基础篇
进阶篇
高频篇
精选篇
手写篇
面经篇
AI 篇
原理篇
每日一题
小程序题库
  • 知识卡片碎片时间过考点
  • 场景篇按分类整理的大前端场景考点
  • 历年面经按年份追踪真实考点
  • 算法题库NEW在线编码即时判题
  • 专项自测100 题快速查漏
  • 前端基础
    • HTTP从报文一路讲到 HTTPS
    • 浏览器渲染、事件循环、进程
    • 计算机基础Linux、网络、操作系统
  • 进阶专项
    • 设计模式23 种模式怎么用
    • 前端系统进阶学习大型项目工程化
    • 前端综合文章长期沉淀的实践文
  • 工程与工具
    • Node学习指南从环境搭建到服务端
    • NPM工作流script、依赖与发布
    • Docker容器化部署上手
    • Canvas图形与动画实战
  • 路线与导图
    • 思维导图知识点全景图
    • 学习路线按图索骥不跑偏
  • 动态
    • 公众号动态公众号历史文章
    • 博客动态站长的技术博客
    • 开发者导航常用工具与文档站
    • AI 热点每日 AI 资讯与动向
AI 工作台
旧版
AIHT
内容
精选全部 AI 动态热点榜AI 日报收藏
分类
模型行业编程产品技术观点开源
更多
Agent 接入
返回首页开发者导航
AIHT
精选 / 资讯详情
8.0
热点
AI SCORE
工具产品2026-11-20 04:01

AgentCore新增上下文管理与执行钩子

AWS ML Blog#Agent#AWS#上下文管理
Editor brief · 编辑速览

Amazon Bedrock AgentCore的Agent执行框架改用开源Strands,加入任务默认配置、自动提示词缓存、主动上下文管理及内置工具。新增生命周期钩子,可在Agent循环的指定节点执行确定性的允许或拒绝检查。

文章思维导图
Knowledge map
拖拽缩放
AI deep read

AI 深度解读

选好模型,离能稳定完成任务的 AI Agent 还差一套执行机制:工具怎么给、长对话怎么压缩、危险操作由谁拦截。Amazon Bedrock AgentCore harness 这次升级,就是把这些能力装进托管服务,并用 lifecycle hooks 给模型决策加上程序检查。

对程序员最有价值的有两点:长任务可以保留计划、卸载上下文并委派子任务;涉及退款等操作时,可以在工具执行前用代码决定放行或拒绝。但默认能力会持续变化,便利和可控需要分别配置。

托管的是整个执行循环,默认值也会跟着变

这次 AgentCore harness 改用开源的 Strands harness,后者采用 Apache 2.0 许可证。harness 可以理解成围绕模型搭建的执行框架:提供指令和工具,接收模型的工具调用,再把结果交回模型,直到任务结束。

Strands 提供这套基础,AgentCore 负责运行它。每个会话在 AgentCore runtime 的内核隔离 microVM 中执行,计算资源、扩缩容和高可用由服务管理。开发者仍控制模型、工具、权限和生命周期策略。

已有的 MCP servers、Gateway、Browser、Code Interpreter、inline functions、skills、memory 和自定义容器继续使用原有接口。原文称,升级从 11 月 11 日开始覆盖新旧 harness,无须创建新资源或迁移集成,但没有注明年份。

这里需要认真看待的是配置优先级:

  • 不指定模型,就使用持续更新的推荐模型;harness 级和单次调用的显式配置优先。
  • 设置 systemPrompt 会完全替换托管系统提示词。
  • 设置 truncation 可以固定上下文管理策略。
  • 省略 allowedTools 或设置为 ["*"],会获得当前推荐的内置工具集合,之后还可能增加工具。

托管默认值适合快速起步,固定的能力边界需要显式配置。

例如,只允许读取文件和抓取网页,可以把 allowedTools 设为 ["read", "web_fetch"]。独立的 read、write、edit 工具,让文件权限可以按实际需要授予。

长任务的难点,是让模型少背历史、仍然记得任务

升级后的系统提示词会要求 Agent 收集上下文、选择工具、处理失败或拒绝,并在报告完成前验证结果。这些仍然是对模型的行为指导,不能代替强制检查。

真正支撑长任务的是几项配套机制。

首先是自动 prompt caching。对 Amazon Bedrock 上通过 Converse 使用的受支持模型,harness 会缓存系统提示词、工具定义和会话历史,初期支持 Anthropic 模型。重复请求可以使用价格较低的缓存读取 token,减少输入处理延迟与成本。

其次是主动上下文管理。达到可配置阈值后,harness 总结较早的对话,保留近期内容。大型工具结果还可以移出模型当前上下文,只留下预览,需要时再取完整数据。前者压缩历史,后者避免大段工具输出被反复带入请求。

原文称,这让 token 成本比其他领先 harness 低约 34%。但没有交代对照产品、任务集、模型和计费口径,不能直接拿这个比例估算自己的账单。

任务状态则由 todo_write 保存结构化计划,同一 session 的后续调用可以恢复,经历会话摘要后也能继续使用。subagent 负责把独立任务交给新的 worker,再把结果返回主 Agent。

这些 worker 属于当前 invocation 内部,共享调用限制,并不是独立管理的 harness 资源。因此,多 Agent 委派仍需要考虑总迭代次数和超时预算。

危险操作要靠同步检查,通知不能代替拦截

lifecycle hooks 允许在执行循环的四个位置运行自定义逻辑:beforeInvocation、afterInvocation、beforeToolCall、afterToolCall。

其中,只有 AWS Lambda hook 能同步返回 allow 或 deny,改变执行流程。Amazon SNS 和 Amazon EventBridge 接收通知,用于记录活动或启动异步流程,不会阻塞 Agent。

原文的退款示例很直观:让 Agent 自主调查订单,但在退款工具执行前检查金额。下面这段 Lambda 函数负责拒绝超过自动审批上限的请求:

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"}

要看清的是 amount > 500:原文示例的门槛是 500 美元,规则写在程序里。这个函数默认放行其他调用,也没有展示输入校验,不能直接当作完整的退款权限系统。

示例把它注册为 beforeToolCall,名称为 refund_policy,配置 timeoutSeconds: 10 和 failureMode: "deny"。Lambda 超时或报错时按 failureMode 处理,默认也是拒绝。hooks 通过 CreateHarness 或 UpdateHarness 配置。

拒绝后,harness 跳过这次工具调用,Agent 可以继续回应。决策还会作为 hookEvent 出现在 InvokeHarness 响应流中,类型为 before_tool_call。但跳过退款并不等于已经创建人工审批单,升级处理仍需业务系统承接。

子 Agent 的工具调用同样经过 beforeToolCall 和 afterToolCall;调用级 hooks 则针对整个 invocation 各运行一次。这堵住了通过任务委派绕过同一工具策略的路径。

多 Agent 示例能跑起来,但参数需要自己负责

原文用 Research Coordinator 串起 researcher、synthesizer 和 reviewer,最多进行一轮修改,最终返回合并报告。这是一个研究流程示例,没有给出它优于单 Agent 的对照结果。

CLI 通过 npm install -g @aws/agentcore 安装,直接调用 harness API,无须 CLI 项目或部署步骤。它使用默认 AWS 凭据,没有 --profile 参数,切换配置要设置 AWS_PROFILE。

把示例指令保存为 system_prompt.md 后,以下命令创建协调器,并设置摘要策略与执行预算:

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')

重点看 preserveRecentMessages: 30:它保留最近 30 条消息,配合 summaryRatio: 0.3 管理历史;100 次迭代和 3600 秒超时则是示例预算,不是通用推荐值。这里显式传入了系统提示词,因此不会继续使用托管提示词。

创建是异步的,需要用 agentcore harness get 检查状态,原文每隔 10 秒查询一次,直到离开 CREATING,并确认结果为 READY。调用时用 uuidgen 生成 session ID,传给 agentcore harness invoke --session-id;复用该 ID 就继续同一会话。

使用 --prompt 时,CLI 等本轮完成后输出 JSON transcript;省略它则进入交互聊天。原文研究任务约需 10 至 15 分钟,没有提供完整费用。

清理使用 agentcore harness delete。它默认连托管 memory 一起删除,传入 --delete-managed-memory false 可以保留。CLI 创建的 IAM execution role 会留在账户里,需要另行清理。

我的判断

这次升级最有价值的,是把模型负责的探索和程序负责的执行许可接起来。提示词适合表达任务要求,同步 hook 适合执行明确规则。与只在提示词里要求遵守退款上限相比,后者有清晰的拦截位置,也能留下决策记录。

不过,确定性检查只能约束检查覆盖到的动作,不能保证整个 Agent 都正确。 它拦不住所有错误推理,摘要也可能丢失细节,任务完成验证仍然需要设计。

选择托管服务,可以减少运行执行循环、维护会话和工具基础设施的工作;自行组装 Strands 则需要团队承担这些职责。哪种更划算,原文没有成本对照。34% 的 token 节省和研究协调器的效果,也都缺少足够实验细节,适合作为验证起点,不能直接作为选型结论。

能拿来做什么

  • 给已有 Agent 做一次配置盘点,明确模型、systemPrompt、truncation 和 allowedTools 哪些跟随托管更新,哪些必须固定,避免工具范围随默认值扩展。
  • 在 Node 服务接入有副作用的工具时,把可执行的业务规则放到 beforeToolCall 检查中,并为拒绝结果设计后续处理,而不是只让 Agent 口头表示已经升级。
  • 对长研究或资料整理任务,先验证 todo_write、摘要和工具结果卸载能否保住关键事实,再判断是否需要 subagent。同时记录 token、耗时和返工情况,用自己的任务检查收益。
  • 试跑 CLI 示例时,把 session 复用、异步状态检查、memory 删除策略和 IAM role 清理一并纳入操作步骤,确保实验结束后知道还保留了什么。
Original source

本文由 AI 通读原文后重新编写,观点部分为站内判断,细节以原文为准,来源 AWS ML Blog,原文版权归原作者所有。

阅读原文
上一篇
让 Claude Code 搭建 n8n 工作流
下一篇
浏览器智能体如何压缩上下文又保真

资讯速览

AWS ML Blog · 2026-11-20 04:01

AI 评分 8.0 / 10

相关标签

#Agent#AWS#上下文管理

继续阅读

  • 异常时放行:静态检查漏掉的认证漏洞
  • 让 Claude Code 搭建 n8n 工作流
  • 浏览器智能体如何压缩上下文又保真
  • 用项目规则与钩子约束 Claude Code
  • 模型路由免部署切换,生产验证如何补齐