Amazon Bedrock AgentCore harness 升级为 Strands harness,新增内置工具与生命周期钩子
Amazon Bedrock AgentCore harness adds Strands harness defaults, built-in tools, and lifecycle hooks
Amazon Bedrock AgentCore harness 升级为基于开源 Strands harness,并新增生命周期钩子。使用托管默认配置的智能体可获得推荐模型、任务导向系统提示词、自动提示词缓存(初期支持 Amazon Bedrock 上的 Anthropic 模型)、上下文管理,以及规划、网页抓取、文件系统访问、上下文卸载和任务委派等内置工具。
原文给出托管默认项与生命周期钩子的具体配置方式,可据此判断如何在生产智能体中约束高风险工具调用。
构建 AI agent 时,选择模型只是第一步。agent 仍然需要工具、完成任务所需的指令、在长时间会话中管理上下文增长的方法,以及在执行任何有后果的操作(例如发放退款)之前所需的防护措施。
我们正在将 Amazon Bedrock AgentCore harness 升级为使用 Strands harness,这是我们今年早些时候发布的开源 agent harness,采用 Apache 2.0 许可证。AgentCore harness 还引入了生命周期钩子,因此你可以在 agent 循环的指定节点应用自己的确定性检查和通知。
通过此升级,依赖托管默认配置的 agent 将获得推荐的模型、面向任务的系统提示、自动提示缓存(最初适用于 Amazon Bedrock 上的 Anthropic 模型)以及主动式上下文管理。它们还会获得额外的内置工具,用于规划、网页检索、文件系统访问、上下文卸载和任务委派。这使 agent 在长时间任务中具备更强的能力,能够跟踪子任务、减少上下文窗口使用量并委派工作。借助钩子,你可以在特定的生命周期检查点运行确定性代码,从而将非确定性的 AI 行为转化为可预测、安全且受治理的工作流。
无需采用新的资源类型或集成。你已在使用的 AgentCore harness 会自动获得这两项更新。
AWS 上的 Strands 能力
Strands harness 提供组装好的 agent 基础,包含推荐的指令、工具和上下文管理。Amazon Bedrock AgentCore harness 将该基础作为托管 AWS 服务运行。最终结果是生产级默认 agent,你无需自行组装和运行 harness 或其基础设施。
你无需预置计算资源、打包并托管 agent 循环、管理会话扩缩容或运行工具执行基础设施。每个会话都在 AgentCore runtime(Amazon Bedrock AgentCore 的一项能力)中安全的内核隔离 microVM 中运行,具备托管计算、扩缩容和高可用性。
AgentCore 通过将 harness 连接到生产 agent 所需的服务来实现这一点,包括会话持久化、流式响应、使用元数据、可观测性、AgentCore memory、Identity、Gateway、Browser、Code Interpreter 以及客户提供的容器。你保留对模型、指令、工具、权限和生命周期策略的控制,而 AgentCore 管理底层执行环境。
更强大的托管 harness
使用托管默认配置时,Harness 现在可提供更出色的体验:
- 当前推荐的模型。当你省略模型时,Harness 会使用推荐的默认模型,该模型会随着新模型的发布而演进,始终让你的 harness 保持最新。显式的 harness 级和每次调用的模型配置仍然优先。
- 面向任务的指令。托管系统提示会鼓励 agent 收集相关上下文、使用适当的工具、持续执行直到任务解决、适应失败或被拒绝的操作,并在报告完成前验证其工作。默认系统提示会随时间改进,以支持最新的 harness 行为。
- 自动提示缓存。对于在 Amazon Bedrock 上使用 Converse 的受支持模型,Harness 会缓存系统提示、工具定义和对话历史。使用相同提示和工具面的重复调用可以使用价格更低的缓存读取令牌,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,一旦上下文窗口达到可配置的阈值,Harness 会总结较早的对话轮次,同时保留近期上下文。以这种方式保持上下文精简,有助于 Harness 以比其他领先 harness 低约 34% 的令牌成本运行。
- 上下文卸载。大型工具结果可以移出即时模型上下文。代理会收到预览,并可在需要时检索完整结果,从而减少重复的上下文使用,同时不失去对数据的访问。
- 跨调用规划。
todo_write工具维护一个结构化任务计划,该计划可在同一会话内的后续调用中恢复,包括在对话总结之后。 - 聚焦委派。
subagent工具将自包含任务委派给新的工作线程,并将结果返回给父代理。该工作线程是调用内部的,不是单独管理的 harness 资源,并共享调用限制和你的工具调用生命周期钩子。 - Web 检索。
web_fetch工具从指定网页检索内容,为你的 harness 提供最新的外部上下文。 - 细粒度文件系统访问。通过单独的
read、write和edit工具,你可以仅授予代理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 的一项能力)、Browser、Code Interpreter、内联函数、技能、内存以及客户提供的容器继续通过现有 harness 接口工作。
默认推荐,需要时可配置
Harness 管理其默认值,以便使用这些默认值的代理随着模型、指令、上下文管理和内置能力的改进而获得当前的 AgentCore 推荐体验。
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。 - 配置
truncation以保留特定的上下文管理策略。 - 列出单独的
allowedTools选择器以维持固定的工具面。
当省略 allowedTools 或将其设置为 ["*"] 时,Harness 提供当前推荐的内置工具集。由于该工具集可能随时间增加能力,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 Web 检索,而不授予 shell 访问或文件修改权限:
{
"allowedTools": [
"read",
"web_fetch"
]
}使用生命周期钩子管控重大操作
借助生命周期钩子,你可以在代理循环的已定义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,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 |
在代理处理请求之前 | 以 hook_stopped 停止调用 |
before_tool_call |
在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 |
after_tool_call |
在工具结果存在之后 | 保留结果并在进一步推理之前停止 |
after_invocation |
在调用完成之后 | 报告该决策。已经流式输出的内容无法撤回 |
只有 Lambda 钩子可以改变智能体循环。它们同步运行并返回 allow 或 deny,可附带一个可选的原因。SNS 和 Amazon EventBridge 钩子是通知,不会阻塞智能体循环。
例如,一个客户支持智能体可以自行调查订单,同时一个 before_tool_call 钩子在退款工具运行之前,根据审批限额检查每一笔退款。以下配置将该 Lambda 函数挂载到 harness 上:
[
{
"beforeToolCall": {
"name": "refund_policy",
"target": {
"lambda": {
"arn": "arn:aws:lambda:us-west-2:123456789012:function:refund-policy",
"timeoutSeconds": 10,
"failureMode": "deny"
}
}
}
}
]该函数在钩子负载中接收提议的工具调用,并返回一个决策:
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,智能体继续运行,因此它可以告知客户该请求已被升级。每个决策还会以 hookEvent 的形式出现在 InvokeHarness 响应流中:
{
"hookEvent": {
"name": "refund_policy",
"type": "before_tool_call",
"decision": "deny",
"reason": "Refund exceeds the $500 auto-approval limit."
}
}钩子同样适用于子智能体。当智能体委派任务时,子智能体发起的每次工具调用都会经过相同的 beforeToolCall 和 afterToolCall 钩子,因此委派无法绕过你的退款策略。调用级钩子(beforeInvocation、afterInvocation)在整个调用中只运行一次。
你可以使用 CreateHarness 或 UpdateHarness 配置钩子。如果 Lambda 函数超时或返回错误,钩子会应用其 failureMode,默认为 deny。有关超时、负载字段和上下文限制的信息,请参阅 Amazon Bedrock AgentCore 开发者指南中的生命周期钩子。
要查看所有事件和目标类型协同工作的情况,请尝试 Amazon Bedrock AgentCore GitHub 示例仓库中的 Refund Desk 示例。一个六步引导演示展示了全部四种生命周期事件以及 AWS Lambda、Amazon SNS 和 Amazon EventBridge 目标。它还展示了客户端提供的内联函数结果的验证,以及 failureMode deny 与 allow 之间的区别。
使用 AgentCore CLI 运行多智能体研究协调器
创建 harness 只需一条命令。你为它命名,并设置所需的指令、上下文策略和限制。此示例创建一个 Research Coordinator:一个带有面向任务系统提示和基于摘要的截断的 harness。在一次调用中,它作为子智能体运行 researcher、synthesizer 和 reviewer,并返回一份整合报告。你无需预置基础设施或自行连接委派,即可获得多智能体编排和上下文管理。
agentcore harness 命令直接调用 harness API,因此你不需要 CLI 项目或部署步骤。使用 npm 安装 AgentCore CLI(Amazon Bedrock AgentCore 的一项能力):
npm install -g @aws/agentcoreCLI 使用你的默认 AWS 凭证。它没有 --profile 标志,因此如果你想使用特定配置文件,请设置 AWS_PROFILE 环境变量。将示例中协调器的指令保存为工作目录中的 system_prompt.md。
创建 harness
此命令传入协调器的系统提示、一个在对话增长时保留最近 30 条消息完整的摘要策略,以及足够整个工作流使用的高限制。由于省略了模型、内存和执行角色,harness 使用当前 AgentCore 推荐的模型和托管内存,CLI 会为你创建一个 IAM 执行角色。
HARNESS_ID=$(agentcore harness create --region us-west-2 --json \
--name ResearchCoordinator \
--system-prompt "$(cat system_prompt.md)" \
--truncation '{"strategy":"summarization","config":{"summarization":{"summaryRatio":0.3,"preserveRecentMessages":30}}}' \
--max-iterations 100 \
--timeout-seconds 3600 \
| jq -r '.harness.harnessId')创建是异步的。等待创建完成。最后一条命令应打印 READY:
while [ "$(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
使用新的会话 ID 调用你的 harness。先从一个基础问题开始。协调器会直接回答,而不调用其子代理:
SESSION_ID=$(uuidgen)
agentcore harness invoke --region us-west-2 \
--id "$HARNESS_ID" \
--session-id "$SESSION_ID" \
--prompt "What is the current trending topic in AI?"然后在同一会话中要求生成完整的研究报告。协调器会规划工作,并按顺序委派给 researcher、synthesizer 和 reviewer。如果 reviewer 提出要求,它最多运行一个修订周期,然后交付最终报告。复用会话 ID 可在同一环境中继续对话。
agentcore harness invoke --region us-west-2 \
--id "$HARNESS_ID" \
--session-id "$SESSION_ID" \
--prompt "Perform a full research report on how data shapes innovations in the tech industry. Use specialized subagents to complete this task. In the final output, clearly state which part each subagent was responsible for, followed by their specific findings."使用 --prompt 时,CLI 会在回合结束时将完整的对话记录以 JSON 形式打印出来。研究运行大约需要 10 到 15 分钟。要在其工作时跟进,请省略 --prompt,CLI 会打开一个交互式聊天。
Python(boto3)中的同一示例(包括完整的系统提示)可在 GitHub 上的 AgentCore samples 仓库中获取。
清理
完成后删除 harness。这也会删除其托管内存,除非你传入 --delete-managed-memory false。CLI 创建的执行角色会保留在你的账户中,因此如果你不再需要它,请在 IAM 控制台中将其删除。
agentcore harness delete --region us-west-2 --id "$HARNESS_ID"推出与兼容性
11 月 11 日,AgentCore harness 开始向新的和现有的 harness 推出由 Strands harness 支持的体验。客户无需采取任何操作。
你显式提供的配置保持不变。省略模型、系统提示或 truncation 配置,或使用 allowedTools: ["*"] 的 harness 将获得升级后的托管默认值。
如果你的应用程序需要固定行为或固定能力边界,请显式配置这些设置。
了解更多
像现在一样创建并调用 AgentCore harness。使用托管默认值以获得完整的当前推荐体验,或在你的应用程序需要固定行为时配置各项设置。
- Strands harness 公告。
- 开始使用 AgentCore harness。
- 托管系统提示。
- AgentCore harness API 参考。
- 生命周期钩子。
- Refund Desk 生命周期钩子代码示例。
我们期待看到你使用升级后的 AgentCore harness 构建的内容。
关于作者
Evandro Franco
Evandro 是 Amazon Web Services 的一名高级数据科学家。他隶属于 Global GTM 团队,帮助 AWS 客户克服与 AWS 上的 AI/ML 相关的业务挑战,主要涉及 Amazon Bedrock AgentCore 和 Strands Agents。他在技术领域拥有超过 18 年的经验,涵盖软件开发、基础设施、无服务器以及机器学习。业余时间,Evandro 喜欢和他的儿子一起玩,主要是搭建一些有趣的乐高积木。
Diego Brasil
Diego 是 Amazon Web Services 的生成式 AI 领域专家工程师,常驻爱尔兰都柏林。他帮助 AWS 客户将 AI 代理从原型推向生产,主要涉及 Amazon Bedrock AgentCore、Strands Agents 和 Kiro。他在技术领域拥有超过 13 年的经验。他最初在汇丰银行和 B3(巴西证券交易所和场外交易市场)等银行和交易所从事资本市场平台的软件开发和系统集成工作,之后转向云和生成式 AI。Diego 拥有 USP/ESALQ 的数字业务与人工智能 MBA 学位。
Eshan Kumar
Eshan 是 Amazon Web Services 的一名软件工程师,常驻纽约。他从事 Amazon Bedrock AgentCore 的工作,是构建 AgentCore 托管智能体框架(managed agent harness)团队的一员。他的职业生涯始于生物工程,曾在 UCLA 学习该专业,并在转行进入软件和 AI 领域之前,在 Codexis 担任科学家。他还曾在哥伦比亚大学学习。工作之余,Eshan 曾参与 Free The Children 的志愿服务,帮助为尼加拉瓜的一个村庄建造了一所学校。
Amir Hegazy
Amir 是 Amazon Web Services 的一名软件工程师,常驻纽约。他从事 Amazon Bedrock AgentCore 的工作,是构建 AgentCore 托管智能体框架(managed agent harness)团队的一员。在 AgentCore 之前,他从事 Amazon Bedrock Converse API 的工作,构建新功能,并在发布时将 Anthropic 的 Claude 模型引入 Converse。他拥有南加州大学的计算机科学学士学位。工作之余,Amir 喜欢打篮球和关注一级方程式赛车。
来源:AWS Machine Learning Blog · aws.amazon.com