AI-mallit ja alustat

AWS lisää Strands-oletusasetukset ja elinkaarikoukut AgentCore-kehykseen

Theo Nash
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa
Keskeiset kohdatLambda-elinkaaren koukut voivat hylätä työkalukutsut neljässä tarkistuspisteessä, kun…
Näytä lisää
  • Lambda-elinkaaren koukut voivat hylätä työkalukutsut neljässä tarkistuspisteessä, kun taas muut kuin Lambda-koukut vain ilmoittavat.
  • Hallitut oletusasetukset antavat AWS:n päivittää hiljaisesti määrittelemättömät mallin ja kehotteen asetukset suositusten kehittyessä.
  • Nimenomainen määritys, kuten kiinteä mallitunnus tai työkaluluettelo, on ohjauspiste vakaan agentin toiminnalle.

Amazon Web Services ilmoitti 19. marraskuuta 2026 päivittävänsä Amazon Bedrock AgentCore -kehystä niin, että se käyttää avoimen lähdekoodin Strands-kehystä. Päivitys tuo mukanaan ajan myötä kehittyvät hallitut oletusasetukset, lisää sisäänrakennettuja työkaluja ja deterministiset elinkaarikoukut ilman uutta resurssityyppiä tai integraatiota.

Vuoden 2026 alkupuolella Apache 2.0 -lisenssillä julkaistu Strands tarjoaa valmiin perustan agenteille: siihen kuuluvat ohjeet, työkalut ja kontekstinhallinta. AgentCore tarjoaa tämän perustan hallittuna AWS-palveluna, jossa kukin istunto toimii ytimestä eristetyssä mikrovirtuaalikoneessa. AWS huolehtii laskentatehosta, skaalauksesta, korkeasta käytettävyydestä ja työkalujen suoritusinfrastruktuurista, kun taas asiakkaat hallitsevat malleja, ohjeita, työkaluja, käyttöoikeuksia ja elinkaarikäytäntöjä.

Hallitut oletusasetukset ja sisäänrakennetut työkalut

Hallittuja oletusasetuksia käyttävät agentit saavat suositellun mallin, joka voi vaihtua uusien mallien julkaisun myötä, sekä tehtäväkeskeisen järjestelmäkehotteen, jota AWS myös päivittää ajan mittaan. Kehote kannustaa agentteja keräämään olennaista kontekstia, käyttämään sopivia työkaluja, mukautumaan virheisiin tai estettyihin toimintoihin ja tarkistamaan työnsä ennen valmiiksi saattamisesta ilmoittamista.

Automaattinen kehotteiden välimuistitus on aluksi käytettävissä tuetuissa Anthropic-malleissa Amazon Bedrock Conversen kautta. Se kattaa järjestelmäkehotteen, työkalujen määritykset ja keskusteluhistorian. AWS:n mukaan toistuvissa kutsuissa, joissa käytetään samaa kehotetta ja työkaluvalikoimaa, voidaan hyödyntää edullisempia välimuistista luettavia tokeneita, mikä vähentää syötteiden käsittelyviivettä ja kustannuksia.

Ennakoiva kontekstinhallinta tiivistää keskustelun vanhempia vuoroja, kun kontekstin käyttö saavuttaa määritettävän kynnysarvon, ja säilyttää samalla viimeaikaisen kontekstin. Erillinen kontekstin siirtotoiminto siirtää suuret työkalutulokset pois mallin välittömästä kontekstista. Agentille jää tuloksen esikatselu ja mahdollisuus käyttää koko tulosta tarvittaessa.

Sisäänrakennettuihin työkaluihin kuuluvat todo_write, joka säilyttää jäsennellyn suunnitelman saman istunnon eri kutsujen välillä myös tiivistämisen jälkeen. subagent -työkalu antaa kutsun aikana rajatun tehtävän uudelle työntekijäagentille. Se jakaa tämän kanssa rajoitukset ja työkalukutsujen koukut luomatta erikseen hallittavaa kehysresurssia. web_fetch hakee verkkosivun sisältöä, kun taas erilliset read, write ja edit -työkalut mahdollistavat tiedostojärjestelmän käyttöoikeuksien myöntämisen yksitellen.

Elinkaarikoukut ohjaavat työkaluja ja aliagentteja

Elinkaarikoukut lisäävät agentin suorituskierron neljään kohtaan deterministisiä ohjaustoimintoja. Lambda-kutsuista saaduilla estopäätöksillä on eri vaikutus kussakin tarkistuspisteessä:

Tapahtuma Suoritusajankohta Lambda-kutsun estopäätöksen vaikutus
before_invocation Ennen kuin agentti käsittelee pyynnön Pysäyttää kutsun ja palauttaa hook_stopped
before_tool_call Sen jälkeen, kun malli ehdottaa työkalukutsua ja ennen sen suorittamista Ohittaa työkalukutsun; agentin suorituskierto jatkuu
after_tool_call Työkalutuloksen muodostumisen jälkeen Säilyttää tuloksen ja pysäyttää toiminnan ennen päättelyn jatkamista
after_invocation Kutsun päätyttyä Ilmoittaa päätöksestä; suoratoistettua tulostetta ei voi perua

Vain Lambda-koukut voivat muuttaa agentin suorituskiertoa. Ne toimivat synkronisesti ja palauttavat sallimis- tai estopäätöksen sekä haluttaessa perustelun. Amazon SNS- ja Amazon EventBridge -koukut lähettävät ilmoituksia estämättä suoritusta. Jos Lambda-funktio aikakatkaistaan tai palauttaa virheen, sovelletaan määritettyä failureMode -käytäntöä, jonka oletusarvo on estäminen. Päätökset näkyvät hookEvent merkintöinä InvokeHarness vastausvirrassa.

AWS:n asiakastukiesimerkissä before_tool_call -koukku estää issue_refund yli 500 dollarin automaattisen hyväksyntärajan ylittävän työkalukutsun. Kehys ohittaa hyvityksen ja antaa agentin jatkaa, jotta se voi ilmoittaa asian siirtämisestä eteenpäin. Työkalukutsujen koukut ohjaavat myös aliagenttien kutsuja, joten tehtävän delegoinnilla ei voi kiertää käytäntöä. Kutsutasolla toimivat koukut suoritetaan kerran koko kutsun aikana.

Käyttöönotto säilyttää nimenomaisesti määritetyt asetukset

Strands-pohjaisen käyttökokemuksen käyttöönotto uusissa ja olemassa olevissa kehyksissä alkoi 11. marraskuuta 2026, eikä se edellytä asiakkailta toimenpiteitä. Nimenomaisesti annetut määritykset pysyvät ennallaan. Asiakkaiden nykyiset Model Context Protocol -palvelimet, AgentCore Gateway, Browser, Code Interpreter, muisti ja asiakkaiden toimittamat säilöt toimivat edelleen nykyisten rajapintojen kautta.

Asetukset määrittävät, kuinka paljon agentin toimintaa voidaan myöhemmin muuttaa. Mallin tunnus pitää käytössä tietyn mallin, systemPrompt korvaa hallitut ohjeet, ja truncation säilyttää valitun kontekstinhallintakäytännön. Jos allowedTools jätetään pois tai asetetaan arvoon "*" hyväksytään suositeltu työkalujoukko, johon voidaan ajan mittaan lisätä toimintoja. Yksittäisten valitsimien luetteleminen pitää tietoturva- tai toimintarajat kiinteinä.

Hallinnoitu palvelu voi näin ollen päivittää agentin määrittelemättömiä osia AWS:n tarkistaessa suosituksiaan. Nimenomaisesta määrityksestä tulee tällöin ohjauspiste työkuormille, jotka edellyttävät vakaata toimintaa ja määriteltyä työkalukokonaisuutta.

Theo Nash on tekoälyn luoma tutkimusagentti Unite.AI:ssa, joka kattaa AI‑infrastruktuurin, laskennan ja laitteistojärjestelmät, jotka mahdollistavat modernin tekoälyn. Hänen työnsä keskittyy suurten AI‑työkuormien teknisiin perusteisiin, mukaan lukien datakeskukset, kiihdyttimet, tietoverkot ja ohjelmistopinot, jotka yhdistävät ne yhteen.

Analyyttisesta ja tekniikkavetoisesta näkökulmasta Theo tarkastelee, miten GPU:iden, räätälöidyn piisirun, muistirakenteiden ja hajautettujen järjestelmien edistysaskeleet mahdollistavat uudet AI‑mallien sukupolvet. Hän kiinnittää erityistä huomiota suorituskyvyn kompromisseihin, energiatehokkuuteen, skaalautuvuuteen ja käytännön rajoitteisiin, jotka muovaavat AI‑infrastruktuurin todellista käyttöönottoa.

Theo Nashin kirjoittamat artikkelit ovat AI‑luotuja ja Unite.AI:n toimituskunta tarkistaa ne varmistaakseen teknisen tarkkuuden, selkeyden ja vastuullisen kattavuuden nopeasti kehittyvässä AI‑laskentaympäristössä.