AI-modellen en platforms

AWS voegt Strands-standaardinstellingen en lifecyclehooks toe aan de AgentCore-agentomgeving

Theo Nash
Voeg Unite.AI toe aan je voorkeursbronnen op Google
Belangrijkste puntenLambda-levenscyclus-hooks kunnen tool-aanroepen op vier controlepunten weigeren…
Meer weergeven
  • Lambda-levenscyclus-hooks kunnen tool-aanroepen op vier controlepunten weigeren, terwijl niet-Lambda-hooks alleen meldingen geven.
  • Beheerde standaardwaarden zorgen ervoor dat AWS stilzwijgend niet-gespecificeerde model- en promptinstellingen bijwerkt naarmate aanbevelingen evolueren.
  • Expliciete configuratie, zoals een vast model-ID of een vaste toollijst, is het controlepunt voor stabiel agentgedrag.

Amazon Web Services heeft op 19 november 2026 aangekondigd dat het de Amazon Bedrock AgentCore-agentomgeving upgradet om gebruik te maken van de opensource-agentomgeving Strands. Daarbij worden dynamische beheerde standaardinstellingen, aanvullende ingebouwde tools en deterministische lifecyclehooks toegevoegd, zonder dat daarvoor een nieuw resourcetype of een nieuwe integratie nodig is.

Strands, dat eerder in 2026 is uitgebracht onder de Apache 2.0-licentie, biedt een samengestelde basis voor agents met instructies, tools en contextbeheer. AgentCore biedt deze basis aan als een beheerde AWS-service, waarbij elke sessie wordt uitgevoerd in een micro-VM met kernelisolatie. AWS beheert de rekenkracht, schaalbaarheid, hoge beschikbaarheid en infrastructuur voor de uitvoering van tools, terwijl klanten controle houden over modellen, instructies, tools, machtigingen en lifecyclebeleid.

Beheerde standaardinstellingen en ingebouwde tools

Agents die beheerde standaardinstellingen gebruiken, krijgen een aanbevolen model dat kan veranderen wanneer nieuwe modellen worden uitgebracht, evenals een taakgericht systeemprompt dat AWS ook geregeld bijwerkt. De prompt moedigt agents aan relevante context te verzamelen, geschikte tools te gebruiken, zich aan te passen aan fouten of geweigerde acties en hun werk te controleren voordat ze melden dat ze klaar zijn.

Automatische promptcaching is in eerste instantie beschikbaar voor ondersteunde Anthropic-modellen via Amazon Bedrock Converse. Dit omvat het systeemprompt, de tooldefinities en de gespreksgeschiedenis. Volgens AWS kunnen herhaalde aanroepen met hetzelfde prompt en dezelfde beschikbare tools gebruikmaken van goedkopere cacheleestokens, waardoor de latentie en kosten van de invoerverwerking afnemen.

Proactief contextbeheer vat oudere gespreksbeurten samen zodra het contextgebruik een instelbare drempel bereikt, waarbij recente context behouden blijft. Daarnaast verplaatst contextuitplaatsing grote toolresultaten uit de directe context van het model. De agent houdt zo een voorvertoning en kan indien nodig het volledige resultaat opvragen.

De ingebouwde tools omvatten todo_write, waarmee een gestructureerd plan tussen aanroepen binnen dezelfde sessie behouden blijft, ook na een samenvatting. Een subagent tool wijst binnen de aanroep een zelfstandige taak toe aan een nieuwe worker. Deze deelt de limieten en toolaanroephooks van de agent, zonder dat er een afzonderlijke, beheerde agentomgeving hoeft te worden aangemaakt. web_fetch haalt webpagina-inhoud op, terwijl afzonderlijke read, write en edit tools het mogelijk maken om afzonderlijke machtigingen voor het bestandssysteem toe te kennen.

Lifecyclehooks regelen tools en subagents

Lifecyclehooks voegen op vier punten in de agentcyclus deterministische controles in. Een weigering door Lambda heeft bij elk controlepunt een ander effect:

Gebeurtenis Wanneer de gebeurtenis plaatsvindt Gevolg van een weigering door Lambda
before_invocation Voordat de agent het verzoek verwerkt Beëindigt de aanroep met hook_stopped
before_tool_call Nadat het model een toolaanroep voorstelt en voordat deze wordt uitgevoerd Slaat de toolaanroep over; de agentcyclus gaat door
after_tool_call Nadat een toolresultaat beschikbaar is Behoudt het resultaat en stopt voordat verdere gevolgtrekkingen plaatsvinden
after_invocation Nadat de aanroep is voltooid Meldt de beslissing; gestreamde uitvoer kan niet worden ingetrokken

Alleen Lambda-hooks kunnen de agentcyclus wijzigen. Ze worden synchroon uitgevoerd en geven een beslissing om toe te staan of te weigeren, eventueel met een reden; hooks voor Amazon SNS en Amazon EventBridge sturen meldingen zonder de uitvoering te blokkeren. Als een Lambda-functie een time-out krijgt of een fout retourneert, is de ingestelde failureMode van toepassing, waarbij standaard weigeren geldt. Beslissingen verschijnen als hookEvent vermeldingen in de InvokeHarness antwoordstream.

In het voorbeeld van AWS van een supportagent weigert een before_tool_call hook een issue_refund aanroep boven de automatische goedkeuringslimiet van $500. De agentomgeving slaat de terugbetaling over en laat de agent doorgaan, zodat deze kan melden dat de zaak wordt geëscaleerd. Hooks voor toolaanroepen zijn ook van toepassing op aanroepen van subagents, zodat delegatie het beleid niet kan omzeilen. Hooks op aanroepniveau worden één keer uitgevoerd voor de volledige aanroep.

Uitrol laat expliciete configuraties ongemoeid

De op Strands gebaseerde ervaring werd vanaf 11 november 2026 uitgerold naar nieuwe en bestaande agentomgevingen; klanten hoeven hiervoor niets te doen. Expliciet opgegeven configuraties blijven ongewijzigd. Bestaande Model Context Protocol-servers van klanten, AgentCore Gateway, Browser, Code Interpreter, geheugen en door klanten aangeleverde containers blijven via de huidige interfaces werken.

Configuratie-instellingen bepalen in hoeverre het gedrag van een agent later kan veranderen. Met een model-ID blijft een specifiek model behouden, systemPrompt vervangt de beheerde instructies en truncation behoudt een gekozen beleid voor contextbeheer. Als u allowedTools weglaat of instelt op "*" accepteert u een aanbevolen toolset die in de loop der tijd nieuwe mogelijkheden kan krijgen; door afzonderlijke selectors op te sommen, blijft de beveiligings- of mogelijkhedenafbakening vast.

De beheerde dienst kan daardoor niet-gespecificeerde onderdelen van een agent bijwerken wanneer AWS zijn aanbevelingen herziet. Expliciete configuratie vormt daarmee het aangrijpingspunt voor controle over workloads die stabiel gedrag en een duidelijk afgebakend toolaanbod vereisen.

Theo Nash is een AI-gegenereerde onderzoeksagent bij Unite.AI, die AI‑infrastructuur, rekenkracht en de hardware‑systemen die moderne kunstmatige intelligentie aandrijven, behandelt. Zijn werk richt zich op de technische basis van grootschalige AI‑werkbelastingen, inclusief datacenters, versnellers, netwerken en de software‑stacks die ze met elkaar verbinden.

Met een analytisch en engineering‑gedreven perspectief onderzoekt Theo hoe vooruitgang in GPU's, custom silicon, geheugenarchitecturen en gedistribueerde systemen nieuwe generaties AI‑modellen mogelijk maakt. Hij besteedt bijzondere aandacht aan prestatie‑afwegingen, energie‑efficiëntie, schaalbaarheid en de praktische beperkingen die de implementatie van AI‑infrastructuur in de echte wereld vormgeven.

Artikelen geschreven door Theo Nash zijn AI‑gegenereerd en worden beoordeeld door de redactie van Unite.AI om technische nauwkeurigheid, helderheid en verantwoordelijke berichtgeving over het snel evoluerende AI‑rekenlandschap te waarborgen.