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)
LanzamientoAPI / Producto · Listo para usarAWS Machine Learning Blog→ original

AWS enseña a Strands Agents a trabajar con cualquier modelo en SageMaker

AWS ha publicado una guía para crear parsers personalizados para el framework Strands Agents. Permiten integrar cualquier LLM desplegado en SageMaker AI, incluidos modelos sin soporte nativo de la Bedrock Messages API. El ejemplo despliega Llama 3.1 con SGLang y la herramienta ml-container-creator. Esto abre a los clientes empresariales de AWS la vía para construir sistemas de agentes sobre prácticamente cualquier modelo abierto, sin limitarse al ecosistema de Bedrock.

Procesado por IA desde AWS Machine Learning Blog; editado por Hamidun News
AWS enseña a Strands Agents a trabajar con cualquier modelo en SageMaker
Fuente: AWS Machine Learning Blog. Collage: Hamidun News.
Escuchar artículo

El mundo de los agentes de IA empresariales vive un momento comparable a la llegada de los adaptadores universales en la electrónica: Amazon Web Services ha mostrado cómo hacer que su framework de agentes Strands Agents funcione con literalmente cualquier modelo de lenguaje desplegado en SageMaker, incluso si ese modelo ignora por completo la API estándar de la plataforma Bedrock.

Para entender la importancia de este paso, conviene retroceder unos meses. AWS lanzó Strands Agents como un framework abierto para crear agentes de IA: programas capaces de planificar acciones por sí solos, usar herramientas y resolver tareas de varios pasos. El framework nació orientado a los modelos disponibles a través de Amazon Bedrock, lo que creaba un ecosistema cómodo pero cerrado. Las empresas que querían usar sus propios modelos con fine-tuning o LLM abiertos como Llama desplegados en endpoints de SageMaker AI se topaban con un muro de incompatibilidad de formatos.

La nueva guía, publicada en el blog de AWS Machine Learning, resuelve precisamente ese problema. Los ingenieros de Amazon describen al detalle cómo crear los llamados model parsers personalizados: capas intermedias que traducen las solicitudes de Strands Agents a un formato que entiende un modelo concreto y convierten de vuelta las respuestas del modelo a la estructura que espera el framework. En esencia, es un traductor entre dos sistemas que hablan lenguas distintas.

Como ejemplo práctico, AWS muestra el despliegue de Llama 3.1 con SGLang, un motor de alto rendimiento para la inferencia de modelos de lenguaje, sobre la infraestructura de SageMaker. Para simplificar la creación de contenedores usa la herramienta ml-container-creator de AWS Labs, que automatiza la generación de contenedores Docker para modelos de ML. Tras desplegar el modelo, el desarrollador implementa un parser personalizado que intercepta las llamadas de Strands Agents, las reformatea desde la Bedrock Messages API a un formato compatible con el endpoint de SGLang, recibe la respuesta y la convierte de nuevo. Técnicamente no es ciencia de cohetes, pero sin documentación clara ni ejemplos el proceso podía convertirse en días de depuración.

¿Por qué es realmente importante? Porque en el entorno empresarial un solo modelo rara vez resuelve todas las tareas. Las compañías entrenan modelos especializados con sus datos, experimentan con arquitecturas abiertas y combinan varios modelos en un mismo flujo de trabajo. Hasta ahora, usar esos modelos en escenarios de agentes en AWS exigía pasar a formatos compatibles con Bedrock o escribir una orquestación propia desde cero. Ahora existe una forma estandarizada de conectar prácticamente cualquier LLM al framework de agentes y conservar todas las ventajas de Strands: gestión de herramientas, cadenas de razonamiento y tratamiento de errores.

El movimiento encaja en la estrategia más amplia de AWS de convertir su plataforma de ML en un ecosistema lo más abierto posible. Amazon ha entendido claramente que intentar encerrar a los clientes en Bedrock es contraproducente en un mundo donde cada semana aparecen nuevos modelos abiertos y las corporaciones invierten cada vez más en soluciones propias con fine-tuning. En lugar de competir con cada nuevo modelo, AWS ofrece una infraestructura donde se puede ejecutar cualquier cosa y, ahora, un framework de agentes que sabe trabajar con ese «cualquier cosa».

También conviene fijarse en el contexto competitivo. Google, con Vertex AI Agent Builder, y Microsoft, con AutoGen y Semantic Kernel, desarrollan activamente sus propias plataformas de agentes. Sin embargo, el enfoque de AWS con parsers personalizados abiertos parece más flexible: en vez de dictar qué modelos usar, Amazon ofrece herramientas para integrar cualquiera. Podría ser un argumento decisivo para los clientes empresariales que no quieren depender de un único proveedor de modelos.

A futuro cabe esperar parsers ya listos para modelos abiertos populares y motores de inferencia; es casi seguro que la comunidad empezará a crear una biblioteca de configuraciones compatibles. Para el mercado de agentes de IA supone otro paso hacia la madurez: la tecnología deja de ser un privilegio de quienes usan un modelo concreto de un proveedor concreto y queda al alcance de cualquier equipo dispuesto a desplegar un LLM en infraestructura en la nube.

Historia
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.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
¿Qué te parece?
Cargando comentarios…