KI-Agenten

Amazon Bedrock AgentCore integriert Strands-Harness und Lifecycle-Hooks

AWS aktualisiert AgentCore mit Strands-Standardeinstellungen, integrierten Tools für Planung und Abruf sowie deterministischen Lifecycle-Hooks für eine sicherere Agent-Ausführung.

Ein Glaswürfel mit leuchtenden Schaltkreisen und Zahnrädern auf einem Schreibtisch mit Notizen und einem Tablet
Für diesen Artikel generierte Illustration

Automatisch aus dem englischen Original übersetzt.

Amazon Web Services hat das Amazon Bedrock AgentCore Harness aktualisiert, um das Open-Source-Strands-Harness zu integrieren. Das am 19. November 2026 veröffentlichte Update führt verwaltete Standardwerte für die Modellauswahl und Kontextverwaltung ein, neue integrierte Tools für die Task-Delegation sowie Lifecycle-Hooks, die es Entwicklern ermöglichen, deterministische Prüfungen während der Agent-Ausführung durchzusetzen.

Was passiert ist

Die Kernänderung besteht darin, die Fähigkeiten von Strands, einem Anfang des Jahres unter Apache-2.0-Lizenz veröffentlichten Open-Source-Agent-Framework, in den verwalteten AWS-Dienst zu integrieren. Durch diese Integration müssen Entwickler bei der Nutzung von AgentCore nicht mehr manuell die zugrunde liegende Infrastruktur für Session-Skalierung, Tool-Ausführung oder Compute-Bereitstellung zusammenstellen. Stattdessen bietet der Dienst nun eine produktionsreife Standard-Agent-Grundlage, die in sicheren, kernel-isolierten MicroVMs innerhalb der AgentCore-Runtime ausgeführt wird.

Dieses Upgrade erfolgt automatisch für bestehende und neue Harnesses. Entwickler, die sich auf verwaltete Standardwerte verlassen, profitieren sofort von aktualisierten empfohlenen Modellen, aufgabenorientierten System-Prompts und proaktiven Kontextverwaltungsstrategien. Wer explizit bestimmte Modelle, Prompts oder Tool-Sets konfiguriert hat, bemerkt keine Änderung im aktuellen Verhalten. Dies stellt die Abwärtskompatibilität sicher und bietet gleichzeitig erweiterte Funktionen für alle, die sich entscheiden, die neuen Standardwerte zu übernehmen.

Wie es funktioniert

Das aktualisierte Harness verbindet die Strands-Grundlage mit verschiedenen AWS-Diensten, die für produktive Agents erforderlich sind, darunter Session-Persistenz, Observability und Identitätsmanagement. Eine wichtige technische Verbesserung ist die Einführung des automatischen Prompt-Cachings für unterstützte Anthropic-Modelle über die Converse API. Dieser Mechanismus speichert System-Prompts, Tool-Definitionen und Konversationsverläufe zwischendurch, sodass wiederholte Aufrufe günstigerer Cache-Read-Tokens nutzen können. Darüber hinaus wendet das Harness proaktives Kontextmanagement an, indem ältere Gesprächsrunden zusammengefasst werden, sobald ein konfigurierbarer Schwellenwert erreicht ist. Dies soll die Token-Kosten im Vergleich zu anderen führenden Harnesses um etwa 34 % senken.

Zur Bewältigung komplexer Aufgaben enthält das Harness mehrere integrierte Tools. Das todo_write-Tool pflegt einen strukturierten Task-Plan über mehrere Aufrufe hinweg, während das subagent-Tool in sich geschlossene Aufgaben an interne Worker delegiert, ohne separate verwaltete Ressourcen zu erstellen. Context Offloading ermöglicht es, große Tool-Ergebnisse aus dem unmittelbaren Modellkontext auszulagern und dem Agenten nur eine Vorschau bereitzustellen, bis ein vollständiger Abruf notwendig ist. Diese Mechanismen helfen dabei, die Limits des Kontextfensters zu verwalten und die Effizienz bei langlaufenden Sessions zu verbessern.

Wichtige Details

  • Lifecycle-Hooks: Entwickler können AWS Lambda-Funktionen an vier spezifische Ereignisse anbinden: before_invocation, before_tool_call, after_tool_call und after_invocation. Diese Hooks laufen synchron ab und können Aktionen zulassen oder ablehnen, was eine deterministische Governance über nicht-deterministisches KI-Verhalten ermöglicht.
  • Integrierte Tools: Neue Standard-Tools umfassen web_fetch für externen Kontext, granularen Dateisystemzugriff (read, write, edit) und subagent für die Task-Delegation. Die Tools sind über die allowedTools-Konfiguration zugänglich.
  • Kontextverwaltung: Das Harness fasst ältere Nachrichten automatisch zusammen, während der aktuelle Kontext erhalten bleibt. Es unterstützt auch Context Offloading, um den unmittelbaren Speicherbedarf zu reduzieren, ohne den Datenzugriff zu verlieren.
  • Kosteneffizienz: Automatisches Prompt-Caching und proaktive Zusammenfassung tragen zu einer berichteten Senkung der Token-Kosten um 34 % im Vergleich zu anderen Harnesses bei, hauptsächlich durch die Reduzierung der Eingabeverarbeitungs-Latenz und die Wiederverwendung gecachter Tokens.
  • Sicherheit und Isolation: Jede Session läuft in einer sicheren, kernel-isolierten MicroVM. Hooks gelten auch für Subagents, wodurch sichergestellt wird, dass delegierte Aufgaben Richtlinien wie Erstattungslimits nicht umgehen können.
  • CLI-Unterstützung: Die AgentCore CLI ermöglicht es Nutzern, Harnesses direkt zu erstellen und aufzurufen. Ein Beispiel "Research Coordinator" demonstriert Multi-Agent-Orchestrierung unter Verwendung von Subagents für Recherche, Synthese und Überprüfung.

Warum das wichtig ist

Für Software-Ingenieure, die KI-Agents entwickeln, bestand die größte Herausforderung oft darin, die Kluft zwischen probabilistischen Modellausgaben und deterministischer Geschäftslogik zu überbrücken. Die Einführung von Lifecycle-Hooks adressiert dies, indem sie Entwicklern erlaubt, hartcodierte Prüfungen an kritischen Punkten im Agent-Loop einzufügen. Beispielsweise kann verhindert werden, dass ein Customer-Support-Agent Erstattungen oberhalb eines bestimmten Schwellenwerts auslöst, indem eine Lambda-Funktion die Anfrage vor der Ausführung evaluiert. Dies verwandelt KI-Agents von unberechenbaren Black Boxes in reglementierte Workflows, die den Sicherheitsstandards von Unternehmen entsprechen.

Darüber hinaus reduzieren die verwalteten Standardwerte den operativen Aufwand für die Wartung der Agent-Infrastruktur. Indem AWS Session-Skalierung, Compute-Bereitstellung und Kontextverwaltung automatisch handhabt, können Teams sich auf die Agent-Logik statt auf die Infrastruktur-Verdrahtung konzentrieren. Die Möglichkeit, Aufgaben an Subagents zu delegieren und Kontext auszulagern, bedeutet zudem, dass Agents komplexere, mehrstufige Workflows bewältigen können, ohne die Limits des Kontextfensters zu erreichen oder übermäßige Token-Kosten zu verursachen. Dies macht den Einsatz anspruchsvoller Agents in Produktionsumgebungen machbar, in denen Zuverlässigkeit und Kostenkontrolle paramount sind.

Was Sie tun können

  • Überprüfen Sie Ihre Harness-Konfiguration: Wenn Sie sich auf verwaltete Standardwerte verlassen, testen Sie Ihre Agents, um sicherzustellen, dass sie sich mit den neuen Strands-basierten Prompts und Tools wie erwartet verhalten. Konfigurieren Sie allowedTools explizit, wenn Sie Fähigkeiten einschränken müssen.
  • Implementieren Sie Lifecycle-Hooks: Identifizieren Sie risikoreiche Aktionen in Ihren Agent-Workflows, wie Datenbank-Schreibvorgänge oder Finanztransaktionen, und binden Sie Lambda-Funktionen an das before_tool_call-Ereignis an, um Eingaben zu validieren.
  • Optimieren Sie die Kosten: Aktivieren Sie automatisches Prompt-Caching, wenn Sie unterstützte Anthropic-Modelle verwenden. Passen Sie den Schwellenwert für die Zusammenfassung in der truncation-Konfiguration an, um die Balance zwischen Kontexterhalt und Token-Nutzung zu steuern.
  • Experimentieren Sie mit Subagents: Nutzen Sie das subagent-Tool, um komplexe Aufgaben in kleinere, überschaubare Einheiten aufzuteilen. Testen Sie den Delegations-Workflow über die AgentCore CLI, um zu verstehen, wie Kontext geteilt und gepflegt wird.
  • Aktualisieren Sie Ihre CLI-Tools: Installieren oder aktualisieren Sie das npm-Paket @aws/agentcore, um auf die neuesten CLI-Funktionen zuzugreifen. Verwenden Sie die bereitgestellten Beispiele, wie Refund Desk oder Research Coordinator, um zu lernen, wie Hooks und Multi-Agent-Workflows konfiguriert werden.
  • Überwachen Sie Hook-Entscheidungen: Prüfen Sie den InvokeHarness-Response-Stream auf hookEvent-Einträge, um zu auditieren, wann und warum spezifische Aktionen von Ihren Lifecycle-Hooks abgelehnt oder zugelassen wurden.
  • #aws
  • #ai-agents
  • #bedrock
  • #machine-learning
  • #cloud-computing

Tools aus dem Bytechap-Shop

Weiterlesen

Alle Artikel