AWS lança SMART: agente de WhatsApp no AgentCore sobe com um único comando
A parte mais difícil de um agente de IA para WhatsApp é a infraestrutura em volta: webhooks, mensagens de voz, memória, templates da Meta e mais de 10 serviços da AWS. A AWS publicou o SMART, um kit open source em que você escreve o agent.py no Bedrock AgentCore e o comando socialagent deploy sobe toda a infraestrutura via Terraform. A equipe da Webmotors terminou em seis semanas, contra os dois meses previstos. Se o seu agente já roda no AgentCore, dá para não construir o canal de WhatsApp do zero.
Processado por IA de AWS Machine Learning Blog; editado por Hamidun News
Na América Latina, na Índia e no Sudeste Asiático, o WhatsApp é o principal canal de conversa entre clientes e empresas, e é por isso que faz sentido colocar um agente de IA justamente ali. O problema é que o agente em si fica pronto rápido, mas a integração com o mensageiro consome semanas. A AWS lançou o SMART (Social Messaging Agent Runtime Toolkit), um SDK Python e um stack Terraform abertos que assumem toda a camada de canal.
O que dá dor de cabeça ao conectar um agente ao WhatsApp
As mensagens recebidas chegam como estruturas JSON profundamente aninhadas, cujo formato depende do tipo de mensagem, e é preciso verificar a autenticidade de cada uma e convertê-las para um formato único. Mensagens de voz, imagens e documentos exigem, cada um, seu próprio pipeline de processamento. Além disso, são necessários memória que sobreviva entre sessões, agendamentos confiáveis para lembretes e uma entrada protegida para sistemas externos que queiram disparar uma mensagem de saída.
Outra armadilha é a regra da Meta: tudo que você envia mais de 24 horas depois da última mensagem do cliente precisa seguir um template previamente aprovado. Segundo a estimativa da AWS, montar tudo isso à mão significa configurar mais de 10 serviços e conhecer o comportamento do WhatsApp, algo que as equipes costumam aprender na base da tentativa e erro. Em geral, a escolha é entre "desenvolver por conta própria" e "entregar a um serviço de terceiros". O SMART é uma terceira opção, e ele roda dentro da sua conta AWS.
Como funciona
O contrato entre o SMART e o agente é propositalmente minúsculo: o agente recebe o texto da mensagem de entrada e devolve texto, com anexos se quiser. O agente roda no AgentCore Runtime, e a memória fica no AgentCore Memory, vinculada automaticamente ao número de telefone. Por padrão, o histórico é mantido por 7 dias. O framework é escolha sua: com o Strands Agents, a memória se conecta automaticamente, e LangGraph ou Pydantic-AI também podem ser integrados pelos mesmos hooks.
No exemplo da AWS, o agent.py inteiro cabe em poucas linhas. Um detalhe interessante é o wrapper socialagent_notify_context: se uma ferramenta quer enviar botões ou um status intermediário enquanto o agente ainda está processando, o envio imediato corrompe o histórico da conversa, e a próxima mensagem do usuário falha com erro. O wrapper acumula essas mensagens e as envia em ordem depois que o turno termina.
Por dentro, os eventos de entrada passam pelo Amazon SNS. Uma Lambda verifica a assinatura, normaliza os dados e limita cada usuário a 20 mensagens por minuto (com a tabela DynamoDB ativada). Em seguida, ela envia a confirmação de leitura e o indicador de digitação, para que a conversa não pareça parada.
As mensagens de voz são transcritas pelo Amazon Transcribe. Se o agente falhar ou estourar os limites, o usuário recebe uma mensagem clara, e não silêncio. Os envios proativos passam pelo EventBridge Scheduler, e os sistemas externos acessam o API Gateway com uma chave e um authorizer em Lambda.
Por padrão, o Terraform também cria o Bedrock Guardrails: é possível manter os padrões, conectar os seus ou desativá-lo por completo.
Como começar e o que fazer com isso
Basta clonar o repositório e rodar o comando socialagent init, que cria um projeto a partir de um de três templates: minimal (um agente de eco vazio), personal-assistant (memória, agendamentos, voz, imagens) e appointment-scheduler (agendamento de serviços com lembretes). O comando socialagent dev executa o agente real e as ferramentas reais no terminal, sem nenhuma infraestrutura; os canais da AWS são substituídos por stubs. Ainda assim, a chamada ao modelo é real, então são necessários acesso ao Bedrock e credenciais da AWS.
O modo local não simula o IAM nem a verificação de templates da Meta, por isso o teste no stack implantado continua sendo obrigatório. O deploy é feito com socialagent deploy, que por baixo dos panos executa terraform apply. A imagem do contêiner é gerada no CodeBuild, sem necessidade de Docker local.
Há também uma etapa que o Terraform não consegue executar: na WhatsApp Business Account, é preciso indicar manualmente o tópico SNS como destino dos eventos. Enquanto isso não for feito, as mensagens recebidas se perdem, e sem nenhum erro. Outro ponto de atenção: templates com emojis e tom publicitário costumam ser reclassificados pela Meta como promocionais, e um template rejeitado quebra o deploy. A flag --force envia templates já aprovados para uma nova revisão, e o melhor é não usá-la sem necessidade.
Para frotas de bots, existe um console administrativo opcional: leitura de conversas ao vivo com resposta manual, gerenciamento de agendamentos, reinício de Lambdas, histórico de deploys, logs e status de templates. O acesso é feito pelo Cognito com MFA obrigatória. As conversas ficam com dois provedores, Meta e AWS, embora as chamadas ao modelo possam ser processadas em outras regiões por causa do roteamento entre regiões do Bedrock.
Uma ressalva importante: a própria AWS classifica o código como exemplo para uso fora de produção, e ele precisa passar por revisão de segurança e jurídica. Mesmo assim, para equipes que constroem serviços de atendimento no WhatsApp sobre a AWS, é uma estrutura pronta. Segundo a AWS, a Webmotors reduziu o projeto de dois meses para seis semanas e colocou a equipe interna em produção controlada antes do lançamento completo. A conclusão prática é simples: não gaste um trimestre com webhooks e templates, invista em prompt, ferramentas e lógica de negócio.
- 18 de nov. de 2026Modelos de decisão respondem por mais de 25% das requisições no roteador da Vercel um mês após surgirem
- 18 de nov. de 2026StarSling reduz o build mais longo da Mastra de 29 para 5 minutos
- 18 de nov. de 2026MoEngage conecta agentes de IA a APIs prontas: CTR de push da Glance sobe 38%
- 18 de nov. de 2026Agente de IA deixou o SOC com 27 minutos para reagir, contra 53 diante de um atacante júnior
Perguntas frequentes sobre a notícia
O que dá dor de cabeça ao conectar um agente ao WhatsApp?
As mensagens recebidas chegam como estruturas JSON profundamente aninhadas, cujo formato depende do tipo de mensagem, e é preciso verificar a autenticidade de cada uma e convertê-las para um formato único. Mensagens de voz, imagens e documentos exigem, cada um, seu próprio pipeline de processamento. Além disso, são necessários memória que sobreviva entre sessões, agendamentos confiáveis para lembretes e uma entrada protegida para sistemas externos que queiram disparar uma mensagem de saída.
Como funciona?
O contrato entre o SMART e o agente é propositalmente minúsculo: o agente recebe o texto da mensagem de entrada e devolve texto, com anexos se quiser. O agente roda no AgentCore Runtime, e a memória fica no AgentCore Memory, vinculada automaticamente ao número de telefone. Por padrão, o histórico é mantido por 7 dias. O framework é escolha sua: com o Strands Agents, a memória se conecta automaticamente, e LangGraph ou Pydantic-AI também podem ser integrados pelos mesmos hooks.
Como começar e o que fazer com isso?
Basta clonar o repositório e rodar o comando socialagent init, que cria um projeto a partir de um de três templates: minimal (um agente de eco vazio), personal-assistant (memória, agendamentos, voz, imagens) e appointment-scheduler (agendamento de serviços com lembretes). O comando socialagent dev executa o agente real e as ferramentas reais no terminal, sem nenhuma infraestrutura; os canais da AWS são substituídos por stubs.
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.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.