AWS lance SMART : un agent WhatsApp sur AgentCore se déploie en une seule commande
Le plus difficile dans un agent IA pour WhatsApp, c'est l'outillage autour : webhooks, messages vocaux, mémoire, modèles de messages Meta et plus de 10 services AWS. AWS publie en open source SMART : vous écrivez un agent.py sur Bedrock AgentCore, et la commande socialagent deploy monte toute l'infrastructure via Terraform. L'équipe de Webmotors a bouclé son projet en six semaines, contre deux mois prévus. Si votre agent tourne déjà sur AgentCore, vous n'avez plus à construire le canal WhatsApp de zéro.
Traité par IA depuis AWS Machine Learning Blog ; édité par Hamidun News
En Amérique latine, en Inde et en Asie du Sud-Est, WhatsApp est le principal canal par lequel les clients communiquent avec les entreprises : c'est donc là qu'il est logique de déployer un agent IA. Le problème : l'agent lui-même se développe vite, mais la connexion à la messagerie engloutit des semaines. AWS a publié SMART (Social Messaging Agent Runtime Toolkit), un SDK Python et une pile Terraform ouverts qui prennent en charge toute la couche de canal.
Ce qui coince quand on connecte un agent à WhatsApp
Les messages entrants arrivent sous forme de structures JSON profondément imbriquées, dont la forme dépend du type de message. Il faut en vérifier l'authenticité et les ramener à un format unique. Les messages vocaux, les images et les documents exigent chacun leur propre pipeline de traitement. Viennent ensuite une mémoire qui survit aux sessions, des planifications fiables pour les rappels et un point d'entrée sécurisé pour les systèmes externes qui veulent déclencher un message sortant.
Autre piège, la règle de Meta : tout message envoyé plus de 24 heures après le dernier message du client doit passer par un modèle (template) approuvé à l'avance. Selon AWS, assembler tout cela à la main revient à configurer plus de 10 services et à maîtriser des comportements de WhatsApp que les équipes découvrent généralement à leurs dépens. On choisit d'ordinaire entre « tout écrire soi-même » et « confier cela à un service tiers ». SMART est une troisième voie, qui s'exécute dans votre propre compte AWS.
Comment ça fonctionne
Le contrat entre SMART et l'agent est volontairement minuscule : l'agent reçoit le texte du message entrant et renvoie du texte, avec des pièces jointes si besoin. L'agent tourne dans AgentCore Runtime, la mémoire est stockée dans AgentCore Memory et automatiquement associée au numéro de téléphone. Par défaut, l'historique est conservé 7 jours. Le framework est au choix : avec Strands Agents, la mémoire se branche automatiquement ; LangGraph ou Pydantic-AI peuvent aussi s'intégrer via les mêmes hooks.
Dans l'exemple d'AWS, tout le fichier agent.py tient en quelques lignes. L'enveloppe socialagent_notify_context mérite l'attention : si un outil veut envoyer des boutons ou un statut intermédiaire pendant que l'agent réfléchit, l'envoi immédiat corrompt l'historique de la conversation, et le message suivant de l'utilisateur échoue avec une erreur. L'enveloppe accumule ces messages et les envoie dans l'ordre une fois le tour terminé.
En interne, les événements entrants transitent par Amazon SNS. Une fonction Lambda vérifie la signature, normalise les données et limite l'utilisateur à 20 messages par minute (si la table DynamoDB est activée). Elle envoie ensuite un accusé de lecture et un indicateur de saisie, pour que la conversation ne paraisse pas figée.
Amazon Transcribe transcrit les messages vocaux. Si l'agent plante ou atteint ses limites, l'utilisateur reçoit un message explicite plutôt que le silence. Les envois proactifs passent par EventBridge Scheduler, et les systèmes externes frappent à la porte d'API Gateway avec une clé et un autorisateur Lambda.
Par défaut, Terraform crée aussi des Bedrock Guardrails : vous pouvez garder ceux par défaut, brancher les vôtres ou les désactiver complètement.
Pour démarrer et en tirer parti
On clone le dépôt, puis la commande socialagent init crée un projet à partir de l'un des trois modèles : minimal (un agent écho vide), personal-assistant (mémoire, planifications, voix, images) et appointment-scheduler (prise de rendez-vous avec rappels). La commande socialagent dev lance dans le terminal l'agent réel et ses outils réels, sans aucune infrastructure ; les canaux AWS sont remplacés par des stubs. L'appel au modèle, lui, est bien réel : il faut donc un accès à Bedrock et des identifiants AWS.
Le mode local ne simule ni IAM ni la validation des modèles Meta, un test sur la pile déployée reste donc indispensable. Le déploiement se fait avec socialagent deploy, qui exécute terraform apply en coulisses. L'image de conteneur est construite dans CodeBuild, sans Docker en local.
Une étape échappe à Terraform : dans le WhatsApp Business Account, il faut indiquer manuellement le topic SNS comme destinataire des événements. Tant que ce n'est pas fait, les messages entrants partent dans le vide, et sans la moindre erreur. Autre point d'attention : Meta reclasse souvent en promotionnels les modèles contenant des emojis ou un ton publicitaire, et un modèle rejeté fait échouer le déploiement. L'option --force renvoie en revalidation des modèles déjà approuvés ; mieux vaut ne pas l'utiliser sans nécessité.
Pour une flotte de bots, une console d'administration optionnelle est disponible : lecture des conversations en direct avec réponse manuelle, gestion des planifications, redémarrage des Lambda, historique des déploiements, logs et statuts des modèles. La connexion passe par Cognito avec MFA obligatoire. Les conversations restent chez deux fournisseurs, Meta et AWS, même si les appels au modèle peuvent être traités dans d'autres régions en raison du routage inter-régions de Bedrock.
Une réserve importante : AWS qualifie explicitement le code d'exemple non destiné à la production, et il doit passer entre les mains des équipes sécurité et juridique. Pour les équipes qui construisent des services clients sur WhatsApp avec AWS, c'est néanmoins un socle prêt à l'emploi. Selon AWS, Webmotors a ramené son projet de deux mois à six semaines et a mis son équipe interne en production contrôlée avant le lancement complet. La leçon pratique est simple : ne perdez pas un trimestre sur les webhooks et les modèles de messages, investissez dans le prompt, les outils et la logique métier.
- 19 nov. 2026Les agents AWS AgentCore peuvent désormais joindre un Keycloak fermé protégé par une CA d'entreprise
- 19 nov. 2026Nvidia affiche un chiffre d'affaires record de 115,8 Md$, mais n'a plus été aussi bon marché depuis 2012
- 19 nov. 2026AWS : une chaîne de 10 agents fiables à 95% n'atteint que 59,9% de réussite en sortie
- 19 nov. 2026AWS décrit 3 schémas de connexion d'un agent IA à Snowflake : au nom d'un humain ou d'un compte partagé
Questions clés sur cet article
Que sait-on sur Ce qui coince quand on connecte un agent à WhatsApp ?
Les messages entrants arrivent sous forme de structures JSON profondément imbriquées, dont la forme dépend du type de message. Il faut en vérifier l'authenticité et les ramener à un format unique. Les messages vocaux, les images et les documents exigent chacun leur propre pipeline de traitement. Viennent ensuite une mémoire qui survit aux sessions, des planifications fiables pour les rappels et un point d'entrée sécurisé pour les systèmes externes qui veulent déclencher un message sortant.
Comment ça fonctionne?
Le contrat entre SMART et l'agent est volontairement minuscule : l'agent reçoit le texte du message entrant et renvoie du texte, avec des pièces jointes si besoin. L'agent tourne dans AgentCore Runtime, la mémoire est stockée dans AgentCore Memory et automatiquement associée au numéro de téléphone. Par défaut, l'historique est conservé 7 jours. Le framework est au choix : avec Strands Agents, la mémoire se branche automatiquement ; LangGraph ou Pydantic-AI peuvent aussi s'intégrer via les mêmes hooks.
Que sait-on sur Pour démarrer et en tirer parti ?
On clone le dépôt, puis la commande socialagent init crée un projet à partir de l'un des trois modèles : minimal (un agent écho vide), personal-assistant (mémoire, planifications, voix, images) et appointment-scheduler (prise de rendez-vous avec rappels). La commande socialagent dev lance dans le terminal l'agent réel et ses outils réels, sans aucune infrastructure ; les canaux AWS sont remplacés par des stubs. L'appel au modèle, lui, est bien réel : il faut donc un accès à Bedrock et des identifiants AWS.
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.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.