人工智能
Amazon Bedrock AgentCore harness 新增 Strands harness 默认配置、内置工具和生命周期钩子构建 AI 智能体时,选择模型只是第一步。智能体还需要工具、完成任务的指令、在长时间会话中管理上下文增长的方法,以及在执行退款等任何可能产生重大影响的操作之前所需的防护机制。
我们正在升级 Amazon Bedrock AgentCore harness,改用今年早些时候发布、采用 Apache 2.0 许可证的开源智能体框架 Strands harness。AgentCore harness 还引入了生命周期钩子,以便您在智能体循环的指定节点应用自己的确定性检查和通知。
此次升级后,依赖托管默认配置的智能体将获得推荐模型、面向任务的系统提示词、自动提示词缓存(初期适用于 Amazon Bedrock 上的 Anthropic 模型),以及主动上下文管理功能。此外,它们还将获得用于规划、网页检索、文件系统访问、上下文卸载和任务委派的更多内置工具。这让智能体在执行长期任务时具备更强的能力,可以跟踪子任务、减少上下文窗口用量并委派工作。借助钩子,您可以在特定的生命周期检查点运行确定性代码,将非确定性的 AI 行为转化为可预测、安全且受治理的工作流。
无需采用任何新的资源类型或集成。您已在使用的 AgentCore harness 将自动获得这两项更新。
AWS 上的 Strands 功能
Strands harness 提供一套组装完备的智能体基础,包含推荐的指令、工具和上下文管理功能。 Amazon Bedrock AgentCore harness 将该基础作为 AWS 托管服务运行。由此提供了一个生产级默认智能体,您无需自行组装和运行 harness 或其基础设施。
您无需预置计算资源、打包和托管智能体循环、管理会话扩缩容,也无需运维工具执行基础设施。每个会话都在 AgentCore runtime 中安全、内核隔离的 microVM 内运行;AgentCore runtime 是 Amazon Bedrock AgentCore 的一项功能,可提供托管式计算、扩缩容和高可用性。
AgentCore 通过将 harness 与生产智能体所需的服务相连接来实现这一点,这些服务包括会话持久化、流式响应、用量元数据、可观测性、AgentCore memory、Identity、Gateway、Browser、Code Interpreter,以及客户提供的容器。您仍可控制模型、指令、工具、权限和生命周期策略,而底层执行环境则由 AgentCore 管理。
功能更强大的托管式 harness
现在,当您使用 Harness 的托管默认配置时,它可以提供更强大的体验:
- 当前推荐的模型。 如果省略模型,Harness 将使用一个随新模型发布而不断更新的推荐默认模型,确保您的 harness 始终保持最新。显式的 harness 级和每次调用模型配置仍具有更高优先级。
- 面向任务的指令。 托管式系统提示词会鼓励智能体收集相关上下文、使用适当的工具、持续工作直至任务解决、适应失败或被拒绝的操作,并在报告完成之前验证其工作。默认系统提示词会持续改进,以支持最新的 harness 行为。
- 自动提示词缓存。 对于通过 Amazon Bedrock 上的 Converse 使用的受支持模型,Harness 会缓存系统提示词、工具定义和对话历史记录。使用相同提示词和工具集的重复调用可以采用价格更低的缓存读取 token,从而降低输入处理延迟和成本。
- 主动上下文管理。 默认情况下,当上下文窗口达到可配置的阈值时,Harness 会在保留近期上下文的同时总结较早的对话轮次。以这种方式精简上下文,有助于 Harness 以 比其他领先 harness 低约 34% 的 token 成本运行。.
- 上下文卸载。 大型工具结果可以移出模型的即时上下文。智能体会收到预览,并可在需要时检索完整结果,从而在不失去数据访问权限的情况下减少重复的上下文占用。
- 跨调用规划。 该
todo_write工具会维护一份结构化任务计划,可在同一会话的后续调用中恢复,包括对话经过总结之后。 - 聚焦式委派。 该
subagent工具会将一项独立完整的任务委派给一个新工作智能体,并将结果返回给父智能体。该工作智能体属于本次调用的内部组成部分,并非单独管理的 harness 资源;它与父智能体共享调用限制以及您的工具调用生命周期钩子。 - 网页检索。 该
web_fetch工具从指定网页检索内容,为您的 harness 提供最新的外部上下文。 - 细粒度文件系统访问。 借助相互独立的
read,write和edit工具,您可以仅授予智能体所需的细粒度文件系统能力。
客户提供的模型上下文协议(MCP)服务器、AgentCore Gateway(Amazon Bedrock AgentCore 的一项功能)、Browser、Code Interpreter、内联函数、技能、内存以及客户提供的容器,仍可通过现有的 harness 接口运行。
默认推荐,按需配置
Harness 会管理其默认设置,因此,随着模型、指令、上下文管理和内置功能不断改进,使用这些默认设置的智能体可获得当前 AgentCore 推荐的体验。
显式配置始终优先:
- 配置模型 ID,以继续使用特定模型。
- 配置
systemPrompt以完全替换托管系统提示词。 - 配置
truncation以保留特定的上下文管理策略。 - 逐一列出各个
allowedTools选择器,以维持固定的工具范围。
当 allowedTools 被省略或设置为 时,Harness 会提供当前推荐的内置工具集。由于该工具集可能会随时间推移而增加新功能,因此具有固定安全或能力边界的应用程序应仅列出其所需的工具。 ["*"]例如,以下配置允许只读文件系统访问和网页检索,但不授予 shell 访问权限或文件修改权限:
使用生命周期钩子管控影响重大的操作
{
"allowedTools": [
"read",
"web_fetch"
]
}
借助生命周期钩子,您可以在智能体循环中的指定节点运行自己的确定性代码。
例如,AWS Lambda 函数可以允许或拒绝请求或工具调用,而 Amazon Simple Notification Service(Amazon SNS)主题或 Amazon EventBridge 事件总线可以接收通知,以记录活动或启动异步工作流。
Harness 支持四种生命周期事件:
| 事件 | 运行时机 | Lambda 拒绝的影响 |
before_invocation |
智能体处理请求之前 | 停止调用,并返回 hook_stopped |
before_tool_call |
模型提出工具调用之后、执行之前 | 跳过该工具调用。智能体循环继续运行 |
after_tool_call |
工具结果产生后 | 保留该结果,并在进一步推理之前停止 |
after_invocation |
调用完成后 | 报告决策。已经流式传输的输出无法撤回 |
只有 Lambda 钩子可以改变智能体循环。它们会同步运行并返回允许或拒绝的决策,还可附带原因。SNS 和 Amazon EventBridge 钩子仅用于通知,不会阻塞智能体循环。
例如,客户支持智能体可以自行调查订单,同时由一个 before_tool_call 钩子在退款工具运行前,根据审批限额检查每笔退款。以下配置将该 Lambda 函数附加到 harness:
[
{
"beforeToolCall": {
"name": "refund_policy",
"target": {
"lambda": {
"arn": "arn:aws:lambda:us-west-2:123456789012:function:refund-policy",
"timeoutSeconds": 10,
"failureMode": "deny"
}
}
}
}
]
该函数通过钩子载荷接收拟议的工具调用,并返回决策:
def lambda_handler(event, _context):
tool = event["context"]
if tool["toolName"] == "issue_refund" and tool["toolInput"]["amount"] > 500:
return {"decision": "deny", "reason": "Refund exceeds the $500 auto-approval limit."}
return {"decision": "allow"}
当该函数拒绝调用时,harness 会跳过退款,而智能体继续运行,因此它可以告知客户该请求已升级处理。每项决策也会出现在 InvokeHarness 响应流中,形式为一个 hookEvent:
{
"hookEvent": {
"name": "refund_policy",
"type": "before_tool_call",
"decision": "deny",
"reason": "Refund exceeds the $500 auto-approval limit."
}
}
钩子也适用于子智能体。当智能体委派任务时,子智能体发起的每次工具调用都会经过相同的 beforeToolCall 和 afterToolCall 钩子,因此委派无法绕过您的退款政策。调用级钩子(beforeInvocation, afterInvocation)在整个调用过程中仅运行一次。
您可以通过以下方式配置钩子: CreateHarness 或 UpdateHarness。如果 Lambda 函数超时或返回错误,钩子会应用其 failureMode,其默认值为拒绝。有关超时、载荷字段和上下文限制,请参阅《Amazon Bedrock AgentCore 开发人员指南》中的“生命周期钩子”章节。 Amazon Bedrock AgentCore 开发人员指南.
要查看所有事件和目标类型如何协同工作,请试用 Amazon Bedrock AgentCore GitHub 上的示例代码仓库。六步引导式教程展示了全部四种生命周期事件,以及 AWS Lambda、Amazon SNS 和 Amazon EventBridge 目标。它还展示了如何验证客户端提供的内联函数结果,以及拒绝与允许之间的区别。 failureMode 拒绝和允许。
使用 AgentCore CLI 运行多智能体研究协调器
创建 harness 只需一条命令。您可以为它命名,并设置所需的指令、上下文策略和限制。此示例创建了一个研究协调器:一个采用面向任务的系统提示词和基于摘要的截断策略的 harness。只需调用一次,它就会将研究员、综合分析员和审阅员作为子智能体运行,并返回一份整合后的报告。无需预置基础设施,也无需自行构建委派机制,即可获得多智能体编排和上下文管理能力。
这些 agentcore harness 命令会直接调用 harness API,因此您无需 CLI 项目或部署步骤。使用 npm 安装 Amazon Bedrock AgentCore 的一项功能 AgentCore CLI:
npm install -g @aws/agentcore
CLI 使用您的默认 AWS 凭证。它没有 --profile 配置文件标志,因此请设置 AWS_PROFILE 环境变量(如果您想使用特定配置文件)。将示例中的协调器指令保存为 system_prompt.md 到您的工作目录中。
创建 harness
此命令会传入协调器的系统提示词和一项摘要策略;随着对话增长,该策略会完整保留最近 30 条消息,并设置足以运行完整工作流的限制。由于命令中省略了模型、记忆和执行角色,harness 会使用 AgentCore 当前推荐的模型和托管记忆,而 CLI 会在 IAM 中为您创建一个执行角色。
HARNESS_ID=$(agentcore harness create --region us-west-2 --json \
--name ResearchCoordinator \
--system-prompt "$(cat system_prompt.md)" \
--truncation '{"strategy":"summarization","config":{"summarization":{"summaryRatio":0.3,"preserveRecentMessages":30}}}' \
--max-iterations 100 \
--timeout-seconds 3600 \
| jq -r '.harness.harnessId')
创建过程是异步的。请等待创建完成。最后一条命令应输出 READY:
while [ "$(agentcore harness get --region us-west-2 --id "$HARNESS_ID" --json | jq -r '.harness.status')" = CREATING ]; do sleep 10; done
agentcore harness get --region us-west-2 --id "$HARNESS_ID" --json | jq -r '.harness.status'
发送提示词
使用新的会话 ID 调用您的 harness。先从一个基本问题开始。协调器会直接回答,无需调用其子智能体:
SESSION_ID=$(uuidgen)
agentcore harness invoke --region us-west-2 \
--id "$HARNESS_ID" \
--session-id "$SESSION_ID" \
--prompt "What is the current trending topic in AI?"
然后,在同一会话中请求一份完整的研究报告。协调器会规划工作,并依次委派给研究员、综合分析员和审阅员。如果审阅员提出修改要求,它最多会进行一轮修订,然后交付最终报告。复用会话 ID 可在同一环境中继续对话。
agentcore harness invoke --region us-west-2 \
--id "$HARNESS_ID" \
--session-id "$SESSION_ID" \
--prompt "Perform a full research report on how data shapes innovations in the tech industry. Use specialized subagents to complete this task. In the final output, clearly state which part each subagent was responsible for, followed by their specific findings."
使用 --prompt时,CLI 会在该轮任务完成后以 JSON 格式输出完整的对话记录。研究任务大约需要 10 到 15 分钟。若要实时查看其工作过程,请省略 --prompt,CLI 会打开交互式聊天。
GitHub 上的 AgentCore 示例代码库中提供了使用 Python(boto3)实现的同一示例,其中包括完整的系统提示词。
清理
完成后删除该 harness。除非您传入 ,否则其管理的记忆也会被删除 --delete-managed-memory false。CLI 创建的执行角色会保留在您的账户中,因此,如果您不再需要它,请在 IAM 控制台中将其删除。
agentcore harness delete --region us-west-2 --id "$HARNESS_ID"
推出与兼容性
自 11 月 11 日起,AgentCore harness 开始向新建及现有的 harness 推出由 Strands harness 支持的体验。客户无需采取任何操作。
您明确提供的配置将保持不变。省略模型、系统提示词或 truncation 配置,或使用 allowedTools: ["*"],则会获得升级后的托管默认配置。
如果您的应用程序需要固定的行为或固定的能力边界,请明确配置这些设置。
了解更多
像现在一样创建并调用 AgentCore harness。使用托管默认配置即可获得完整的当前推荐体验;如果您的应用程序需要固定行为,也可以单独配置各项设置。
- Strands harness 公告.
- 开始使用 AgentCore harness。
- 托管系统提示词.
- AgentCore harness API 参考.
- 生命周期钩子.
- 退款台生命周期钩子 代码示例.
我们期待看到您使用升级后的 AgentCore harness 构建出什么。
AI 热点