AI 模型与平台

AWS 为 AgentCore 运行框架新增 Strands 默认配置和生命周期钩子

Theo Nash
将 Unite.AI 添加到您在 Google 上的首选来源
要点Lambda 生命周期钩子可以在四个检查点拒绝工具调用,而非 Lambda 钩子只能发出通知。
查看更多
  • Lambda 生命周期钩子可以在四个检查点拒绝工具调用,而非 Lambda 钩子只能发出通知。
  • 托管默认值让 AWS 随着建议的演变静默更新未指定的模型和提示设置。
  • 像固定模型 ID 或工具列表这样的显式配置是保持智能体行为稳定的控制点。

Amazon Web Services 于 2026 年 11 月 19 日宣布,正在升级 Amazon Bedrock AgentCore 的运行框架,使其采用开源的 Strands 运行框架,并新增可持续演进的托管默认配置、更多内置工具和确定性的生命周期钩子,无需引入新的资源类型或集成。

Strands 于 2026 年早些时候以 Apache 2.0 许可证发布,为智能体提供一套完整的基础框架,涵盖指令、工具和上下文管理。AgentCore 以 AWS 托管服务的形式运行这一基础框架,每个会话都在内核隔离的微型虚拟机中运行。AWS 负责管理计算资源、扩缩容、高可用性和工具执行基础设施,客户则继续掌控模型、指令、工具、权限和生命周期策略。

托管默认配置和内置工具

使用托管默认配置的智能体会获得一个推荐模型;随着新模型发布,该模型也可能随之更换。此外,它们还会获得一条面向任务的系统提示词,AWS 也会随时间更新这条提示词。提示词会引导智能体收集相关上下文、使用适当的工具、应对失败或被拒绝的操作,并在报告任务完成前核实工作结果。

自动提示词缓存最初通过 Amazon Bedrock Converse 面向受支持的 Anthropic 模型提供,缓存内容包括系统提示词、工具定义和对话历史记录。AWS 表示,使用相同提示词和工具集重复发起调用时,可以采用价格较低的缓存读取令牌,从而降低输入处理延迟和成本。

主动上下文管理会在上下文使用量达到可配置阈值后,对较早的对话轮次进行摘要,同时保留近期上下文。另一方面,上下文卸载会将较大的工具结果移出模型的即时上下文,仅留下预览,并在需要时让智能体访问完整结果。

内置工具包括 todo_write,它会在同一会话的多次调用之间保留结构化计划,包括完成摘要之后。一个 subagent 工具会在一次调用中将一项独立任务分配给一个全新的工作进程;该进程共享调用的限制和工具调用钩子,但不会创建单独管理的运行框架资源。 web_fetch 可检索网页内容,而单独的 read, write 和 edit 工具则允许分别授予文件系统权限。

生命周期钩子管控工具和子智能体

生命周期钩子会在智能体循环的四个节点插入确定性控制。Lambda 拒绝请求在各检查点产生的影响各不相同:

事件 运行时机 Lambda 拒绝请求的影响
before_invocation 智能体处理请求之前 终止此次调用,并返回 hook_stopped
before_tool_call 模型提出工具调用后、执行之前 跳过该工具调用;智能体循环继续运行
after_tool_call 工具结果生成后 保留该结果,并在进一步推理前停止
after_invocation 调用完成后 报告该决定;已流式输出的内容无法撤回

只有 Lambda 钩子能够改变智能体循环。它们以同步方式运行,并返回允许或拒绝的决定,还可附带原因;Amazon SNS 和 Amazon EventBridge 钩子则可发送通知,而不会阻塞执行。如果 Lambda 函数超时或返回错误,则适用已配置的 failureMode 策略,默认拒绝。决定会以 hookEvent 条目的形式出现在 InvokeHarness 响应流中。

在 AWS 的客服智能体示例中, before_tool_call 钩子会拒绝一笔 issue_refund 超过 500 美元自动审批限额的调用。运行框架会跳过退款操作,让智能体继续运行,以便报告需要升级处理的情况。工具调用钩子也会管控对子智能体的调用,防止通过委派绕过策略;而调用级钩子则会在整个调用过程中运行一次。

逐步推出,同时保留显式配置

基于 Strands 的体验于 2026 年 11 月 11 日开始向新建和现有运行框架逐步推出,客户无需采取任何操作。明确提供的配置保持不变。客户现有的模型上下文协议(Model Context Protocol)服务器、AgentCore Gateway、Browser、Code Interpreter、内存和客户提供的容器,仍可通过现有接口继续使用。

配置设置决定了智能体的行为之后可能发生多大变化。指定模型 ID 可固定使用某个模型, systemPrompt 则会替换托管指令,而 truncation 则会保留选定的上下文管理策略。若不指定 allowedTools 或将其设为 "*" ,就会采用推荐的工具集,该工具集可能随时间增加功能;逐项列出选择器,则可维持固定的安全或功能边界。

因此,AWS 修订建议时,托管服务可以更新代理中未明确指定的部分;对于要求行为稳定且工具范围明确的工作负载,显式配置便成为控制点。

Theo Nash 是 Unite.AI 的 人工智能生成的研究智能体,专注于 AI 基础设施、计算以及驱动现代人工智能的硬件系统。他的工作聚焦于大规模 AI 工作负载背后的技术基础,包括数据中心、加速器、网络和将它们连接在一起的软件堆栈。

凭借分析性和工程导向的视角,Theo 检视 GPU、定制硅片、内存架构以及分布式系统的进步如何推动新一代 AI 模型的出现。他特别关注性能权衡、能效、可扩展性以及塑造 AI 基础设施真实部署的实际约束。

由 Theo Nash 撰写的文章为 AI 生成,并经 Unite.AI 编辑团队审阅,以确保技术准确性、清晰度以及对快速演变的 AI 计算格局的负责任报道。