构建 AI 代理时,选择模型只是第一步。代理还需要工具、完成任务的操作指令、在长会话中管理上下文增长的方法,以及在执行退款等重大操作前的防护措施。
Amazon Bedrock AgentCore harness 现已升级为使用 Strands harness——这是亚马逊云科技今年早些时候发布的开源代理框架,采用 Apache 2.0 许可证。AgentCore harness 还引入了生命周期钩子,允许你在代理循环的特定点应用自定义的确定性检查和通知。
通过本次升级,依赖托管默认值的代理将获得推荐模型、面向任务的系统提示、自动提示缓存(初期支持 Amazon Bedrock 上的 Anthropic 模型)以及主动上下文管理。它们还会获得用于规划、网页检索、文件系统访问、上下文卸载和任务委派的内置工具。这些工具增强了代理在长任务中的能力,帮助它们跟踪子任务、减少上下文窗口占用并委派工作。借助钩子,你可以通过在特定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。
你无需采用新的资源类型或集成。现有 AgentCore harness 会自动获得这两项更新。
Strands 能力在 AWS 上的实现
Strands harness 提供了一个组装好的代理基础,包括推荐指令、工具和上下文管理。Amazon Bedrock AgentCore harness 将该基础作为托管 AWS 服务运营。结果是生产级的默认代理,你无需自行组装和运维 harness 或其基础设施。
你无需预置计算资源、打包和托管代理循环、管理会话扩展或运维工具执行基础设施。每个会话都在 AgentCore runtime(Amazon Bedrock AgentCore 的一项能力)的安全内核隔离微虚拟机中运行,具备托管计算、扩展和高可用性。
AgentCore 通过将 harness 连接到生产代理所需的服务来实现这一点,包括会话持久性、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权,而 AgentCore 管理底层执行环境。
更强大的托管 harness
使用托管默认值时,Harness 现在提供更强大的体验:
当前推荐模型:省略模型时,Harness 使用推荐的默认模型,该模型随新模型发布而更新,始终保持 harness 最新。显式的 harness 级和每次调用模型配置仍然优先。
面向任务的指令:托管系统提示鼓励代理收集相关上下文、使用适当工具、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工作。默认系统提示会随时间改进以支持最新 harness 行为。
自动提示缓存:对于使用 Amazon Bedrock 上 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使用更低价格的缓存读取令牌,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阈值时,Harness 会总结较早的对话轮次,同时保留近期上下文。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:大型工具结果可移出即时模型上下文。代理收到预览,并可在需要时检索完整结果,减少重复上下文使用而不丢失数据访问。
跨调用规划:todo_write 工具维护结构化任务计划,可在同一会话的后续调用中恢复,包括对话总结后。
聚焦委派:subagent 工具将自包含任务委派给新的工作器,并将结果返回给父代理。工作器是调用内部的,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。
网页检索:web_fetch 工具从指定网页检索内容,为 harness 提供最新的外部上下文。
细粒度文件系统访问:通过单独的读取、写入和编辑工具,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,按需配置
Harness 管理其默认值,以便使用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 或设置为 ["*"] 时,Harness 提供当前推荐的内置工具集。由于该集合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,而不授予 shell 访问或文件修改权限:
{ "allowedTools": [ "read", "web_fetch" ] }
使用生命周期钩子治理重大操作
借助生命周期钩子,你可以在代理循环的已定义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 支持四个生命周期事件:
事件 | 运行时机 | Lambda 拒绝的效果
before_invocation | 代理处理请求之前 | 以 hook_stopped 停止调用
before_tool_call | 模型提出工具调用后、执行之前 | 跳过工具调用。代理循环继续
after_tool_call | 工具结果存在之后 | 保留结果并在进一步推理前停止
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 钩子可以改变代理循环。它们同步运行并返回允许或拒绝,以及可选原因。SNS 和 Amazon EventBridge 钩子是通知,不会阻塞代理循环。
例如,客户支持代理可以自行调查订单,而 before_tool_call 钩子在退款工具运行前根据批准限额检查每笔退款。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" } } } } ]
该函数在钩子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"}
当函数拒绝调用时,harness 跳过退款,代理继续运行,从而可以告知客户请求已升级。每个决策还会作为 hookEvent 出现在 InvokeHarness 响应流中:
{ "hookEvent": { "name": "refund_policy", "type": "before_tool_call", "decision": "deny", "reason": "Refund exceeds the $500 auto-approval limit." } }
钩子也适用于子代理。当代理委派任务时,子代理进行的每个工具调用都会经过相同的 beforeToolCall 和 afterToolCall 钩子,因此委派无法绕过你的退款策略。调用级钩子(beforeInvocation、afterInvocation)在整个调用中运行一次。
你可以使用 CreateHarness 或 UpdateHarness 配置钩子。如果 Lambda 函数超时或返回错误,钩子将应用其 failureMode,默认为拒绝。有关超时、负载字段和上下文限制,请参阅 Amazon Bedrock AgentCore 开发者指南中的生命周期钩子部分。
要查看所有事件和目标类型协同工作,请尝试 GitHub 上 Amazon Bedrock AgentCore 示例仓库中的 Refund Desk 示例。六步引导之旅展示了所有四个生命周期事件以及 AWS Lambda、Amazon SNS 和 Amazon EventBridge 目标。它还展示了客户端提供的内联函数结果的验证以及 failureMode 拒绝与允许的区别。
使用 AgentCore CLI 运行多代理研究协调器
创建 harness 只需一条命令。你为其命名并设置所需的指令、上下文策略和限制。此示例创建一个 Research Coordinator:一个具有任务导向系统提示和基于总结的截断的 harness。在单次调用中,它运行研究员、合成器和审阅者作为子代理,并返回一份综合报告。你无需预置基础设施或自行连接委派即可获得多代理编排和上下文管理。
agentcore harness 命令直接调用 harness API,因此你不需要 CLI 项目或部署步骤。使用 npm 安装 AgentCore CLI(Amazon Bedrock AgentCore 的一项能力):
npm install -g @aws/agentcore
CLI 使用你的默认 AWS 凭证。它没有 --profile 标志,因此如需特定配置文件,请设置 AWS_PROFILE 环境变量。将协调器的指令从示例保存为工作目录中的 system_prompt.md。
创建 harness
此命令传递协调器的系统提示、一个在对话增长时保留最近 30 条消息不变的总结策略,以及足够整个工作流使用的限制。由于省略了模型、内存和执行角色,harness 使用当前 AgentCore 推荐模型和托管内存,CLI 会为你创建 IAM 执行角色。
HARNESS_ID=$(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
使用新会话 ID 调用 harness。从基本问题开始。协调器直接回答,不调用子代理:
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?"
然后在同一会话中请求完整研究报告。协调器规划工作并按顺序委派给研究员、合成器和审阅者。