Перейти к содержанию
Публикация AiManual

Amazon Bedrock AgentCore перешёл на Strands harness: управляемые дефолты, встроенные инструменты и lifecycle hooks

AgentCore harness переехал на открытый Strands harness: агент на управляемых дефолтах получает рекомендованную модель, кеширование промптов и управление контекс

Коротко

Что будет в материале

  1. 01

    Что изменилось в AgentCore harness и что делать существующим пользователям

  2. 02

    Управляемые дефолты: рекомендованная модель, системный промпт и кеширование

  3. 03

    Встроенные инструменты: планирование, веб, файлы и делегирование

  4. 04

    Lifecycle hooks: детерминированные allow/deny в четырёх точках цикла

Amazon Bedrock AgentCore harness переведён на Strands harness, открытую основу агента под лицензией Apache 2.0. Обновление раскатывается автоматически с 11 ноября: новых типов ресурсов и отдельных интеграций нет, обе возможности появляются в harness, который вы уже используете. Явно заданные конфигурации модели на уровне harness и на уровне отдельного вызова, системный промпт, truncation и allowedTools сохраняют приоритет над дефолтами (анонс в блоге AWS).

Практический эффект складывается из двух частей. Агент на управляемых настройках получает рекомендованную модель, task-oriented системный промпт, автоматическое кеширование промптов (изначально для моделей Anthropic в Amazon Bedrock) и проактивное управление контекстом с суммаризацией старых сообщений. Сверху добавляются встроенные инструменты: планирование между вызовами, веб-доступ, файловая система, context offloading и делегирование задач.

Вторая часть - lifecycle hooks, детерминированные проверки allow или deny в заданных точках цикла агента. Это слой кода, который стоит на пути у решений модели. Вместе два изменения сдвигают границу ответственности: модель, инструкции, инструменты, разрешения и lifecycle-политики остаются за вами, а AgentCore берёт на себя среду исполнения.

Что изменилось в AgentCore harness и что делать существующим пользователям

Strands harness и AgentCore harness: кто за что отвечает

Strands harness даёт собранную основу агента с рекомендованными инструкциями, инструментами и управлением контекстом. AgentCore harness эксплуатирует эту основу как управляемый сервис AWS. Разделение стоит держать в голове при чтении документации: открытый слой описывает, как агент думает и чем пользуется, управляемый слой отвечает за исполнение.

Исполнение устроено так: каждая сессия идёт в отдельной микро-VM с изоляцией на уровне ядра в AgentCore runtime, с управляемыми вычислениями, масштабированием и высокой доступностью. К harness подключены сервисы, без которых агент не доживает до продакшена: персистентность сессий, стриминг ответов, метаданные использования, наблюдаемость, AgentCore memory, Identity, Gateway, Browser, Code Interpreter и пользовательские контейнеры.

Вывод для архитектуры: код Strands открыт, его можно читать и учитывать при проектировании поведения. Поведение конкретного запуска в AgentCore при этом определяется управляемым сервисом. Если нужен собственный рантайм, Strands собирается самостоятельно, но изоляцию сессий, масштабирование, наблюдаемость и хранение состояния придётся закрывать своими силами.

Что обновляется само, а что остаётся за вами

Миграции не требуется. Обе возможности появляются в уже используемом harness, отдельного ресурса под них создавать не нужно.

  • Приезжает автоматически: управляемые дефолты (модель, промпт, кеширование, управление контекстом) и встроенные инструменты.
  • Остаётся за вами: явная конфигурация модели на уровне harness и на уровне вызова, системный промпт, truncation, allowedTools, а также lifecycle-политики.

Один нюанс про воспроизводимость. Если модель не указана, harness берёт рекомендованную по умолчанию, а она меняется по мере выхода новых моделей. Свежесть достаётся бесплатно, воспроизводимость нет: тот же запрос через месяц может уйти в другую модель. Для сценариев с SLA, версионированием ответов и приёмкой у заказчика модель фиксируют явно, иначе результаты сравнений между релизами теряют смысл.

Управляемые дефолты: рекомендованная модель, системный промпт и кеширование

Managed defaults состоят из четырёх элементов, которые подставляются, когда вы не задали своё.

  • Рекомендованная модель. Подставляется, если модель не указана, и обновляется по мере выхода новых моделей (AWS).
  • Task-oriented системный промпт. Ориентирует агента на доведение задачи до результата, а не на переписку вокруг неё.
  • Автоматическое кеширование промптов. Изначально доступно для моделей Anthropic в Amazon Bedrock.
  • Проактивное управление контекстом. Суммаризация старых сообщений по ходу работы.

Логика управляемого промпта описана в анонсе: агент собирает релевантный контекст, использует подходящие инструменты, продолжает работу до решения задачи, адаптируется к сбоям или отказам и проверяет результат перед отчётом о завершении. Полный текст промпта в анонсе не приводится, поэтому формулировки стоит оценивать на своих задачах, а не по описанию. Для агентов, которые раньше «сдавались» после первой ошибки инструмента, последний пункт меняет поведение заметнее всего.

Решение оставлять дефолты или переопределять их упирается в два вопроса: насколько вы готовы отдать формулировку инструкций внешнему поставщику и насколько критична стабильность поведения между релизами. Дефолты снимают boilerplate и дают рабочий старт за минуты. Своя конфигурация даёт контроль над тоном, форматом ответа, языком и набором ограничений.

Кеширование промптов и суммаризация контекста: где экономия, а где риск

Кеширование промптов снижает стоимость повторной обработки неизменной части запроса. Экономия тем заметнее, чем длиннее стабильный префикс: системная инструкция, описание инструментов, схемы данных, справочные фрагменты. Если промпт собран так, что в начало каждый раз попадает случайный фрагмент, кеш работать не будет, и вы просто заплатите за токены как обычно.

Суммаризация старых сообщений решает другую проблему: длинный диалог перестаёт помещаться в окно. Взамен теряются детали. Для агента, который ведёт заявку и помнит номер договора из пятого сообщения, компрессия истории может обернуться ошибкой в реквизитах. Для исследовательского сценария, где важна общая картина, потеря частностей обычно не критична. Практический приём: держите критичные для задачи данные не в истории диалога, а в структурированном виде, например в файле или в памяти агента, тогда суммаризация истории их не затронет. Подробнее механика вытеснения и суммаризации разобрана в материале о контекстной инженерии для долгоживущих агентов.

Когда переопределять модель и промпт

Правило простое. Нужна воспроизводимость, версионирование и приёмка результатов: фиксируйте модель явно на уровне harness или вызова. Нужен быстрый прототип и автоматическое обновление на новые модели: оставляйте дефолт.

Промпт переопределяют, когда у задачи есть жёсткий формат вывода (JSON по схеме, структура отчёта), отраслевая терминология или требование отвечать на русском. Дефолтный task-oriented промпт про завершение задачи, а не про ваш формат, и рассчитывать на совпадение не стоит. Приоритет явных конфигураций здесь работает как страховка: обновление сервиса не перепишет ваши инструкции.

Встроенные инструменты: планирование, веб, файлы и делегирование

К дефолтам прилагается набор встроенных инструментов: todo_write для планирования между вызовами, subagent для делегирования задач, web_fetch для получения веб-контента, раздельные read, write и edit для доступа к файловой системе, а также context offloading для крупных результатов работы инструментов. Их задача - удержать длинную задачу: агент отслеживает подзадачи, экономит контекстное окно и передаёт часть работы дальше.

todo_write и subagent: как разбивать длинные задачи

todo_write позволяет агенту вести список подзадач между вызовами. План сохраняется при длинной цепочке шагов, и агент не переизобретает последовательность после каждого ответа инструмента. Для многошаговых сценариев это дешёвый способ поднять устойчивость: модель видит, что уже сделано, а что осталось.

subagent делегирует часть работы отдельному агенту и разгружает основной контекст. Рабочая схема: основной агент держит цель и критерии приёмки, субагент собирает факты по узкой подзадаче и возвращает сжатую выжимку. Если субагент вернёт полотно на десять тысяч токенов, смысл делегирования пропадает, поэтому формат ответа лучше ограничить явно. Важное свойство: хуки применяются и к субагентам, значит политики безопасности не обходятся через делегирование.

read/write/edit и context offloading: работа с файлами без переполнения окна

Раздельные read, write и edit дают более тонкий контроль, чем один универсальный файловый инструмент. Чтение, создание и правка различаются по риску: агенту-аналитику достаточно read, агенту-редактору нужны read и edit, писать новые файлы требуется далеко не всегда. Разделение позволяет выдать ровно те права, которые нужны задаче.

context offloading выносит крупные результаты инструментов из активного контекста. Для агента, который читает большие документы, выгрузки логов или ответы API, это фактически обязательная настройка: без неё окно уходит на сырые данные, и к моменту принятия решения места для рассуждения не остаётся. Практика retrieval и вытеснения крупных выдач разобрана в статье о настройке retrieval для AI-агентов.

Как ограничить набор инструментов через allowedTools

allowedTools задаёт явный список разрешённых инструментов и сохраняет приоритет над дефолтами. Это первый уровень защиты, который работает до всяких хуков: чего нет в списке, того агент не вызовет, даже если модель уверена в обратном.

Принцип наименьших привилегий применяется буквально по задаче. Агенту-аналитику не нужны write и edit. Агенту-редактору не нужен web_fetch. Агенту, который отвечает на вопросы по внутренней базе, не нужны ни веб, ни запись файлов. Чем короче список, тем меньше поверхность атаки через prompt injection и тем меньше токенов уходит на описания инструментов в каждом запросе.

Обратная сторона: слишком узкий список ломает задачу. Агент упрётся в отсутствие инструмента и начнёт искать обходной путь через тот, что остался, например попробует решить вопрос через web_fetch вместо чтения файла. Признак неверной настройки - повторяющиеся отказы в логах на одном и том же шаге. Имена параметров и точный формат конфигурации сверяйте с документацией AgentCore: в анонсе детали настройки allowedTools не раскрыты.

Lifecycle hooks: детерминированные allow/deny в четырёх точках цикла

Lifecycle hooks запускают детерминированные проверки allow или deny в определённых точках цикла агента. Смысл нововведения сформулирован в анонсе прямо: детерминированный код в контрольных точках превращает недетерминированное поведение ИИ в предсказуемые, безопасные и управляемые рабочие процессы (AWS).

Проверки описаны как синхронные Lambda-функции, которые возвращают решение allow или deny. Синхронность означает, что проверка стоит на пути выполнения и её результат важен до продолжения работы. Точки цикла - before_invocation, before_tool_call, after_tool_call, after_invocation. Контракт события, требования к рантайму, таймауты и формат уведомлений в анонсе не детализированы: эти параметры нужно брать из документации сервиса, а не из вторичных пересказов.

Четыре точки цикла и типовые проверки для каждой

Точка циклаЧто проверятьПример правила
before_invocationВходной запрос, роль пользователя, остаток квотыОтклонить обращение к сценарию возвратов, если у пользователя нет соответствующей роли
before_tool_callИмя инструмента и аргументы вызоваЗапретить write в системные каталоги, ограничить web_fetch списком разрешённых доменов
after_tool_callРезультат инструмента до возврата в контекстВырезать из полученной страницы инструкции, адресованные модели
after_invocationФинальный ответ агентаЗаблокировать ответ с персональными данными, записать событие в аудит

Логика распределения такая: на входе отсекается то, что не должно запускаться, перед вызовом инструмента проверяется конкретное действие с последствиями, после вызова фильтруется всё, что попало в контекст из внешнего мира, на выходе проверяется то, что уйдёт пользователю. Классический пример из анонса - действие с последствиями вроде оформления возврата: перед выполнением агент проходит детерминированную проверку allow/deny.

Идея хуков не нова, похожие механики в открытых наборах уже применяются. Пример подхода к ограничениям через хуки и проверки описан в разборе LLM_Tails: агент читает код перед правкой и проверяет результат. Разница в том, что в AgentCore проверка живёт на уровне управляемого сервиса и не зависит от того, насколько хорошо модель следует инструкциям.

Что происходит при deny и как не сломать задачу

Отказ не обязан означать падение. Управляемый системный промпт прямо ориентирует агента адаптироваться к сбоям и отказам, то есть после deny модель может попробовать другой путь: переформулировать запрос, выбрать другой инструмент, запросить данные иначе. Это ключевое отличие от жёсткого исключения, которое обрывает сессию.

Чтобы адаптация работала, в отказе нужна понятная причина. Формулировка «denied» без пояснения заставит агента гадать и повторять тот же вызов по кругу. Причина вида «запись в /etc запрещена, используйте рабочий каталог» даёт модели материал для коррекции. Проверять это стоит на тестах: если после deny агент повторяет идентичный вызов три раза подряд, правило сформулировано плохо.

Вторая сторона - задержка. Каждая синхронная проверка добавляет вызов Lambda на пути выполнения, и на многошаговой задаче это складывается в заметные секунды. Держите проверки лёгкими: чтение аргументов и сверка с allow-list, без обращения к тяжёлым справочникам и внешним API. Тяжёлую аналитику выносите в асинхронную обработку событий.

Уведомления через SNS и EventBridge и наследование хуков субагентами

События о срабатываниях хуков можно направлять в SNS и EventBridge, чтобы строить оповещения и аудит-трейл без ручного опроса логов. Практическая ценность в том, что отказы становятся видимыми: всплеск deny по конкретному правилу обычно означает либо атаку через prompt injection, либо слишком жёсткую политику, которая мешает нормальной работе. Состав полей событий и точные схемы публикации смотрите в документации: в анонсе они не раскрыты.

Хуки применяются и к субагентам. Без этого subagent стал бы дырой в контроле: делегировали задачу отдельному агенту, и все политики остались на верхнем уровне. Наследование закрывает обход через декомпозицию, поэтому включать subagent в allowedTools можно без потери гарантий, если хуки настроены на всех уровнях.

Безопасность и стоимость в продакшене: что реально меняется

Где хуки дают выигрыш, а где добавляют задержку

Выигрыш в трёх местах. Первое: блокировка действий с последствиями (платежи, возвраты, удаление, отправка писем) до их выполнения. Второе: фильтрация результатов инструментов, что закрывает типовой вектор prompt injection через веб-страницы и документы, где спрятаны инструкции для модели. Третье: аудит, пригодный для разбора инцидента, потому что решение принято кодом, а не моделью, и его можно воспроизвести.

Цена: латентность и расходы на сами проверки. Каждый вызов Lambda на пути агента добавляет время к ответу, а на длинной цепочке инструментов это суммируется. Практический компромисс: строгие проверки на before_tool_call для опасных инструментов, лёгкие и дешёвые проверки на after_invocation, тяжёлая логика в асинхронной обработке через EventBridge. Логировать стоит и allow-решения по критичным инструментам, иначе при инциденте видно только отказы.

Как дефолты влияют на счёт за токены

Кеширование промптов снижает стоимость повторной обработки стабильного префикса, но изначально только для моделей Anthropic в Amazon Bedrock. На других моделях рассчитывать на этот эффект не стоит.

Суммаризация сокращает окно и стоимость последующих вызовов, однако сама суммаризация - это дополнительный вызов модели. На коротких диалогах она может обойтись дороже, чем сэкономленное окно. context offloading уменьшает объём активного контекста, но не отменяет того, что выгруженное содержимое придётся потом читать повторно.

Итог: в среднем дефолты экономят на длинных сессиях со стабильным префиксом промпта, но требуют контроля. AgentCore отдаёт метаданные использования, по ним и стоит смотреть фактическое потребление токенов на успешную задачу, а не на отдельный вызов. Конкретные проценты экономии зависят от вашего профиля нагрузки, универсальных цифр здесь нет.

Ограничения подхода и кому это подходит

Хуки не делают поведение LLM детерминированным. Они ограничивают его в конкретных точках: между проверками модель по-прежнему свободна в выборе шагов, и никакой allow/deny не гарантирует правильность финального текста. Валидация содержания ответа остаётся вашей задачей.

Синхронные проверки влияют на латентность, и на интерактивных сценариях с жёстким SLA это может оказаться заметнее, чем кажется на тестах. Дефолтная модель меняется со временем, что плохо сочетается с воспроизводимостью результатов. Управляемая среда означает зависимость от AgentCore runtime: перенос на другой рантайм потребует строить изоляцию, масштабирование и наблюдаемость самостоятельно. Кеширование промптов изначально ограничено моделями Anthropic.

Подходит это командам, которым нужны продакшн-агенты с аудитом, ограничением инструментов и предсказуемыми отказами, но без сборки инфраструктуры исполнения. Не подходит тем, у кого уже есть собственный harness с отработанными политиками и кто не готов менять среду исполнения ради встроенных проверок.

Что остаётся под вашим контролем

Модель, инструкции, инструменты, разрешения и lifecycle-политики остаются за вами, AgentCore управляет средой исполнения. Дополнительно сервис подключает harness к тому, что нужно продакшн-агенту: персистентность сессий, стриминг ответов, метаданные использования, наблюдаемость, AgentCore memory, Identity, Gateway, Browser, Code Interpreter и пользовательские контейнеры. Практически это значит, что состояние между сессиями, доступ к внешним системам и исполнение кода вы получаете готовыми, но границы доступа определяете сами.

Чек-лист внедрения после обновления

  1. Проверьте, задана ли модель явно. Если результат должен быть воспроизводимым, зафиксируйте модель на уровне harness или вызова. Признак успеха: после обновления сервиса ответы на эталонный набор запросов не изменились.
  2. Проверьте системный промпт и truncation. Явные значения сохраняют приоритет над управляемыми дефолтами. Убедитесь, что формат вывода и язык заданы вами, а не унаследованы. Признак успеха: ответы соответствуют вашей схеме без постобработки.
  3. Сузьте allowedTools под задачу. Оставьте только инструменты, без которых сценарий не работает. Признак успеха: в логах нет повторяющихся отказов из-за отсутствующих инструментов, а описания инструментов не съедают заметную долю промпта.
  4. Определите точки хуков. Начните с before_tool_call для инструментов с последствиями и с after_tool_call для всего, что приходит из внешнего мира. Признак успеха: опасное действие блокируется, а обычный сценарий проходит без отказов.
  5. Напишите лёгкие проверки. Сверка аргументов по allow-list вместо тяжёлых обращений к справочникам. Признак успеха: добавленная задержка на шаг остаётся в пределах вашего SLA.
  6. Настройте уведомления через SNS и EventBridge. Оповещения о всплеске отказов и аудит-трейл решений. Признак успеха: инцидент разбирается по событиям, без чтения переписки агента.
  7. Включите наблюдаемость и смотрите метаданные использования. Токены на успешную задачу, доля попаданий в кеш, число вызовов инструментов на сессию. Признак успеха: рост нагрузки объясняется числом задач, а не разбухшим контекстом.
  8. Протестируйте поведение при deny, включая субагентов. Отказ должен давать агенту понятную причину и возможность сменить путь. Признак успеха: после deny агент корректирует действие, а не повторяет тот же вызов.

Подписаться на канал