AgentCore d'AWS reçoit des hooks Lambda et consomme 34% de tokens en moins que ses concurrents
AWS a mis à jour AgentCore harness, son environnement prêt à l'emploi pour agents IA, et y a ajouté des hooks. Avant un remboursement client, votre fonction Lambda peut par exemple refuser tout montant supérieur à 500 dollars. AWS affirme aussi que, grâce à la compression des anciens échanges, l'agent consomme environ 34% de tokens en moins que sur d'autres harnais populaires. Les règles de sécurité sont plus fiables lorsqu'on les écrit en code que lorsqu'on les demande dans un prompt.
Traité par IA depuis AWS Machine Learning Blog ; édité par Hamidun News
Prenons un agent de support qui traite seul une commande et peut rembourser un client. Demander au modèle, dans le prompt, de « ne pas rembourser plus de 500 dollars » n'est pas fiable : son comportement est imprévisible. AWS propose une autre approche dans la nouvelle version d'Amazon Bedrock AgentCore harness, un « harnais » géré pour agents IA, c'est-à-dire un ensemble prêt à l'emploi composé d'un modèle, d'un prompt, d'outils et d'une gestion du contexte, qu'AWS exécute et met à l'échelle elle-même.
Il repose désormais sur Strands harness (un harnais open source sous licence Apache 2.0, publié par AWS plus tôt cette année) et gagne des hooks de cycle de vie : des points du fonctionnement de l'agent où s'exécute votre code ordinaire. Par exemple, une fonction Lambda (une petite fonction dans le cloud AWS) vérifie le montant avant le remboursement et peut interdire l'action.
Selon AWS, la compression du contexte permet en outre au harness de consommer environ 34% de tokens en moins que d'autres harnais populaires. Il n'y a pas de nouvelles ressources à connecter : la mise à jour arrive dans le harness que vous utilisez déjà.
Ce que les agents obtiennent par défaut
Si la configuration ne précise ni modèle, ni prompt système, ni politique de troncature de l'historique, le harness applique un jeu de paramètres recommandé. Le modèle par défaut changera au fil des nouvelles sorties, mais les réglages définis explicitement priment toujours. Le prompt système apprend à l'agent à rassembler le contexte, à choisir les outils adaptés, à ne pas abandonner une tâche en cours de route, à réagir aux refus et à vérifier le résultat avant de rendre compte.
Certaines fonctions ont un effet direct sur la facture de tokens. Le cache automatique de prompt (pour l'instant réservé aux modèles Anthropic dans Amazon Bedrock) conserve l'instruction système, les descriptions des outils et l'historique de la conversation, et les appels suivants les relisent à tarif réduit. Quand la fenêtre de contexte atteint un seuil configurable, les anciennes répliques sont condensées en un court résumé, tandis que les plus récentes restent intactes. C'est ce mécanisme, selon AWS, qui produit l'économie d'environ 34%. Ce chiffre vient du fournisseur ; l'article ne contient aucune confirmation indépendante.
Le jeu d'outils intégrés s'est élargi :
- todo_write conserve le plan des tâches et le restaure dans les appels suivants de la même session, même après la compression de l'historique ;
- subagent confie une tâche isolée à un « exécutant » neuf et renvoie le résultat à l'agent principal ;
- web_fetch récupère le contenu d'une page web ;
- read, write et edit, séparés, permettent de n'accorder à l'agent que les droits nécessaires sur les fichiers ;
- les gros résultats d'outils sont sortis du contexte : l'agent en voit un aperçu et récupère la version complète si besoin.
Hooks : une vérification par le code, pas par l'espoir d'un prompt
Il y a quatre événements. before_invocation se déclenche avant le traitement de la requête, et un refus arrête l'appel. before_tool_call s'exécute une fois que le modèle a proposé une action, mais avant qu'elle ne soit effectuée : un refus saute l'appel, et l'agent poursuit son travail. after_tool_call se déclenche lorsque le résultat existe déjà : il est conservé, mais le raisonnement ultérieur s'arrête. after_invocation notifie la décision une fois l'appel terminé ; une sortie déjà envoyée à l'utilisateur ne peut plus être rappelée.
Dans l'exemple d'AWS, une vérification Lambda précède l'outil issue_refund. Si le montant dépasse 500 dollars, la fonction renvoie deny avec le motif « Refund exceeds the $500 auto-approval limit ». Le remboursement est ignoré, et l'agent peut indiquer au client que sa demande a été transmise pour validation. Chaque décision apparaît dans le flux de réponse d'InvokeHarness sous la forme d'un hookEvent, ce qui offre un audit quasiment gratuit.
Quelques détails importants. Seuls les hooks Lambda peuvent modifier le déroulement du travail de l'agent : ils sont synchrones et répondent allow ou deny. Les hooks sur Amazon SNS et Amazon EventBridge ne servent qu'aux notifications et ne bloquent pas la boucle. Les hooks s'appliquent aussi aux sous-agents : la délégation ne contourne donc pas la politique de remboursement. Si la fonction Lambda plante ou dépasse le délai d'expiration, c'est failureMode qui s'applique ; sa valeur par défaut est deny, donc l'action est refusée. Les hooks se configurent via CreateHarness ou UpdateHarness.
Comment l'essayer et que fixer dans la configuration
On crée un harness en une seule commande avec l'AgentCore CLI, qui s'installe via npm. Dans l'exemple d'AWS, un coordinateur de recherche lance en un seul appel des sous-agents (un chercheur, un synthétiseur et un relecteur) et renvoie un rapport unique. Pour les hooks, une démo Refund Desk est disponible dans le dépôt d'exemples AgentCore sur GitHub : une présentation en six étapes des quatre événements et des cibles Lambda, SNS et EventBridge.
Si votre application a des exigences de sécurité strictes, fixez-les explicitement. Le modèle se fige via son ID, le prompt système se remplace via systemPrompt, et la politique de contexte se définit via truncation. allowedTools est particulièrement important : si le paramètre est omis ou vaut ["*"], l'ensemble des outils intégrés peut s'élargir avec le temps. Ne listez que le nécessaire, par exemple ["read", "web_fetch"] : cela permet de lire des fichiers et de charger des pages, sans accès au shell ni modification de fichiers.
La conclusion pratique est simple : si un agent touche à l'argent, aux données clients ou à des systèmes externes, mieux vaut écrire les restrictions en code dans des hooks et dans une liste explicite d'outils que les réclamer dans le prompt.
- 19 nov. 2026Amazon et Google détiendront 28,4% d'Anthropic après l'IPO, mais sans droit de vote
- 19 nov. 2026Social Department remplace une semaine de visionnage d'une série par quatre requêtes QuickSearch sur AWS
- 19 nov. 2026Skyflow dans AgentCore Gateway : masquer les données personnelles aux outils des agents IA
- 19 nov. 2026Accenture a réduit de 40 à 85% les dépenses de tokens de ses clients sur Bedrock
Questions clés sur cet article
Que sait-on sur Ce que les agents obtiennent par défaut ?
Si la configuration ne précise ni modèle, ni prompt système, ni politique de troncature de l'historique, le harness applique un jeu de paramètres recommandé. Le modèle par défaut changera au fil des nouvelles sorties, mais les réglages définis explicitement priment toujours. Le prompt système apprend à l'agent à rassembler le contexte, à choisir les outils adaptés, à ne pas abandonner une tâche en cours de route, à réagir aux refus et à vérifier le résultat avant de rendre compte.
Que sait-on sur Hooks : une vérification par le code, pas par l'espoir d'un prompt ?
Il y a quatre événements. before_invocation se déclenche avant le traitement de la requête, et un refus arrête l'appel. before_tool_call s'exécute une fois que le modèle a proposé une action, mais avant qu'elle ne soit effectuée : un refus saute l'appel, et l'agent poursuit son travail. after_tool_call se déclenche lorsque le résultat existe déjà : il est conservé, mais le raisonnement ultérieur s'arrête.
Comment l'essayer et que fixer dans la configuration?
On crée un harness en une seule commande avec l'AgentCore CLI, qui s'installe via npm. Dans l'exemple d'AWS, un coordinateur de recherche lance en un seul appel des sous-agents (un chercheur, un synthétiseur et un relecteur) et renvoie un rapport unique. Pour les hooks, une démo Refund Desk est disponible dans le dépôt d'exemples AgentCore sur GitHub : une présentation en six étapes des quatre événements et des cibles Lambda, SNS et EventBridge.
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.
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.