A medida que aumentó la adopción de agentes, vimos surgir un patrón común en todas las empresas, incluida nuestra propia organización de ventas: los agentes especializados brindan valor, pero sin orquestación, los usuarios cargan con la carga cognitiva de elegir entre ellos. En AWS Sales, esto significó que se implementaron más de 20 agentes de dominios específicos en toda la organización global, con representantes que cambiaban de contexto entre sistemas en lugar de centrarse en las conversaciones con los clientes. En esta publicación, le mostramos cómo creamos Field Advisor en Amazon Bedrock AgentCore para resolver esto, las decisiones de arquitectura que tomamos y los resultados mensurables que hemos visto.
El desafío: proliferación de agentes sin orquestación
Los representantes de ventas de AWS enfrentaron un desafío importante a medida que AWS ampliaba la adopción de la IA. Con más de 20 agentes de dominios específicos que se encargaban de las operaciones de gestión de relaciones con los clientes (CRM), la programación de reuniones, la información sobre los clientes, las recomendaciones de productos y las comprobaciones de cumplimiento, los representantes necesitaban saber qué agente invocar para cada tarea. También tuvieron que gestionar el contexto de conversaciones fragmentadas y combinar manualmente resultados de diferentes sistemas. Estos gastos generales consumían tiempo que podría dedicarse a comprender las necesidades de los clientes y ofrecer soluciones.
Por qué Bedrock AgentCore: Creado para la orquestación a escala empresarial
El equipo de ventas de AWS eligió Amazon Bedrock AgentCore porque proporciona las capacidades necesarias para la producción de IA agente a escala:
Entornos de ejecución aislados para operaciones seguras de múltiples inquilinos Puerta de enlace unificada para acceso a herramientas y agentes a través de cuentas de AWS Memoria persistente para sesión y contexto a largo plazo Propagación de identidad consistente con integración de OAuth Observabilidad incorporada en flujos de solicitudes complejos Evaluación integrada para un monitoreo continuo de la calidad.
Estas capacidades eliminaron la necesidad de una infraestructura personalizada, de modo que el equipo de ingeniería pudiera centrarse en la inteligencia de dominio que mejora los resultados del cliente en lugar de crear servicios fundamentales. Field Advisor aborda el desafío de la orquestación sirviendo como una capa central que enruta las solicitudes a agentes especializados mientras mantiene una única interfaz conversacional. Los representantes de ventas hacen preguntas en lenguaje natural y Field Advisor dirige las solicitudes al agente o herramienta adecuado, mantiene el contexto de la conversación en múltiples interacciones, coordina las aprobaciones para operaciones confidenciales y ofrece respuestas unificadas. En última instancia, esto permite respuestas más rápidas y mejor informadas a las necesidades de ventas globales.
Qué permite Field Advisor para los equipos de ventas
Field Advisor actúa como un asistente de conversación interno que aborda seis flujos de trabajo clave para los equipos de ventas de AWS, cada uno de los cuales está diseñado para maximizar el tiempo dedicado a las actividades de cara al cliente:
La orquestación de múltiples agentes elimina la sobrecarga cognitiva de saber qué agente especializado maneja las comprobaciones de cumplimiento, las recomendaciones de productos o los análisis técnicos. Los representantes de ventas interactúan con una única interfaz conversacional, mientras que Field Advisor enruta las solicitudes detrás de escena, para que puedan concentrarse en las conversaciones con los clientes en lugar de en la navegación del sistema. El acceso integrado lleva las capacidades de IA directamente a las herramientas que los equipos de ventas utilizan a diario. Field Advisor funciona dentro de sistemas CRM, Slack y aplicaciones propias, lo que elimina la interrupción del flujo de trabajo y mantiene a los representantes enfocados en las interacciones con los clientes. Los flujos de trabajo humanos en el circuito mantienen el control sobre las acciones comerciales críticas al tiempo que aceleran las tareas rutinarias. Cuando Field Advisor necesita actualizar los datos de CRM, presenta los cambios propuestos y espera la aprobación explícita antes de realizar modificaciones. Esto ayuda a mantener la precisión de los datos, evita cambios no deseados o dañinos y mantiene la responsabilidad al mantener a los representantes de ventas en control de las actualizaciones críticas. El contexto y la memoria eliminan la recopilación de información repetitiva. Field Advisor recuerda preferencias y conversaciones anteriores utilizando AgentCore Memory, que combina el historial de sesiones a corto plazo con la memoria semántica a largo plazo. Los representantes de ventas pueden continuar donde lo dejaron, dedicando menos tiempo al cambio de contexto y más tiempo a la interacción con el cliente. La recuperación de la base de conocimientos proporciona acceso instantáneo a las bases de conocimientos internas de AWS para obtener documentación de productos, inteligencia competitiva, pautas de precios e información organizacional sin abandonar el flujo de trabajo ni cambiar entre múltiples sistemas. Esto significa que las preguntas de los clientes se responden más rápido con información más precisa. Las recomendaciones proactivas complementan las capacidades de conversación con alertas push a través de Slack. Los representantes de ventas reciben información basada en inteligencia artificial sobre el uso del servicio al cliente, tendencias de datos comerciales y alertas de higiene de CRM. Estos conocimientos permiten llegar al cliente de forma proactiva en lugar de respuestas reactivas.
Desde el lanzamiento, los representantes de ventas han enviado más de 120.000 mensajes en todas las modalidades, interacciones que liberan al equipo de ventas de AWS de dedicar más tiempo a comprender las necesidades de los clientes en lugar de navegar por los sistemas internos. El componente humano en el circuito, que maneja la creación y actualización de registros, ahorra a los representantes de ventas a gran escala hasta 2 horas por semana, tiempo redirigido a conversaciones con clientes y planificación estratégica. La migración a Amazon Bedrock AgentCore generó mejoras mensurables: reducción del 41 por ciento en la latencia en comparación con la infraestructura anterior, consolidación de siete cuentas independientes de AWS a un único AgentCore Runtime y la eliminación de sistemas personalizados para memoria, observabilidad y autenticación. El equipo de ingeniería ahora se centra en las características del producto que mejoran directamente los resultados del cliente en lugar del mantenimiento de la infraestructura. Esto es lo que dicen los usuarios:
"Construir el agente del equipo en Bedrock AgentCore e integrarlo en Field Advisor significó que la autenticación, la memoria, la persistencia de la conversación y los componentes de interfaz de usuario enriquecidos eran todas capacidades de servicio en lugar de compilaciones personalizadas. Con el agente integrado directamente en CRM como un panel del lado derecho, el equipo se saltó el trabajo de infraestructura por completo y se centró en la inteligencia del dominio que ayuda a los vendedores a cerrar acuerdos y, en última instancia, ofrecer precios más rápidos y precisos a los clientes".
— Equipo de creación de IA de AWS
"Field Advisor creó tareas de CRM a partir de un archivo de notas de reuniones con aprobaciones con un solo clic, luego pregunté sobre las oportunidades abiertas de mi cliente sin cambiar los sistemas. Esto me ahorró al menos 15 minutos para un solo cliente, tiempo que dediqué a preparar una propuesta más integral que abordara sus requisitos técnicos específicos".
— Arquitecto de soluciones de AWS
"Field Advisor mejoró el proceso de validación de cuentas a escala empresarial. El equipo de ventas de AWS necesitaba revisar casi 450 cuentas. En el pasado, este proceso de validación implicaba un trabajo manual extenso y requería la corrección de errores después del etiquetado o la carga masiva. Field Advisor manejó la validación de manera eficiente, reduciendo errores y ahorrando tiempo, lo que permitió al equipo centrarse en la planificación estratégica de cuentas y la participación del cliente en lugar de en la limpieza de datos".
— Gerente de Soluciones para Clientes de AWS
Cómo Amazon Bedrock AgentCore proporciona la base
Dar soporte a miles de empleados de AWS en equipos de ventas globales exige una solución que maneje una orquestación compleja de múltiples agentes, acceso seguro a sistemas internos y ejecución predecible en grandes volúmenes. Amazon Bedrock AgentCore proporciona un entorno de ejecución aislado para agentes, una puerta de enlace unificada para el acceso a herramientas y agentes, memoria persistente para sesión y contexto a largo plazo, propagación de identidad consistente, observabilidad integrada en todos los flujos de solicitudes y evaluación integrada para un monitoreo continuo de la calidad.
Cuando un representante de ventas hace una pregunta a través de los canales admitidos (sistema CRM, Slack o portal web independiente), la solicitud pasa por un servicio de autenticación que verifica la identidad y emite un token OAuth. AgentCore Runtime recibe la solicitud autenticada, inicializa un agente supervisor creado con Strands Agents y gestiona el ciclo de vida de ejecución completo.
El agente supervisor analiza la consulta y determina cómo manejarla. Puede invocar herramientas locales para búsquedas de CRM y recuperación de bases de conocimientos, llamar a herramientas MCP remotas para sistemas integrados a través de MCP o delegar a agentes de dominio especializados que se ejecutan en tiempos de ejecución de AgentCore separados. AgentCore Identity propaga la identidad autenticada a cada agente y herramienta posterior. Los resultados se sintetizan en una respuesta unificada transmitida a través del soporte de transmisión nativo de AgentCore Runtime.
Componentes clave de la arquitectura
La arquitectura utiliza varias ofertas de Amazon Bedrock AgentCore que funcionan en conjunto para ofrecer las capacidades de Field Advisor:
AgentCore Runtime aloja el agente supervisor en un entorno MicroVM seguro y aislado. Cada sesión de usuario se ejecuta en su propio contexto de ejecución. El tiempo de ejecución gestiona el acceso al modelo, las barreras de seguridad y el ciclo de vida del agente, incluida la transmisión de respuestas a los usuarios. Strands Agents impulsa el ciclo de razonamiento dentro del tiempo de ejecución. Maneja el ciclo de orquestación: recibir respuestas del modelo, enviar llamadas a herramientas (en paralelo cuando sea posible), administrar el contexto de la conversación y coordinar flujos de múltiples agentes. El sistema de enlace extensible en Strands Agents permite la personalización del comportamiento de los agentes, como el manejo de errores, las comprobaciones de autorización y el procesamiento de respuestas, sin modificar el ciclo de razonamiento central. AgentCore Memory almacena tanto el historial de conversaciones a corto plazo como el contexto del usuario a largo plazo. La implementación utiliza un administrador de sesión personalizado que extiende Strands Agents AgentCoreMemorySessionManager para optimizar los patrones de escritura. Sincroniza el estado después de cada invocación en lugar de después de cada mensaje, lo que reduce las llamadas a la API sin sacrificar la durabilidad. AgentCore Identity maneja la propagación de identidades en toda la solución. Los representantes de ventas se autentican una vez mediante OAuth y el token se propaga a través del sistema. Para las invocaciones de agentes entre cuentas, el sistema admite OAuth a través del intercambio de tokens de máquina a máquina a través del proveedor de credenciales de recursos de AgentCore Identity. AgentCore Gateway proporciona un punto de acceso centralizado para herramientas MCP remotas. En lugar de administrar conexiones individuales a cada servidor MCP, las herramientas se registran en una única instancia de Gateway que maneja la autenticación y la disponibilidad. Al iniciar, el supervisor obtiene definiciones de herramientas de la puerta de enlace y crea las herramientas Strands locales correspondientes, de modo que se puedan incorporar nuevas herramientas MCP sin cambios en la implementación del tiempo de ejecución. AgentCore Observability captura seguimientos, registros y métricas para cada ejecución. Strands se integra de forma nativa con OpenTelemetry, que proporciona seguimiento distribuido en flujos de múltiples agentes y múltiples herramientas. Esto es fundamental para la depuración cuando una única pregunta de un usuario puede distribuirse a varios agentes remotos y herramientas MCP en paralelo. AgentCore Assessments respalda el monitoreo continuo de la calidad del comportamiento de los agentes en producción. AWS utiliza datos de evaluación capturados a través de seguimientos de Observabilidad de AgentCore para medir la relevancia de las respuestas, la precisión del contexto, la corrección de las acciones y la fidelidad. Esto proporciona un circuito de retroalimentación que ayuda a identificar regresiones y mejorar la calidad de la orquestación con el tiempo.
Capacidades arquitectónicas centrales
La arquitectura de Field Advisor se basa en los componentes AgentCore descritos anteriormente como un conjunto de capacidades entrelazadas que trabajan juntas para ofrecer una orquestación de múltiples agentes confiable, segura y escalable. Las siguientes secciones explican cómo el equipo implementó cada uno.
Orquestación y configuración del modelo.
El agente supervisor es un agente de Strands inicializado con un mensaje del sistema, un conjunto de herramientas, un administrador de sesión, un administrador de conversación y un proveedor de modelo. La implementación utiliza el último modelo Anthropic Claude disponible en Amazon Bedrock como modelo básico (FM), al que se accede a través del perfil de inferencia entre regiones de Amazon Bedrock para un mayor rendimiento.
Para reducir la latencia en conversaciones de varios turnos, el equipo creó un PromptCachingBedrockModel personalizado que extiende BedrockModel de Strands para agregar almacenamiento en caché de avisos incremental. Antes de cada llamada al modelo, la implementación elimina cualquier punto de caché anterior del historial de conversaciones y agrega uno nuevo al último mensaje. De esta manera, todo hasta el turno más reciente se almacena en caché y el modelo solo procesa contenido nuevo en cada turno.
Debido a que Amazon Bedrock limita la cantidad de puntos de caché por solicitud y requiere valores TTL no decrecientes en toda la solicitud (herramientas, avisos del sistema y luego mensajes), la implementación administra la ubicación de los puntos de caché con cuidado. El resultado es que cada turno de nuevo usuario extiende el prefijo almacenado en caché de forma incremental en lugar de reprocesar la conversación completa.
El sistema de gancho de Strands Agents es fundamental para personalizar el comportamiento de los agentes sin modificar el ciclo de razonamiento central. Los ganchos se registran para interrumpir el circuito de errores, lo que omite automáticamente las herramientas que fallan repetidamente dentro de una sola invocación. La autorización contingente intercepta llamadas a herramientas que acceden a datos confidenciales de CRM, pausa la ejecución mediante Strands Interrupts para solicitar el consentimiento del usuario y solo continúa después de la aprobación. La confirmación de escritura para herramientas que modifican datos presenta los cambios propuestos y requiere aprobación explícita antes de su ejecución. La extracción de citas procesa los resultados de la recuperación de la base de conocimientos para extraer referencias fuente y adjuntarlas a la respuesta final. La transmisión de llamadas a herramientas transmite el estado de invocación de la herramienta al front-end para que los usuarios vean el progreso en tiempo real mientras el agente trabaja.
Este enfoque basado en ganchos significa que preocupaciones transversales como la autorización y el manejo de errores están desacopladas de las implementaciones de herramientas. Los equipos que poseen agentes remotos no necesitan implementar interrupción de circuito o transmisión. El supervisor lo maneja de manera uniforme. Para los constructores que diseñan sistemas similares, los ganchos son un punto de extensión natural que evita la complejidad de las cadenas de middleware o las pilas de decoradores.
Coordinación multiagente
Field Advisor sigue un patrón supervisor-subagente. El agente supervisor actúa como el orquestador principal y se integran como herramientas agentes de dominio especializados para cumplimiento, recomendaciones de productos, programación de reuniones y más. Cada agente remoto se define con un nombre, una descripción y un único parámetro de consulta. Cuando el supervisor determina que una pregunta debe ser manejada por un agente de dominio, invoca la herramienta correspondiente. El contenedor maneja el ciclo de vida completo de la invocación: construye la carga útil, se autentica a través de OAuth, envía la solicitud al AgentCore Runtime remoto y transmite la respuesta.
El supervisor ve un catálogo de herramientas plano y el circuito de razonamiento de Strands se encarga del resto. Esto significa que agregar un nuevo agente solo requiere una entrada de configuración, sin cambios en la lógica de orquestación. Field Advisor también admite un modo de transferencia, donde los representantes de ventas seleccionan explícitamente un agente específico para manejar su solicitud. En este modo, la solicitud pasa por alto al supervisor por completo. El tiempo de ejecución reenvía la consulta directamente al agente remoto de destino y transmite su respuesta, preservando el formato y las citas del subagente. Los usuarios pueden cambiar entre el modo supervisor y el modo de paso dentro de la misma conversación.
Flujos de trabajo humanos en el circuito
La implementación utiliza la función de interrupción nativa en Strands Agents para admitir flujos de trabajo que requieren confirmación explícita del usuario. Cuando una herramienta o un agente remoto necesita la entrada del usuario (por ejemplo, reconocer un acuerdo de acceso a datos antes de consultar los registros de CRM), la ejecución se detiene y la interrupción se devuelve al cliente. El usuario responde a través de Slack o la interfaz de CRM y el agente continúa con sus comentarios.
Este patrón se amplió para funcionar a través de los límites de los agentes. Cuando un agente remoto devuelve una interrupción en su carga útil de respuesta, el contenedor de herramientas local la detecta y genera una interrupción de Strands en nombre del agente remoto. Esto significa que cada agente de la solución puede solicitar la entrada del usuario, independientemente de dónde se ejecute, y los usuarios interactúan a través de una única interfaz coherente. Este diseño fue una elección deliberada en lugar de crear un servicio humano independiente con colas de mensajes y sondeos. Debido a que las interrupciones de Strands persisten en el administrador de sesiones, el patrón se basa exclusivamente en código: no se necesitan componentes de infraestructura adicionales. La idea clave es que el contenedor de herramientas local actúa como un puente: traduce la respuesta de interrupción del agente remoto en una interrupción nativa de Strands, por lo que el marco maneja todas las mecánicas de pausa/reanudación.
Gestión de la memoria y el contexto.
AgentCore Memory proporciona persistencia tanto a corto como a largo plazo. La memoria a corto plazo mantiene el historial completo de conversaciones dentro de una sesión. La memoria a largo plazo utiliza una estrategia semántica para almacenar resúmenes y hechos importantes a lo largo de las sesiones, de modo que el agente recuerde las preferencias del usuario y las interacciones anteriores incluso en conversaciones nuevas.
Para la gestión del contexto, la implementación utiliza Strands Agents SummarizingConversationManager para manejar las conversaciones que se acercan a la ventana de contexto del token del modelo. Los mensajes más antiguos se resumen para abrir el espacio contextual y al mismo tiempo preservar la información clave. Los límites de token también se aplican a la entrada del usuario y las respuestas de herramientas grandes se truncan antes de devolverlas al modelo, lo que evita el desbordamiento del contexto desde una única fuente.
Carga de archivos
Los representantes de ventas pueden cargar documentos e imágenes directamente dentro de las conversaciones. Strands acepta bytes de archivos como entradas de ContentBlock y admite formatos de texto e imágenes. Cuando se carga un archivo, su contenido pasa a formar parte del historial de conversaciones y está disponible para que el agente lo analice, lo resuma o responda preguntas de seguimiento. Para tipos de archivos no compatibles, como JSON, el sistema extrae el contenido del texto y lo antepone al mensaje del usuario. Esto mejora la solución anterior, que estaba limitada a cinco archivos por chat con un límite de tamaño combinado de 10 MB.
Integración de herramientas unificadas a través de MCP
Field Advisor admite tres categorías de herramientas a través de una interfaz unificada. Las herramientas locales se ejecutan directamente dentro de AgentCore Runtime para consultas de CRM, recuperación de bases de conocimientos y búsquedas de datos. Las herramientas MCP remotas se conectan a sistemas externos a través del protocolo de contexto del modelo. Al iniciarse, el tiempo de ejecución establece conexiones a servidores MCP registrados a través de AgentCore Gateway, recupera sus definiciones de herramientas y crea las herramientas Strands locales correspondientes. De esta manera se han incorporado más de 20 herramientas MCP, cada una de ellas integrada en minutos en lugar de días. El proceso de incorporación es sencillo: registre la configuración de MCP en el servicio de Registro y el supervisor la descubrirá automáticamente en el siguiente inicio; sin cambios de código, sin reimplementación del tiempo de ejecución. Los agentes remotos en otros AgentCore Runtimes están empaquetados como herramientas con la misma interfaz, lo que hace que la distinción entre una herramienta y un agente sea transparente para el modelo. Este enfoque unificado significa que agregar una nueva capacidad (ya sea una función local, un servidor MCP o un agente completo) no requiere cambios en la lógica de orquestación. El supervisor ve un catálogo de herramientas plano y el circuito de razonamiento de Strands se encarga del resto.
Observabilidad y evaluación.
Strands se integra de forma nativa con OpenTelemetry. AgentCore Observability captura los seguimientos, registros y métricas resultantes. Cada invocación de agente, llamada de herramienta e interacción de modelo se rastrea de un extremo a otro, incluidas las llamadas que se distribuyen a agentes remotos en otras cuentas. Estos datos se utilizan tanto para el monitoreo operativo como para la evaluación continua a través de AgentCore Assessments. El equipo ejecuta tanto la evaluación en línea contra el tráfico de producción en vivo como la evaluación fuera de línea contra conjuntos de pruebas seleccionados. Los evaluadores integrados en Amazon Bedrock AgentCore miden continuamente la calidad de los agentes y detectan las regresiones antes de que afecten a los usuarios. Para los creadores que comienzan con la evaluación de agentes, AWS recomienda comenzar con la evaluación en línea del tráfico de producción en lugar de crear primero conjuntos de pruebas seleccionados. Las consultas de usuarios reales muestran casos extremos que las pruebas sintéticas pasan por alto, y los evaluadores integrados en AgentCore Assessments proporcionan una base útil sin desarrollo de métricas personalizadas.
Seguridad y cumplimiento
La seguridad está presente en capas en toda la solución. El aislamiento MicroVM de AgentCore Runtime proporciona a cada sesión de usuario su propio contexto de ejecución seguro. Amazon Bedrock Guardrails filtra tanto las entradas de los usuarios como las respuestas del modelo para bloquear contenido dañino o fuera de alcance. AgentCore Identity propaga la identidad del usuario autenticado a todos los sistemas posteriores. Las herramientas y los agentes remotos aplican controles de acceso de manera consistente, incluidas verificaciones de autorización contingentes que requieren el consentimiento explícito del usuario antes de acceder a datos confidenciales de CRM.
Conclusión
Esta publicación mostró cómo AWS Sales evolucionó Field Advisor de un asistente de conversación independiente a una solución integral de orquestación de agentes de IA impulsada por Amazon Bedrock AgentCore. Al utilizar los servicios componibles en Amazon Bedrock AgentCore (tiempo de ejecución, puerta de enlace, memoria, identidad y observabilidad) combinados con Strands Agents, logramos mejoras mensurables que impactan directamente en la organización de ventas global y, en última instancia, en los clientes a los que atienden. Los representantes de ventas dedican menos tiempo a navegar por los sistemas y más tiempo a comprender las necesidades de los clientes, brindando respuestas más rápidas e informadas. Para saber cómo la IA puede transformar su función de ventas, comuníquese con su equipo de cuentas de AWS. Pueden analizar cómo servicios como Amazon Bedrock AgentCore pueden ayudarle a crear soluciones similares para su organización.
Para obtener más información sobre Amazon Bedrock AgentCore, visite la documentación de Amazon Bedrock. Para los equipos que buscan crear soluciones similares de orquestación de múltiples agentes, AWS recomienda comenzar con un único agente supervisor en AgentCore Runtime, agregar herramientas de manera incremental a través de AgentCore Gateway y usar enlaces de Strands para abordar cuestiones transversales como la autorización y el manejo de errores. Este enfoque incremental le permite validar cada componente en producción antes de agregar complejidad.
Publicaciones relacionadas:
Expresiones de gratitud
Un agradecimiento especial a todos los que contribuyeron a este lanzamiento:
Equipo de desarrollo: Ajeeth Kannan, Anughna Kommalapati, Sailaja Narra, Mitali Ochani, William Parr, Larry Peng, Sreekanth Radhakrishnan, Sumel Rattan, Nihar Samal, Arianne Silvestre, Shubhpreet Singh, Eric Stanulis, Tommy Stevenson, Tony Zhao y Xiaodan Zhao Gestión del programa: Christal Zhu y Jennifer Tsui UX: Rachael Dickens, Sarah Lips y Kish Parikh BIE: Fabien Lescot Liderazgo de AWS: Jonathan García, Krishna Velaga y Mike Shim
Sobre los autores
Umesh Mohan es gerente de ingeniería de software en AWS, donde ha liderado varios equipos de ingenieros talentosos. Con más de 15 años de experiencia en la creación de aplicaciones de software y productos de datos, ahora se centra en el uso de la IA para impulsar soluciones más inteligentes e impactantes. Fuera del trabajo, le gusta pasar tiempo con su familia y jugar tenis.
Nicolle Belaunde es gerente técnica senior de productos en AWS con más de 10 años de experiencia en productos, diseño, tecnología e innovación. En AWS, lidera la estrategia y el desarrollo de productos para aplicaciones empresariales en AWS Global Sales, incluidas las soluciones impulsadas por IA. Antes de AWS, ocupó puestos de Producto en instituciones gubernamentales, empresas emergentes y corporaciones globales.
Xinrui Nie es ingeniero de desarrollo de software en AWS, donde dirige la arquitectura técnica y el desarrollo de plataformas de IA agente para los equipos de ventas de AWS. Con más de seis años de experiencia en TI, se especializa en servicios de AWS, orquestación de múltiples agentes, sistemas de inteligencia artificial agentes y creación de soluciones escalables nativas de la nube. Fuera del trabajo, le gusta mantenerse activo en el gimnasio.