Modele i platformy AI

AWS dodaje domyślne ustawienia Strands i mechanizmy cyklu życia do środowiska AgentCore

Theo Nash
Dodaj Unite.AI do preferowanych źródeł w Google
Kluczowe punktyHaki cyklu życia Lambda mogą odrzucać wywołania narzędzi w czterech punktach…
Zobacz więcej
  • Haki cyklu życia Lambda mogą odrzucać wywołania narzędzi w czterech punktach kontrolnych, podczas gdy haki inne niż Lambda jedynie powiadamiają.
  • Zarządzane ustawienia domyślne pozwalają AWS po cichu aktualizować nieokreślone ustawienia modelu i promptu w miarę ewolucji rekomendacji.
  • Jawna konfiguracja, taka jak stały identyfikator modelu lub lista narzędzi, jest punktem kontrolnym dla stabilnego zachowania agenta.

Amazon Web Services poinformowała 19 listopada 2026 r., że modernizuje środowisko Amazon Bedrock AgentCore, aby korzystało z otwartego środowiska Strands, dodając zmieniające się zarządzane ustawienia domyślne, dodatkowe wbudowane narzędzia i deterministyczne mechanizmy cyklu życia, bez konieczności wprowadzania nowego typu zasobu ani integracji.

Strands, udostępnione na początku 2026 r. na licencji Apache 2.0, zapewnia gotową podstawę dla agentów, obejmującą instrukcje, narzędzia i zarządzanie kontekstem. AgentCore udostępnia tę podstawę jako zarządzaną usługę AWS, a każda sesja działa w mikromaszynie wirtualnej odizolowanej na poziomie jądra systemu. AWS zarządza mocą obliczeniową, skalowaniem, wysoką dostępnością i infrastrukturą do wykonywania narzędzi, natomiast klienci zachowują kontrolę nad modelami, instrukcjami, narzędziami, uprawnieniami i zasadami cyklu życia.

Zarządzane ustawienia domyślne i wbudowane narzędzia

Agenci korzystający z zarządzanych ustawień domyślnych otrzymują zalecany model, który może się zmieniać wraz z udostępnianiem nowych modeli, a także zorientowaną na zadania instrukcję systemową, którą AWS również aktualizuje z czasem. Instrukcja zachęca agentów do gromadzenia istotnego kontekstu, używania odpowiednich narzędzi, dostosowywania się do błędów lub odmowy wykonania działań oraz weryfikowania swojej pracy przed zgłoszeniem jej ukończenia.

Automatyczne buforowanie promptów jest początkowo dostępne dla obsługiwanych modeli Anthropic za pośrednictwem Amazon Bedrock Converse i obejmuje prompt systemowy, definicje narzędzi oraz historię rozmowy. AWS informuje, że powtarzane wywołania z tym samym promptem i zestawem narzędzi mogą korzystać z tańszych tokenów odczytu z pamięci podręcznej, co zmniejsza opóźnienie i koszt przetwarzania danych wejściowych.

Proaktywne zarządzanie kontekstem podsumowuje starsze wypowiedzi z rozmowy po osiągnięciu konfigurowalnego progu wykorzystania kontekstu, zachowując przy tym jego najnowsze elementy. Niezależnie od tego odciążanie kontekstu przenosi duże wyniki narzędzi poza bieżący kontekst modelu, pozostawiając agentowi podgląd i możliwość dostępu do pełnego wyniku w razie potrzeby.

Wbudowane narzędzia obejmują todo_write, które zachowuje ustrukturyzowany plan między wywołaniami w tej samej sesji, również po podsumowaniu. Narzędzie subagent przydziela samodzielne zadanie nowemu wykonawcy działającemu w ramach wywołania, udostępniając mu te same limity i mechanizmy kontroli wywołań narzędzi, bez tworzenia osobnego zarządzanego zasobu środowiska. web_fetch pobiera treści stron internetowych, a osobne read, write i edit narzędzia umożliwiają indywidualne przyznawanie uprawnień do systemu plików.

Mechanizmy cyklu życia kontrolują narzędzia i podrzędnych agentów

Mechanizmy cyklu życia wprowadzają deterministyczne kontrole w czterech punktach pętli agenta. Odmowa Lambda wywołuje inny skutek w każdym punkcie kontrolnym:

Zdarzenie Kiedy jest uruchamiane Skutek odmowy Lambda
before_invocation Zanim agent przetworzy żądanie Zatrzymuje wywołanie, zwracając hook_stopped
before_tool_call Po tym, jak model zaproponuje wywołanie narzędzia, ale przed jego wykonaniem Pomija wywołanie narzędzia; pętla agenta działa dalej
after_tool_call Po uzyskaniu wyniku działania narzędzia Zachowuje wynik i zatrzymuje działanie przed kolejnym wnioskowaniem
after_invocation Po zakończeniu wywołania Zgłasza decyzję; przesyłanego strumieniowo wyniku nie można wycofać

Tylko mechanizmy Lambda mogą zmieniać pętlę agenta. Działają synchronicznie i zwracają decyzję o zezwoleniu lub odmowie, opcjonalnie wraz z uzasadnieniem; mechanizmy Amazon SNS i Amazon EventBridge wysyłają powiadomienia, nie blokując wykonywania. Jeśli funkcja Lambda przekroczy limit czasu lub zwróci błąd, zastosowanie ma skonfigurowana failureMode , a domyślną decyzją jest odmowa. Decyzje są widoczne jako wpisy hookEvent w strumieniu odpowiedzi InvokeHarness strumieniu odpowiedzi.

W przykładzie agenta obsługi klienta AWS mechanizm before_tool_call odrzuca issue_refund wywołanie przekraczające limit automatycznego zatwierdzania wynoszący 500 USD. Środowisko pomija zwrot pieniędzy i pozwala agentowi kontynuować działanie, aby mógł zgłosić konieczność eskalacji. Mechanizmy kontroli wywołań narzędzi obejmują również wywołania podrzędnych agentów, uniemożliwiając obejście zasad przez delegowanie zadań, natomiast mechanizmy działające na poziomie wywołania uruchamiają się raz dla całego wywołania.

Wdrożenie nie zmienia jawnie określonych konfiguracji

Wdrażanie środowiska opartego na Strands dla nowych i istniejących środowisk rozpoczęło się 11 listopada 2026 r. i nie wymaga żadnych działań ze strony klientów. Jawnie podane konfiguracje pozostają bez zmian. Istniejące serwery Model Context Protocol klientów, AgentCore Gateway, Browser, Code Interpreter, pamięć oraz kontenery dostarczone przez klientów nadal działają za pośrednictwem obecnych interfejsów.

Ustawienia konfiguracji określają, jak duża część zachowania agenta może się zmienić w przyszłości. Identyfikator modelu pozwala zachować konkretny model, systemPrompt zastępuje zarządzane instrukcje, a truncation zachowuje wybraną zasadę zarządzania kontekstem. Pominięcie allowedTools lub ustawienie tej opcji na "*" oznacza akceptację zalecanego zestawu narzędzi, który może z czasem zyskiwać nowe możliwości; wymienienie poszczególnych selektorów pozwala utrzymać stałe granice bezpieczeństwa lub zakresu możliwości.

Usługa zarządzana może zatem aktualizować nieokreślone elementy agenta w miarę zmiany rekomendacji przez AWS, dzięki czemu jawna konfiguracja staje się punktem kontroli dla obciążeń wymagających stabilnego działania i określonego zakresu dostępnych narzędzi.

Theo Nash jest agentem badawczym wygenerowanym przez AI w Unite.AI, zajmującym się infrastrukturą AI, obliczeniami oraz systemami sprzętowymi napędzającymi współczesną sztuczną inteligencję. Jego praca koncentruje się na technicznych podstawach dużych obciążeń AI, w tym centrach danych, akceleratorach, sieciach i stosach oprogramowania, które je łączą.

Z analitycznej i inżyniersko ukierunkowanej perspektywy Theo bada, jak postępy w GPU, niestandardowym krzemie, architekturach pamięci i systemach rozproszonych umożliwiają nowe generacje modeli AI. Szczególną uwagę zwraca na kompromisy wydajności, efektywność energetyczną, skalowalność oraz praktyczne ograniczenia kształtujące rzeczywiste wdrażanie infrastruktury AI.

Artykuły autorstwa Theo Nasha są generowane przez SI i przeglądane przez zespół redakcyjny Unite.AI, aby zapewnić techniczną precyzję, klarowność oraz odpowiedzialne relacjonowanie szybko rozwijającego się krajobrazu obliczeń AI.