Intensivo Gratis 21–22.11Intensivo gratuito de 2 días en Vibecoding (21–22 nov, 16:00 MSK) · Cohorte 3 inicia 23.11Registrarse gratis →Cohorte 3 (23.11)
LanzamientoAnálisis · En radarAWS Machine Learning Blog→ original

AgentCore de AWS incorpora hooks con Lambda y gasta un 34% menos de tokens que sus alternativas

AWS ha actualizado AgentCore harness, un entorno listo para usar con agentes de IA, y ha añadido hooks: antes de devolver dinero a un cliente, su función Lambda puede bloquear cualquier importe superior a 500 dólares. Según la compañía, al comprimir la conversación antigua el agente gasta aproximadamente un 34% menos de tokens que con otros harness populares. Las reglas de seguridad es más fiable escribirlas en código que pedírselas al modelo en el prompt.

Procesado por IA desde AWS Machine Learning Blog; editado por Hamidun News
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalAWS Machine Learning Blog ↗
Editor jefe
Hay cuatro hooksantes de la solicitud, antes y después de la llamada a una herramienta, y después de la respuesta
Dato clave #2Los hooks también se aplican a los subagentes: la delegación no los esquiva
Dato clave #3Si Lambda falla, por defecto se bloquea la acción (failureMode deny)

Imagine un agente de soporte que resuelve un pedido por su cuenta y puede devolver dinero al cliente. Pedirle al modelo en el prompt que «no devuelva más de 500 dólares» no es fiable: su comportamiento es impredecible. AWS propone otra solución en el renovado Amazon Bedrock AgentCore harness, un «harness» gestionado para agentes de IA, es decir, un conjunto listo para usar de modelo, prompt, herramientas y gestión del contexto que la propia AWS ejecuta y escala.

Ahora está construido sobre Strands harness (un harness abierto con licencia Apache 2.0 que AWS lanzó a principios de este año) e incorpora hooks de ciclo de vida: puntos en el funcionamiento del agente donde se ejecuta su código habitual. Por ejemplo, una función Lambda (una pequeña función en la nube de AWS) comprueba el importe antes de la devolución y puede bloquear la acción.

Además, según AWS, gracias a la compresión del contexto el harness gasta aproximadamente un 34% menos de tokens que otros harness populares. No hace falta conectar recursos nuevos: la actualización llega al harness que ya se utiliza.

Qué obtienen los agentes con la configuración por defecto

Si en la configuración no se indican el modelo, el prompt de sistema ni la política de recorte del historial, el harness aplica un conjunto recomendado. El modelo por defecto irá cambiando a medida que salgan otros nuevos, y los ajustes definidos de forma explícita siempre tienen prioridad. El prompt de sistema enseña al agente a reunir contexto, elegir las herramientas adecuadas, no abandonar la tarea a medias, reaccionar ante los fallos y verificar el resultado antes de informar.

Algunas funciones influyen directamente en la factura de tokens. El almacenamiento en caché automático del prompt (por ahora para modelos de Anthropic en Amazon Bedrock) guarda la instrucción del sistema, las descripciones de las herramientas y el historial del diálogo, y las llamadas repetidas los leen a un precio reducido. Cuando la ventana de contexto alcanza un umbral configurable, los mensajes antiguos se condensan en un breve resumen y los recientes se mantienen tal cual. Según AWS, eso es precisamente lo que produce el ahorro de en torno al 34%. Es una cifra del proveedor; el material no incluye confirmación independiente.

El conjunto de herramientas integradas se ha ampliado:

  • todo_write guarda el plan de tareas y lo restaura en las siguientes llamadas de la misma sesión, incluso tras la compresión del historial;
  • subagent entrega una tarea autocontenida a un «trabajador» nuevo y devuelve el resultado al agente principal;
  • web_fetch descarga el contenido de una página web;
  • read, write y edit, por separado, permiten conceder al agente solo los permisos de archivos necesarios;
  • los resultados voluminosos de las herramientas se sacan del contexto: el agente ve una vista previa y, si lo necesita, recupera la versión completa.

Hooks: verificación con código, no confiar en el prompt

Hay cuatro eventos. before_invocation se activa antes de procesar la solicitud, y un rechazo detiene la llamada. before_tool_call se ejecuta después de que el modelo proponga una acción, pero antes de ejecutarla: el rechazo omite la llamada y el agente sigue trabajando. after_tool_call se activa cuando ya existe el resultado: este se conserva, pero el razonamiento posterior se detiene. after_invocation informa de la decisión una vez terminada la llamada; la salida ya enviada al usuario no se puede retirar.

En el ejemplo de AWS, antes de la herramienta issue_refund hay una comprobación con Lambda. Si el importe supera los 500 dólares, la función devuelve deny con el motivo «Refund exceeds the $500 auto-approval limit». La devolución se omite y el agente puede comunicar al cliente que la solicitud se ha enviado para su aprobación. Cada decisión llega al flujo de respuesta de InvokeHarness como hookEvent, de modo que la auditoría sale casi gratis.

Detalles importantes. Solo los hooks de Lambda pueden alterar el curso del agente: son síncronos y responden allow o deny. Los hooks de Amazon SNS y Amazon EventBridge son únicamente notificaciones y no bloquean el ciclo. Los hooks también se aplican a los subagentes, así que la delegación no esquiva la política de devoluciones. Si Lambda falla o no cumple el timeout, entra en juego failureMode, que por defecto es deny: la acción se bloquea. Los hooks se configuran mediante CreateHarness o UpdateHarness.

Cómo probarlo y qué fijar en la configuración

El harness se crea con un solo comando mediante AgentCore CLI, que se instala con npm. En el ejemplo de AWS se monta un coordinador de investigación: en una sola llamada lanza subagentes (un investigador, un sintetizador y un revisor) y devuelve un informe único. Para los hooks hay una demo, Refund Desk, en el repositorio de ejemplos de AgentCore en GitHub: un recorrido de seis pasos por los cuatro eventos y los destinos Lambda, SNS y EventBridge.

Si la aplicación tiene requisitos de seguridad estrictos, conviene fijarlos de forma explícita. El modelo se fija mediante su ID, el prompt de sistema se sustituye con systemPrompt y la política de contexto se define con truncation. Especialmente importante es allowedTools: si se omite o su valor es ["*"], el conjunto de herramientas integradas puede crecer con el tiempo. Enumere solo lo necesario, por ejemplo ["read", "web_fetch"]: lectura de archivos y descarga de páginas, sin acceso al shell ni modificación de archivos.

La conclusión práctica es sencilla: si el agente toca dinero, datos de clientes o sistemas externos, es más fiable escribir las restricciones como código en los hooks y con una lista explícita de herramientas que con peticiones en el prompt.

Historia

Preguntas frecuentes sobre la noticia

¿Qué se sabe sobre Qué obtienen los agentes con la configuración por defecto?

Si en la configuración no se indican el modelo, el prompt de sistema ni la política de recorte del historial, el harness aplica un conjunto recomendado. El modelo por defecto irá cambiando a medida que salgan otros nuevos, y los ajustes definidos de forma explícita siempre tienen prioridad. El prompt de sistema enseña al agente a reunir contexto, elegir las herramientas adecuadas, no abandonar la tarea a medias, reaccionar ante los fallos y verificar el resultado antes de informar.

¿Qué se sabe sobre Hooks: verificación con código, no confiar en el prompt?

Hay cuatro eventos. before_invocation se activa antes de procesar la solicitud, y un rechazo detiene la llamada. before_tool_call se ejecuta después de que el modelo proponga una acción, pero antes de ejecutarla: el rechazo omite la llamada y el agente sigue trabajando. after_tool_call se activa cuando ya existe el resultado: este se conserva, pero el razonamiento posterior se detiene. after_invocation informa de la decisión una vez terminada la llamada; la salida ya enviada al usuario no se puede retirar.

Cómo probarlo y qué fijar en la configuración?

El harness se crea con un solo comando mediante AgentCore CLI, que se instala con npm. En el ejemplo de AWS se monta un coordinador de investigación: en una sola llamada lanza subagentes (un investigador, un sintetizador y un revisor) y devuelve un informe único. Para los hooks hay una demo, Refund Desk, en el repositorio de ejemplos de AgentCore en GitHub: un recorrido de seis pasos por los cuatro eventos y los destinos Lambda, SNS y EventBridge.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Private AI Builders Community · Vibe Club

Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews

Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.

Join Vibe Club →Explore Hamidun Academy
¿Qué te parece?
Cargando comentarios…