Intensivo Grátis 21–22/11Intensivo gratuito de 2 dias em Vibecoding (21–22/11 às 16:00 MSK) · Turma 3 começa 23/11Inscrever-se grátis →Turma 3 (23/11)
LançamentoAnálise · No radarAWS Machine Learning Blog→ original

AgentCore, da AWS, ganha hooks com Lambda e gasta 34% menos tokens que alternativas

A AWS atualizou o AgentCore harness, um ambiente pronto para agentes de IA, e adicionou hooks. Antes de um reembolso ao cliente, por exemplo, uma função Lambda sua pode bloquear valores acima de 500 dólares. Segundo a AWS, ao comprimir o histórico antigo da conversa, o agente gasta cerca de 34% menos tokens do que em outros harnesses populares. Regras de segurança são mais confiáveis quando escritas em código, e não pedidas no prompt.

Processado por IA de AWS Machine Learning Blog; editado por Hamidun News
AgentCore, da AWS, ganha hooks com Lambda e gasta 34% menos tokens que alternativas
Fonte: AWS Machine Learning Blog. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalAWS Machine Learning Blog ↗
Editor-chefe
São quatro hooksantes da requisição, antes e depois da chamada de ferramenta, e depois da resposta
Dado-chave #2Os hooks valem também para subagentes, e a delegação não os contorna
Dado-chave #3Se a Lambda falhar, a ação é bloqueada por padrão (failureMode deny)

Imagine um agente de suporte que resolve sozinho o problema de um pedido e pode devolver dinheiro ao cliente. Pedir no prompt "não reembolse mais de 500 dólares" não é confiável: o comportamento do modelo é imprevisível. A AWS propõe outra solução no Amazon Bedrock AgentCore harness atualizado, uma "estrutura de execução" gerenciada para agentes de IA, ou seja, um conjunto pronto de modelo, prompt, ferramentas e gerenciamento de contexto que a própria AWS executa e escala.

Agora ele é baseado no Strands harness (um harness aberto sob licença Apache 2.0, lançado pela AWS no início deste ano) e ganhou hooks de ciclo de vida, pontos na execução do agente em que o seu código comum é acionado. Por exemplo, uma função Lambda (uma pequena função na nuvem da AWS) verifica o valor antes do reembolso e pode bloquear a ação.

Além disso, segundo a AWS, graças à compressão de contexto o harness gasta cerca de 34% menos tokens do que outros harnesses populares. Não é preciso conectar novos recursos: a atualização chega ao harness que você já usa.

O que os agentes recebem nas configurações padrão

Se a configuração não especificar modelo, prompt de sistema e política de truncamento do histórico, o harness aplica um conjunto recomendado. O modelo padrão vai mudar conforme novos modelos forem lançados, e as configurações definidas explicitamente sempre têm prioridade. O prompt de sistema ensina o agente a reunir contexto, escolher as ferramentas adequadas, não abandonar a tarefa no meio do caminho, reagir a recusas e conferir o resultado antes de reportar.

Partes dos recursos afetam diretamente a conta de tokens. O cache automático de prompt (por enquanto só para modelos da Anthropic no Amazon Bedrock) guarda a instrução de sistema, as descrições das ferramentas e o histórico do diálogo, e as chamadas seguintes leem esse conteúdo a um preço reduzido. Quando a janela de contexto atinge um limite configurável, as mensagens antigas são condensadas em um resumo curto, e as recentes permanecem como estão. Segundo a AWS, é isso que gera a economia de cerca de 34%. Esse número é do fornecedor, e o material não traz confirmação independente.

O conjunto de ferramentas integradas aumentou:

  • todo_write guarda o plano de tarefas e o restaura nas chamadas seguintes da mesma sessão, mesmo após a compressão do histórico;
  • subagent entrega uma tarefa isolada a um "trabalhador" novo e devolve o resultado ao agente principal;
  • web_fetch busca o conteúdo de uma página da web;
  • read, write e edit separados permitem dar ao agente apenas as permissões de arquivo necessárias;
  • resultados grandes de ferramentas saem do contexto: o agente vê uma prévia e, se precisar, busca a versão completa.

Hooks: verificação por código, e não na esperança de que o prompt funcione

São quatro eventos. before_invocation dispara antes do processamento da requisição, e uma recusa interrompe a chamada. before_tool_call roda depois que o modelo propõe a ação, mas antes de ela ser executada: a recusa pula a chamada, e o agente continua trabalhando. after_tool_call dispara quando o resultado já existe: ele é salvo, mas o raciocínio posterior é interrompido. after_invocation informa a decisão após o fim da chamada, e a saída já enviada ao usuário não pode ser desfeita.

No exemplo da AWS, há uma verificação por Lambda antes da ferramenta issue_refund. Se o valor for maior que 500 dólares, a função retorna deny com o motivo "Refund exceeds the $500 auto-approval limit". O reembolso é pulado, e o agente pode avisar o cliente de que a solicitação foi encaminhada para aprovação. Cada decisão entra no fluxo de resposta do InvokeHarness como hookEvent, então a auditoria sai quase de graça.

Alguns detalhes importantes. Só os hooks Lambda podem alterar o curso do agente: eles são síncronos e respondem allow ou deny. Os hooks no Amazon SNS e no Amazon EventBridge são apenas notificações e não bloqueiam o ciclo. Os hooks valem também para subagentes, então a delegação não contorna a política de reembolso. Se a Lambda falhar ou estourar o timeout, vale o failureMode, que por padrão é deny, ou seja, a ação é bloqueada. Os hooks são configurados via CreateHarness ou UpdateHarness.

Como testar e o que fixar na configuração

O harness é criado com um único comando pela AgentCore CLI, instalada via npm. No exemplo da AWS, foi montado um coordenador de pesquisa: em uma só chamada, ele aciona subagentes (pesquisador, sintetizador e revisor) e devolve um relatório único. Para os hooks, há a demo Refund Desk no repositório de exemplos do AgentCore no GitHub: um passo a passo em seis etapas dos quatro eventos e dos destinos Lambda, SNS e EventBridge.

Se o aplicativo tem requisitos rígidos de segurança, fixe-os explicitamente. O modelo é fixado pelo ID, o prompt de sistema é substituído via systemPrompt, e a política de contexto é definida em truncation. O mais importante é o allowedTools: se for omitido ou receber o valor ["*"], o conjunto de ferramentas integradas pode crescer com o tempo. Liste apenas o necessário, por exemplo ["read", "web_fetch"], que permite ler arquivos e carregar páginas, sem acesso ao shell nem a alterações em arquivos.

A conclusão prática é simples: se o agente mexe com dinheiro, dados de clientes ou sistemas externos, é mais confiável escrever as restrições em código, nos hooks e em uma lista explícita de ferramentas, em vez de pedir no prompt.

História

Perguntas frequentes sobre a notícia

O que os agentes recebem nas configurações padrão?

Se a configuração não especificar modelo, prompt de sistema e política de truncamento do histórico, o harness aplica um conjunto recomendado. O modelo padrão vai mudar conforme novos modelos forem lançados, e as configurações definidas explicitamente sempre têm prioridade. O prompt de sistema ensina o agente a reunir contexto, escolher as ferramentas adequadas, não abandonar a tarefa no meio do caminho, reagir a recusas e conferir o resultado antes de reportar.

O que se sabe sobre Hooks: verificação por código, e não na esperança de que o prompt funcione?

São quatro eventos. before_invocation dispara antes do processamento da requisição, e uma recusa interrompe a chamada. before_tool_call roda depois que o modelo propõe a ação, mas antes de ela ser executada: a recusa pula a chamada, e o agente continua trabalhando. after_tool_call dispara quando o resultado já existe: ele é salvo, mas o raciocínio posterior é interrompido. after_invocation informa a decisão após o fim da chamada, e a saída já enviada ao usuário não pode ser desfeita.

Como testar e o que fixar na configuração?

O harness é criado com um único comando pela AgentCore CLI, instalada via npm. No exemplo da AWS, foi montado um coordenador de pesquisa: em uma só chamada, ele aciona subagentes (pesquisador, sintetizador e revisor) e devolve um relatório único. Para os hooks, há a demo Refund Desk no repositório de exemplos do AgentCore no GitHub: um passo a passo em seis etapas dos quatro eventos e dos destinos Lambda, SNS e EventBridge. Se o aplicativo tem requisitos rígidos de segurança, fixe-os explicitamente.

ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ 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
O que você acha?
Carregando comentários…