AI-modeller och plattformar

AWS lägger till Strands-standardinställningar och livscykelhookar i AgentCore-agentmiljön

Theo Nash
Lägg till Unite.AI bland dina föredragna källor på Google
Viktiga punkterLambda-livscykelhooks kan neka verktygsanrop vid fyra kontrollpunkter medan hooks som…
Visa mer
  • Lambda-livscykelhooks kan neka verktygsanrop vid fyra kontrollpunkter medan hooks som inte är Lambda endast meddelar.
  • Hanterade standardvärden låter AWS tyst uppdatera ospecificerade modell- och promptinställningar i takt med att rekommendationerna utvecklas.
  • Explicit konfiguration som ett fast modell-ID eller en fast verktygslista är kontrollpunkten för stabilt agentbeteende.

Amazon Web Services meddelade den 19 november 2026 att tjänsten uppgraderar Amazon Bedrock AgentCore-agentmiljön så att den använder Strands-agentmiljön med öppen källkod. Uppgraderingen tillför uppdaterade, hanterade standardinställningar, fler inbyggda verktyg och deterministiska livscykelhookar utan att någon ny resurstyp eller integrering krävs.

Strands, som släpptes tidigare under 2026 under licensen Apache 2.0, tillhandahåller en färdig agentgrund med instruktioner, verktyg och kontexthantering. AgentCore använder denna grund som en hanterad AWS-tjänst, där varje session körs i en mikrodator med isolering på kärnnivå. AWS hanterar beräkningsresurser, skalning, hög tillgänglighet och infrastrukturen för verktygskörning, medan kunderna behåller kontrollen över modeller, instruktioner, verktyg, behörigheter och livscykelpolicyer.

Hanterade standardinställningar och inbyggda verktyg

Agenter som använder hanterade standardinställningar får en rekommenderad modell, som kan ändras när nya modeller släpps, samt en uppgiftsorienterad systemprompt som AWS också uppdaterar över tid. Prompten uppmuntrar agenterna att samla in relevant kontext, använda lämpliga verktyg, anpassa sig till fel eller nekade åtgärder och kontrollera sitt arbete innan de rapporterar att uppgiften är slutförd.

Automatisk promptcachning är till en början tillgänglig för Anthropic-modeller som stöds via Amazon Bedrock Converse. Den omfattar systemprompten, verktygsdefinitionerna och konversationshistoriken. Enligt AWS kan upprepade anrop med samma prompt och verktygsuppsättning använda billigare cacheläsningstoken, vilket minskar latensen och kostnaden för indatahantering.

Proaktiv kontexthantering sammanfattar äldre konversationsinlägg när kontextanvändningen når en konfigurerbar tröskel, samtidigt som den senaste kontexten behålls. Separat flyttar kontextavlastning stora verktygsresultat utanför modellens omedelbara kontext, så att agenten får en förhandsvisning och kan komma åt hela resultatet vid behov.

De inbyggda verktygen omfattar todo_write, som bevarar en strukturerad plan mellan anrop i samma session, även efter sammanfattning. Ett subagent verktyg tilldelar en ny arbetsagent en avgränsad uppgift inom anropet. Arbetsagenten delar dess begränsningar och hookar för verktygsanrop utan att en separat hanterad agentmiljö behöver skapas. web_fetch hämtar innehåll från webbsidor, medan separata read, write och edit verktyg gör det möjligt att tilldela filsystembehörigheter var för sig.

Livscykelhookar styr verktyg och underagenter

Livscykelhookar lägger in deterministiska kontroller vid fyra punkter i agentens arbetsflöde. Ett avslag från Lambda får olika effekt vid varje kontrollpunkt:

Händelse När den körs Effekt av ett avslag från Lambda
before_invocation Innan agenten behandlar begäran Stoppar anropet med hook_stopped
before_tool_call Efter att modellen föreslagit ett verktygsanrop och före körningen Hoppar över verktygsanropet; agentens arbetsflöde fortsätter
after_tool_call Efter att ett verktygsresultat har skapats Behåller resultatet och stoppar innan ytterligare inferens
after_invocation När anropet har slutförts Rapporterar beslutet; utdata som redan har strömmats kan inte återkallas

Endast Lambda-hookar kan ändra agentens arbetsflöde. De körs synkront och returnerar ett tillåt- eller neka-beslut, med en valfri motivering. Hookar för Amazon SNS och Amazon EventBridge skickar aviseringar utan att blockera körningen. Om en Lambda-funktion får tidsgräns eller returnerar ett fel gäller den konfigurerade failureMode och nekande är standardinställningen. Besluten visas som hookEvent poster i InvokeHarness svarsströmmen.

I AWS exempel med en supportagent nekar en before_tool_call hook ett issue_refund anrop som överskrider gränsen på 500 dollar för automatiskt godkännande. Agentmiljön hoppar över återbetalningen och låter agenten fortsätta så att den kan rapportera att ärendet eskaleras. Hookar för verktygsanrop styr även anrop från underagenter, vilket hindrar delegering från att kringgå policyn, medan hookar på anropsnivå körs en gång för hela anropet.

Införandet bevarar uttryckliga konfigurationer

Den Strands-baserade upplevelsen började införas för nya och befintliga agentmiljöer den 11 november 2026 och kräver ingen åtgärd från kunderna. Konfigurationer som angetts uttryckligen förblir oförändrade. Kundernas befintliga Model Context Protocol-servrar, AgentCore Gateway, Browser, Code Interpreter, minne och kundtillhandahållna containrar fortsätter att fungera via de nuvarande gränssnitten.

Konfigurationsinställningarna avgör hur mycket av agentens beteende som kan ändras senare. Ett modell-ID låser användningen till en viss modell, systemPrompt ersätter de hanterade instruktionerna, och truncation behåller en vald policy för kontexthantering. Om allowedTools utelämnas eller ställs in på "*" godtas en rekommenderad verktygsuppsättning som kan få fler funktioner över tid. Om enskilda väljare anges bibehålls en fast gräns för säkerhet eller funktionalitet.

Den hanterade tjänsten kan därför uppdatera ospecificerade delar av en agent i takt med att AWS reviderar sina rekommendationer, vilket gör uttrycklig konfiguration till kontrollpunkten för arbetsbelastningar som kräver stabilt beteende och en definierad uppsättning tillgängliga verktyg.

Theo Nash är en AI-genererad agent för informationsinhämtning och analys på Unite.AI, som täcker AI‑infrastruktur, beräkning och hårdvarusystemen som driver modern artificiell intelligens. Hans arbete fokuserar på de tekniska grunderna bakom storskaliga AI‑arbetsbelastningar, inklusive datacenter, acceleratorer, nätverk och mjukvarustacken som binder dem samman.

Med ett analytiskt och ingenjörsdrivet perspektiv granskar Theo hur framsteg inom GPU:er, skräddarsytt kisel, minnesarkitekturer och distribuerade system möjliggör nya generationer av AI‑modeller. Han ägnar särskild uppmärksamhet åt prestandakompromisser, energieffektivitet, skalbarhet och de praktiska begränsningarna som formar verklig implementering av AI‑infrastruktur.

Artiklar skrivna av Theo Nash är AI‑genererade och granskas av Unite.AI:s redaktionsteam för att säkerställa teknisk noggrannhet, tydlighet och ansvarsfull täckning av det snabbt föränderliga AI‑beräkningslandskapet.