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 的托管体验,并新增生命周期钩子。使用托管默认项时,Agent 会获得推荐模型、任务导向系统提示词、自动提示词缓存、主动上下文管理,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,可据此判断如何在现有 Agent 中约束高风险动作。
在构建 AI 智能体时,选择模型只是第一步。智能体仍然需要工具、完成任务的指令、管理长会话中上下文增长的方法,以及在执行任何重大操作(如退款)之前设置护栏。
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智能体框架,采用 Apache 2.0 许可证发布。AgentCore harness 还引入了生命周期钩子,因此您可以在智能体循环中的指定节点应用自己的确定性检查和通知。
通过此次升级,依赖托管默认值的智能体会获得推荐模型、面向任务系统提示词、自动提示词缓存(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、网络检索、文件系统访问、上下文卸载和任务委派。这使智能体在长时间任务中具有更强的能力,能够跟踪子任务、减少上下文窗口占用并委派工作。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,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程。
无需采用新的资源类型或集成。您已使用的 AgentCore harness 会自动获得这两项更新。
Strands 功能,在 AWS 上
Strands harness 提供了一个组装好的智能体基础架构,包含推荐的指令、工具和上下文管理。Amazon Bedrock AgentCore harness 将该基础架构作为托管型 AWS 服务运行。其结果是生成一个生产级默认智能体,无需您自行组装和运行 harness 或其基础设施。
您无需配置计算资源、打包和托管智能体循环、管理会话扩展或运行工具执行基础设施。每个会话都在 AgentCore 运行时中以安全的内核隔离微 VM 形式运行,这是 Amazon Bedrock AgentCore 的一项功能,具备托管计算、扩展和高可用性。
AgentCore 通过将 harness 连接到生产级智能体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 内存、身份、网关、浏览器、代码解释器以及客户提供的容器。您保留对模型、指令、工具、权限和生命周期策略的控制权,而 AgentCore 则管理底层执行环境。
更强大的托管框架
当您使用其托管默认值时,Harness 现在提供更强的体验:
- 当前推荐模型。 当您省略模型时,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,始终确保您的 harness 保持最新状态。显式的 harness 级别和每次调用的模型配置仍优先生效。
- 面向任务的指令。 托管系统提示词鼓励智能体收集相关上下文、使用适当的工具、持续直到任务解决、适应失败或被拒绝的操作,并在报告完成前验证其工作。默认系统提示词会随时间推移不断改进,以支持最新的 harness 行为。
- 自动提示词缓存。对于在 Amazon Bedrock 上使用 Converse 的支持模型,Harness 会缓存系统提示词、工具定义和对话历史。使用相同提示词和工具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。
- 主动式上下文管理。默认情况下,当上下文窗口达到可配置阈值时,Harness 会对较早的对话轮次进行摘要,同时保留最近的上下文。通过这种方式保持上下文精简,有助于 Harness 以比其它领先框架低 约 34% 的令牌成本运行。
- 上下文卸载。大型工具结果可以从即时模型上下文中移出。代理会收到预览,并在需要时检索完整结果,从而在不丢失数据访问权限的情况下减少重复的上下文使用。
- 跨调用的规划。
todo_write工具维护一个结构化任务计划,该计划可以在同一会话内的后续调用中恢复,包括在对话摘要之后。 - 聚焦式委派。
subagent工具将一个自包含的任务委派给一个新的工作器,并将结果返回给父代理。工作器是调用内部的,而不是单独管理的 Harness 资源,并且共享调用限制和你的工具调用生命周期钩子。 - 网页检索。
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 Model Context Protocol (MCP) 服务器、AgentCore Gateway(Amazon Bedrock AgentCore 的一项功能)、浏览器、代码解释器、内联函数、技能、记忆以及客户提供的容器继续通过现有的 Harness 接口工作。
默认推荐,按需可配置
Harness 管理其默认设置,以便使用这些设置的代理能够随着模型、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以完全替换托管的系统提示词。 - 配置
truncation以保持特定的上下文管理策略。 - 列出单个
allowedTools选择器以维持固定的工具表面。
当省略 allowedTools 或将其设置为 ["*"] 时,Harness 提供当前推荐的内置工具集。由于该集合可能会随时间增加功能,具有固定安全或能力边界的应用程序应仅列出它们需要的工具。
例如,以下配置允许只读文件系统访问和网页检索,而不授予 shell 访问或文件修改权限:
{
"allowedTools": [
"read",
"web_fetch"
]
}通过生命周期钩子控制关键操作
借助生命周期钩子,你可以在代理循环的指定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 拒绝的效果 |
before_invocation |
在代理处理请求之前 | 停止调用并返回 hook_stopped |
before_tool_call |
模型提出工具调用后、执行前 | 跳过该工具调用。智能体循环继续运行 |
after_tool_call |
存在工具结果后 | 保留结果并在进一步推理之前停止 |
after_invocation |
调用完成后 | 报告决策。已流式传输的输出无法撤回 |
只有 Lambda 挂钩可以更改智能体循环。它们同步运行并返回允许或拒绝,并可附带可选原因。SNS 和 Amazon EventBridge 挂钩仅为通知,不会阻塞智能体循环。
例如,一个客户支持智能体可自行调查订单,同时 before_tool_call 挂钩在退款工具运行前针对每项退款检查是否超出审批限额。以下配置将该 Lambda 函数附加到框架中:
[
{
"beforeToolCall": {
"name": "refund_policy",
"target": {
"lambda": {
"arn": "arn:aws:lambda:us-west-2:123456789012:function:refund-policy",
"timeoutSeconds": 10,
"failureMode": "deny"
}
}
}
}
]该函数在挂钩负载中接收提议的工具调用,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"}当函数拒绝该调用时,框架会跳过退款,智能体继续运行,因此它可以告知客户请求已被升级。每项决策也会作为 hookEvent 出现在 InvokeHarness 响应流中:
{
"hookEvent": {
"name": "refund_policy",
"type": "before_tool_call",
"decision": "deny",
"reason": "Refund exceeds the $500 auto-approval limit."
}
}挂钩同样适用于子智能体。当智能体委派任务时,子智能体执行的每项工具调用都会经过相同的 beforeToolCall 和 afterToolCall 挂钩,因此委派无法绕过你的退款政策。调用级挂钩(beforeInvocation、afterInvocation)在整个调用期间仅运行一次。
你可通过 CreateHarness 或 UpdateHarness 配置挂钩。如果 Lambda 函数超时或返回错误,挂钩将应用其 failureMode,默认值为 deny。有关超时、负载字段和上下文限制,请参阅 Amazon Bedrock AgentCore 开发者指南 中的生命周期挂钩。
要查看每种事件和目标类型协同工作,请尝试 Amazon Bedrock AgentCore GitHub 上的示例仓库 中的 Refund Desk 示例。一个六步引导教程展示了所有四种生命周期事件以及 AWS Lambda、Amazon SNS 和 Amazon EventBridge 目标。它还演示了对客户端提供的内联函数结果的验证,以及 failureMode 拒绝与允许的差别。
使用 AgentCore CLI 运行多智能体研究协调器
创建框架只需一条命令。你为其命名并设置所需的指令、上下文策略和限制。此示例创建一个 Research Coordinator:一个具有面向任务的系统提示和基于摘要的截断功能的框架。在一次调用中,它作为子智能体运行研究者、合成者和审阅者,并返回一份整合后的报告。你无需配置基础设施或自行连接委派逻辑,即可获得多智能体编排和上下文管理能力。
agentcore harness 命令直接调用框架 API,因此你不需要 CLI 项目或部署步骤。通过 npm 安装 AgentCore CLI(Amazon Bedrock AgentCore 的一项功能):
npm install -g @aws/agentcoreCLI 使用你的默认 AWS 凭据。它没有 --profile 标志,因此若需使用特定配置文件,请设置 AWS_PROFILE 环境变量。将示例中的协调器指令保存为工作目录下的 system_prompt.md。
创建框架
此命令传递协调器的系统提示、一种摘要策略(随着对话增长,保留最近 30 条消息),以及足够高的限制以支持完整工作流。由于未指定模型、内存和执行角色,框架将使用当前 AgentCore 推荐的模型和托管内存,CLI 会在 IAM 中为你创建执行角色。
HARNESS_ID=$(agentcore harness create --region us-west-2 --json \
--name ResearchCoordinator \
--system-prompt "$(cat system_prompt.md)" \
--truncation '{"strategy":"summarization","config":{"summarization":{"summaryRatio":0.3,"preserveRecentMessages":30}}}' \
--max-iterations 100 \
--timeout-seconds 3600 \
| jq -r '.harness.harnessId')创建过程是异步的。等待创建完成。最后一条命令应打印 READY:
while [ "$(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。从一个基本问题开始。协调器直接回答,不调用其子代理:
SESSION_ID=$(uuidgen)
agentcore harness invoke --region us-west-2 \
--id "$HARNESS_ID" \
--session-id "$SESSION_ID" \
--prompt "What is the current trending topic in AI?"然后在同一会话中要求生成完整的研究报告。协调器规划工作并按顺序委派给研究员、综合者和审阅者。如果审阅者要求,它最多执行一次修订周期,然后交付最终报告。重用会话 ID 会在相同环境中继续对话。
agentcore harness invoke --region us-west-2 \
--id "$HARNESS_ID" \
--session-id "$SESSION_ID" \
--prompt "Perform a full research report on how data shapes innovations in the tech industry. Use specialized subagents to complete this task. In the final output, clearly state which part each subagent was responsible for, followed by their specific findings."使用 --prompt,CLI 在回合结束时以 JSON 格式打印完成的转录文本。研究运行大约需要 10 到 15 分钟。要边运行边查看,请省略 --prompt,CLI 将打开一个交互式聊天窗口。
Python(boto3)中的相同示例(包括完整的系统提示)可在 GitHub 上的 AgentCore 示例仓库中找到。
清理
完成后删除 harness。除非你传递 --delete-managed-memory false,否则这也会删除其托管内存。CLI 创建的执行角色仍保留在你的账户中,因此如果你不再需要它,请在 IAM 控制台中将其删除。
agentcore harness delete --region us-west-2 --id "$HARNESS_ID"发布与兼容性
11 月 11 日,AgentCore harness 开始向新的和现有的 harness 推出基于 Strands harness 的体验。无需客户采取任何操作。
你明确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的能力边界,请显式配置这些设置。
了解更多
像往常一样创建并调用 AgentCore harness。对于当前推荐的完整体验,使用托管默认值;或者当你的应用程序需要固定行为时,配置单个设置。
- Strands harness 公告。
- 使用 AgentCore harness 入门指南。
- 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 是亚马逊云科技的高级数据科学家。他是全球 GTM 团队的一员,帮助 AWS 客户克服与在 AWS 之上使用 AI/ML 相关的业务挑战,主要集中在 Amazon Bedrock AgentCore 和 Strands Agents。他拥有超过 18 年的技术工作经验,涵盖软件开发、基础设施、无服务器架构到机器学习。在业余时间,Evandro 喜欢和儿子一起玩,主要是搭建一些有趣的乐高积木。
Diego Brasil
Diego 是亚马逊云科技的生成式 AI 领域专家工程师,常驻爱尔兰都柏林。他帮助 AWS 客户将 AI 智能体从原型推向生产环境,主要集中在 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的软件开发和系统集成,随后转向云计算和生成式 AI。Diego 持有 USP/ESALQ 颁发的数字商业与人工智能 MBA 学位。
Eshan Kumar
Eshan 是亚马逊云科技(Amazon Web Services)的软件工程师,常驻纽约。他负责 Amazon Bedrock AgentCore 的工作,并参与了构建 AgentCore 托管智能体框架的团队。他的职业生涯始于生物工程专业,他在加州大学洛杉矶分校(UCLA)攻读该专业,并在转型从事软件和人工智能工作之前,曾在 Codexis 担任科学家。他还曾在哥伦比亚大学学习。在工作之余,Eshan 曾为“Free The Children”组织做志愿者,并帮助在尼加拉瓜的一个村庄建造了一所学校。
Amir Hegazy
Amir 是亚马逊云科技(Amazon Web Services)的软件工程师,常驻纽约。他负责 Amazon Bedrock AgentCore 的工作,并参与了构建 AgentCore 托管智能体框架的团队。在加入 AgentCore 之前,他曾负责 Amazon Bedrock Converse API 的工作,开发新功能,并在发布时将 Anthropic 的 Claude 模型引入 Converse。他拥有南加州大学计算机科学学士学位。在工作之余,Amir 喜欢打篮球和关注一级方程式赛车(Formula 1)。
来源:AWS Machine Learning Blog · aws.amazon.com