Modèles et plateformes d’IA

AWS ajoute les paramètres par défaut de Strands et des hooks de cycle de vie à l’environnement AgentCore

Theo Nash
Ajouter Unite.AI à vos sources préférées sur Google
Points clésLes hooks du cycle de vie Lambda peuvent refuser les appels d'outils à quatre points de…
Voir plus
  • Les hooks du cycle de vie Lambda peuvent refuser les appels d'outils à quatre points de contrôle, tandis que les hooks non Lambda ne font que notifier.
  • Les valeurs par défaut gérées permettent à AWS de mettre à jour silencieusement les paramètres de modèle et de prompt non spécifiés à mesure que les recommandations évoluent.
  • Une configuration explicite, comme un ID de modèle fixe ou une liste d'outils, constitue le point de contrôle pour un comportement d'agent stable.

Amazon Web Services a annoncé le 19 novembre 2026 qu’il met à niveau l’environnement Amazon Bedrock AgentCore pour utiliser l’environnement Strands open source, en ajoutant des paramètres par défaut gérés et évolutifs, des outils intégrés supplémentaires et des hooks de cycle de vie déterministes, sans nécessiter de nouveau type de ressource ni d’intégration.

Publié plus tôt en 2026 sous licence Apache 2.0, Strands fournit une base d’agent complète qui englobe les instructions, les outils et la gestion du contexte. AgentCore exploite cette base en tant que service géré d’AWS, chaque session s’exécutant dans une micro-VM isolée au niveau du noyau. AWS gère les ressources de calcul, la mise à l’échelle, la haute disponibilité et l’infrastructure d’exécution des outils, tandis que les clients gardent le contrôle des modèles, des instructions, des outils, des autorisations et des politiques de cycle de vie.

Paramètres par défaut gérés et outils intégrés

Les agents utilisant les paramètres par défaut gérés reçoivent un modèle recommandé, qui peut changer lors de la sortie de nouveaux modèles, ainsi qu’une invite système axée sur les tâches, qu’AWS met également à jour au fil du temps. Cette invite encourage les agents à recueillir le contexte pertinent, à utiliser les outils appropriés, à s’adapter aux échecs ou aux actions refusées, et à vérifier leur travail avant d’annoncer qu’il est terminé.

La mise en cache automatique des invites est d’abord disponible pour les modèles Anthropic pris en charge via Amazon Bedrock Converse. Elle couvre l’invite système, les définitions des outils et l’historique des conversations. Selon AWS, les appels répétés utilisant la même invite et le même ensemble d’outils peuvent bénéficier de jetons lus depuis le cache à moindre coût, ce qui réduit la latence et le coût du traitement des entrées.

La gestion proactive du contexte résume les échanges plus anciens lorsque l’utilisation du contexte atteint un seuil configurable, tout en conservant les éléments récents. Par ailleurs, le déchargement du contexte transfère les résultats volumineux des outils hors du contexte immédiat du modèle, laissant à l’agent un aperçu et la possibilité d’accéder au résultat complet au besoin.

Les outils intégrés comprennent todo_write, qui conserve un plan structuré d’un appel à l’autre au sein d’une même session, y compris après la génération d’un résumé. Un subagent outil confie une tâche autonome à un nouvel agent d’exécution dans le cadre de l’invocation, en partageant ses limites et ses hooks d’appel d’outils, sans créer de ressource d’environnement gérée séparément. web_fetch récupère le contenu des pages Web, tandis que des outils distincts read, write et edit permettent d’accorder des autorisations individuelles sur le système de fichiers.

Les hooks de cycle de vie contrôlent les outils et les sous-agents

Les hooks de cycle de vie insèrent des contrôles déterministes à quatre étapes de la boucle de l’agent. Un refus Lambda a un effet différent à chaque point de contrôle :

Événement Moment d’exécution Effet d’un refus Lambda
before_invocation Avant que l’agent traite la requête Met fin à l’invocation avec hook_stopped
before_tool_call Après que le modèle a proposé un appel d’outil et avant son exécution Ignore l’appel d’outil ; la boucle de l’agent se poursuit
after_tool_call Après l’obtention d’un résultat d’outil Conserve le résultat et interrompt le traitement avant toute inférence supplémentaire
after_invocation Après la fin de l’invocation Signale la décision ; la sortie diffusée ne peut pas être retirée

Seuls les hooks Lambda peuvent modifier la boucle de l’agent. Ils s’exécutent de manière synchrone et renvoient une décision d’autorisation ou de refus, avec un motif facultatif ; les hooks Amazon SNS et Amazon EventBridge envoient des notifications sans bloquer l’exécution. Si une fonction Lambda expire ou renvoie une erreur, le comportement configuré failureMode s’applique, avec un refus par défaut. Les décisions apparaissent sous forme d’ hookEvent entrées dans le InvokeHarness flux de réponse.

Dans l’exemple d’agent d’assistance d’AWS, un before_tool_call hook refuse un issue_refund appel dépassant le seuil d’approbation automatique de 500 $. L’environnement ignore le remboursement et laisse l’agent poursuivre afin qu’il puisse signaler une escalade. Les hooks d’appel d’outils régissent également les appels de sous-agents, empêchant ainsi la délégation de contourner la politique, tandis que les hooks au niveau de l’invocation ne s’exécutent qu’une fois pour l’ensemble de celle-ci.

Le déploiement préserve les configurations explicites

Le déploiement de l’expérience basée sur Strands auprès des nouveaux environnements et des environnements existants a commencé le 11 novembre 2026 et ne nécessite aucune action de la part des clients. Les configurations fournies explicitement restent inchangées. Les serveurs Model Context Protocol existants des clients, AgentCore Gateway, Browser, Code Interpreter, la mémoire et les conteneurs fournis par les clients continuent de fonctionner avec les interfaces actuelles.

Les paramètres de configuration déterminent dans quelle mesure le comportement d’un agent pourra évoluer par la suite. Un ID de modèle garantit l’utilisation d’un modèle précis, systemPrompt remplace les instructions gérées, et truncation conserve une politique de gestion du contexte choisie. Ne pas renseigner allowedTools ou le définir sur "*" revient à accepter un ensemble d’outils recommandé, susceptible de s’enrichir au fil du temps ; énumérer des sélecteurs individuels permet de maintenir des limites fixes en matière de sécurité ou de capacités.

Le service géré peut donc mettre à jour des éléments non spécifiés d’un agent à mesure qu’AWS révise ses recommandations. La configuration explicite constitue ainsi le point de contrôle pour les charges de travail qui nécessitent un comportement stable et un périmètre d’outils défini.

Theo Nash est un agent de recherche généré par IA chez Unite.AI, couvrant l’infrastructure IA, le calcul, et les systèmes matériels qui alimentent l’intelligence artificielle moderne. Son travail se concentre sur les fondations techniques des charges de travail IA à grande échelle, y compris les centres de données, les accélérateurs, le réseau et les piles logicielles qui les relient.

Avec une perspective analytique et axée sur l’ingénierie, Theo examine comment les avancées des GPU, du silicium personnalisé, des architectures mémoire et des systèmes distribués permettent de nouvelles générations de modèles IA. Il porte une attention particulière aux compromis de performance, à l’efficacité énergétique, à l’évolutivité et aux contraintes pratiques qui façonnent le déploiement réel de l’infrastructure IA.

Les articles rédigés par Theo Nash sont générés par IA et revus par l’équipe éditoriale de Unite.AI afin d’assurer une précision technique, une clarté et une couverture responsable du paysage du calcul IA en évolution rapide.