AWS выпустила SMART: WhatsApp-агента на AgentCore поднимают одной командой
Самое трудное в ИИ-агенте для WhatsApp — обвязка: вебхуки, голосовые, память, шаблоны Meta и больше 10 сервисов AWS. AWS выложила open source набор SMART: вы пишете agent.py на Bedrock AgentCore, а команда socialagent deploy поднимает всю инфраструктуру через Terraform. Команда Webmotors уложилась в шесть недель вместо двух месяцев по плану. Если агент уже живёт на AgentCore, канал WhatsApp можно не строить с нуля.
AI-обработка оригинала AWS Machine Learning Blog; редакция Hamidun News
В Латинской Америке, Индии и Юго-Восточной Азии WhatsApp — главный способ общения клиентов с бизнесом, поэтому именно там логично ставить ИИ-агента. Проблема в том, что сам агент делается быстро, а вот подключение к мессенджеру съедает недели. AWS выпустила SMART (Social Messaging Agent Runtime Toolkit) — открытый Python SDK и Terraform-стек, который берёт на себя весь канальный слой.
Что болит при подключении агента к WhatsApp
Входящие сообщения приходят как глубоко вложенные JSON-структуры, форма которых зависит от типа сообщения, и их нужно проверить на подлинность и привести к единому виду. Голосовые, картинки и документы требуют каждый своего конвейера обработки. Дальше нужна память, которая переживает сессии, надёжные расписания для напоминаний и защищённый вход для внешних систем, которые хотят запустить исходящее сообщение.
Отдельная ловушка — правило Meta: всё, что вы отправляете позже чем через 24 часа после последнего сообщения клиента, должно идти по заранее одобренному шаблону. По оценке AWS, ручная сборка этого всего означает настройку более 10 сервисов и знакомство с поведением WhatsApp, которое команды обычно узнают, наступив на грабли. Обычно выбирают между «написать самим» и «отдать стороннему сервису». SMART — третий вариант, и он работает внутри вашего аккаунта AWS.
Как это устроено
Контракт между SMART и агентом сознательно крошечный: агент получает текст входящего сообщения и возвращает текст, при желании с вложениями. Агент запускается в AgentCore Runtime, память хранится в AgentCore Memory и автоматически привязывается к номеру телефона. По умолчанию история хранится 7 дней. Фреймворк выбираете сами: со Strands Agents память подключается автоматически, LangGraph или Pydantic-AI тоже можно встроить через те же хуки.
В примере AWS весь agent.py умещается в несколько строк. Любопытна обёртка socialagent_notify_context: если инструмент хочет отправить кнопки или промежуточный статус, пока агент ещё думает, немедленная отправка портит историю диалога, и следующее сообщение пользователя падает с ошибкой. Обёртка копит такие сообщения и отправляет по порядку после завершения хода.
Внутри входящие события идут через Amazon SNS. Lambda проверяет подпись, нормализует данные и ограничивает пользователя 20 сообщениями в минуту (при включённой таблице DynamoDB). Затем она отправляет отметку о прочтении и индикатор набора текста, чтобы диалог не казался мёртвым. Голосовые расшифровывает Amazon Transcribe. Если агент упал или упёрся в лимиты, пользователь получает понятное сообщение, а не тишину. Проактивные рассылки идут через EventBridge Scheduler, внешние системы стучатся в API Gateway с ключом и Lambda-авторайзером. По умолчанию Terraform создаёт ещё и Bedrock Guardrails: можно оставить стандартные, подключить свои или отключить совсем.
Как начать и что с этим делать
Репозиторий клонируется, дальше команда socialagent init создаёт проект по одному из трёх шаблонов: minimal (пустой эхо-агент), personal-assistant (память, расписания, голос, картинки) и appointment-scheduler (запись на услуги с напоминаниями). Команда socialagent dev запускает реального агента и реальные инструменты в терминале без какой-либо инфраструктуры; каналы AWS подменены заглушками. Правда, вызов модели настоящий, значит, нужны доступ к Bedrock и учётные данные AWS. IAM и проверку шаблонов Meta локальный режим не имитирует, поэтому тест на развёрнутом стеке всё равно обязателен. Деплой — socialagent deploy, под капотом это terraform apply. Образ контейнера собирается в CodeBuild, локальный Docker не нужен.
Есть и шаг, который Terraform сделать не может: в WhatsApp Business Account нужно вручную указать SNS-топик как адресата событий. Пока этого нет, входящие сообщения уходят в никуда, причём без ошибок. Также учтите: шаблоны с эмодзи и рекламным тоном Meta часто переклассифицирует в промо, а отклонённый шаблон ломает деплой. Ключ --force отправляет уже одобренные шаблоны на повторную проверку, лучше им не пользоваться без необходимости.
Для флота ботов есть опциональная админ-консоль: чтение живых диалогов с ручным ответом, управление расписаниями, перезапуск Lambda, история деплоев, логи и статусы шаблонов. Вход через Cognito с обязательной MFA. Разговоры остаются у двух провайдеров — Meta и AWS, хотя вызовы модели могут обрабатываться в других регионах из-за кросс-региональной маршрутизации Bedrock.
Оговорка важная: AWS прямо называет код примером для непродакшен-использования, его нужно прогнать через безопасность и юристов. Тем не менее для команд, строящих клиентские сервисы в WhatsApp на AWS, это готовый каркас. По словам AWS, Webmotors сократила проект с двух месяцев до шести недель и вывела внутреннюю команду в контролируемый продакшен до полного запуска. Практический вывод простой: не тратьте квартал на вебхуки и шаблоны, вложитесь в промпт, инструменты и бизнес-логику.
- 18 нояб. 2026 г.Decision-модели заняли более 25% запросов в роутере Vercel через месяц после появления
- 18 нояб. 2026 г.StarSling сократил самую долгую сборку Mastra с 29 до 5 минут
- 18 нояб. 2026 г.MoEngage подключила ИИ-агентов к готовым API: CTR пушей у Glance вырос на 38%
- 18 нояб. 2026 г.ИИ-агент оставил SOC 27 минут на реакцию вместо 53 у junior-атакующего
Вопросы и ответы по материалу
Что известно по теме: что болит при подключении агента к WhatsApp?
Входящие сообщения приходят как глубоко вложенные JSON-структуры, форма которых зависит от типа сообщения, и их нужно проверить на подлинность и привести к единому виду. Голосовые, картинки и документы требуют каждый своего конвейера обработки. Дальше нужна память, которая переживает сессии, надёжные расписания для напоминаний и защищённый вход для внешних систем, которые хотят запустить исходящее сообщение.
Что известно по теме: как это устроено?
Контракт между SMART и агентом сознательно крошечный: агент получает текст входящего сообщения и возвращает текст, при желании с вложениями. Агент запускается в AgentCore Runtime, память хранится в AgentCore Memory и автоматически привязывается к номеру телефона. По умолчанию история хранится 7 дней. Фреймворк выбираете сами: со Strands Agents память подключается автоматически, LangGraph или Pydantic-AI тоже можно встроить через те же хуки. В примере AWS весь agent.py умещается в несколько строк.
Что известно по теме: как начать и что с этим делать?
Репозиторий клонируется, дальше команда socialagent init создаёт проект по одному из трёх шаблонов: minimal (пустой эхо-агент), personal-assistant (память, расписания, голос, картинки) и appointment-scheduler (запись на услуги с напоминаниями). Команда socialagent dev запускает реального агента и реальные инструменты в терминале без какой-либо инфраструктуры; каналы AWS подменены заглушками. Правда, вызов модели настоящий, значит, нужны доступ к Bedrock и учётные данные AWS.
От чтения про ИИ-агентов — к запуску своего агента за вечер
Пошаговая сборка автономных агентов и MCP-связок в Hamidun Academy (academy.hamidun.com) (72 часа бесплатно) или мгновенный запуск готовых мультишаговых агентов в облаке Nomad.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.