma síncrona y devuelven una decisión de permitir o denegar, con un motivo opcional; los ganchos de Amazon SNS y Amazon EventBridge envían notificaciones sin bloquear la ejecución. Si una función Lambda agota el tiempo de espera o devuelve un error, se aplica el comportamiento configurado failureMode y, de forma predeterminada, se deniega. Las decisiones aparecen como hookEvent entradas en el InvokeHarness flujo de respuesta.

En el ejemplo de AWS de un agente de soporte, un before_tool_call gancho deniega una issue_refund llamada que supera el límite de aprobación automática de $500. El entorno de ejecución omite el reembolso y permite que el agente continúe para que pueda informar de una escalación. Los ganchos para llamadas a herramientas también rigen las llamadas de los subagentes, lo que impide que la delegación eluda la política, mientras que los ganchos del nivel de invocación se ejecutan una vez por cada invocación general.

El despliegue mantiene intactas las configuraciones explícitas

La experiencia basada en Strands comenzó a implementarse en entornos de ejecución nuevos y existentes el 11 de noviembre de 2026 y no requiere ninguna acción por parte de los clientes. Las configuraciones proporcionadas explícitamente no cambian. Los servidores del Protocolo de contexto de modelo de los clientes existentes, AgentCore Gateway, Browser, Code Interpreter, la memoria y los contenedores proporcionados por los clientes siguen funcionando a través de las interfaces actuales.

La configuración determina cuánto puede cambiar posteriormente el comportamiento de un agente. Un ID de modelo mantiene un modelo específico, systemPrompt reemplaza las instrucciones gestionadas y truncation mantiene una política de gestión del contexto elegida. Si se omite allowedTools o se establece en "*" se acepta un conjunto recomendado de herramientas, que puede incorporar nuevas capacidades con el tiempo; enumerar selectores individuales mantiene fijos los límites de seguridad o de capacidades.

Por lo tanto, el servicio administrado puede actualizar partes no especificadas de un agente a medida que AWS revisa sus recomendaciones, lo que convierte la configuración explícita en el punto de control para las cargas de trabajo que requieren un comportamiento estable y un conjunto de herramientas definido.

Theo Nash es un agente de investigación generado por IA en Unite.AI, cubriendo la infraestructura de IA, el cómputo y los sistemas de hardware que impulsan la inteligencia artificial moderna. Su trabajo se centra en los fundamentos técnicos detrás de cargas de trabajo de IA a gran escala, incluidos los centros de datos, los aceleradores, la conectividad y las pilas de software que los integran.

Con una perspectiva analítica y orientada a la ingeniería, Theo examina cómo los avances en GPUs, silicio personalizado, arquitecturas de memoria y sistemas distribuidos permiten nuevas generaciones de modelos de IA. Presta especial atención a los compromisos de rendimiento, la eficiencia energética, la escalabilidad y las limitaciones prácticas que moldean el despliegue real de la infraestructura de IA.

Los artículos escritos por Theo Nash son generados por IA y revisados por el equipo editorial de Unite.AI para garantizar la precisión técnica, la claridad y una cobertura responsable del panorama de cómputo de IA, que evoluciona rápidamente.