Los modelos que impulsan a los agentes actuales son notablemente capaces. Pueden razonar sobre problemas complejos, planificar flujos de trabajo de varios pasos y generar respuestas matizadas. Pero la mayoría de los agentes operan muy por debajo de ese potencial. La brecha no es inteligencia. Es acceso al contexto y a la retroalimentación adecuados.
Un agente de servicio al cliente encargado de responder una pregunta sobre la política de reembolso de su empresa no puede ayudar si no puede acceder al documento en SharePoint donde se encuentra esa política. Un agente de investigación que elabora un informe de mercado ofrece una imagen incompleta si no puede acceder a información actual más allá de sus datos de capacitación. Un agente asesor financiero ofrece una segunda mejor recomendación si los datos de mercado en tiempo real que necesita se encuentran detrás de un muro de pago que no puede atravesar. Y en todos estos aspectos, la mayoría de los equipos no tienen una manera sistemática de saber si sus agentes están mejorando o empeorando una vez desplegados.
Un modelo capaz es sólo el punto de partida. Lo que hace que un agente se desempeñe en producción es el acceso a todo lo que necesita para realizar el trabajo completo: el conocimiento adecuado, los recursos para actuar y los circuitos de retroalimentación para seguir mejorando.
Hoy presentamos nuevas capacidades en Amazon Bedrock AgentCore, la plataforma para crear, conectar y optimizar agentes. En esta publicación, cubrimos cómo estas capacidades cierran cada brecha: conectando a los agentes con el conocimiento organizacional, web y pago; ayudar a los equipos a encontrar y solucionar los problemas de producción; y hacer cumplir controles que se amplían a medida que los agentes se vuelven más capaces. Juntos, lo ayudan a crear agentes más capaces con mayor rapidez, gobernarlos con controles escalables y mejorarlos continuamente.
Ofrecemos a los agentes de AgentCore acceso nativo a tres capas de conocimiento, cada una de las cuales amplía lo que sus agentes pueden alcanzar y lograr.
Capa de conocimiento organizacional: Base de conocimiento administrada de Amazon Bedrock
Su información más valiosa se encuentra dispersa en SharePoint, Google Drive, Confluence, S3 y wikis internos. Ponerlo a disposición de los agentes tradicionalmente ha requerido crear canales de ingesta personalizados, ajustar la recuperación y mantener la actualización de los datos a lo largo del tiempo. Son meses de ingeniería antes de que su agente pueda responder una pregunta básica sobre su propio negocio.
Bedrock Managed Knowledge Base, ahora disponible en AgentCore, reemplaza ese trabajo. Usted conecta sus fuentes de datos no estructurados y AgentCore se encarga del resto. Gestionamos el almacén de vectores, las incorporaciones y los modelos de reclasificación utilizados durante la recuperación, y las preocupaciones de escalabilidad, como los límites de velocidad, para que su equipo pueda centrarse en crear agentes en lugar de operar canales. En esencia, es un perro perdiguero agente que va mucho más allá del RAG tradicional. En lugar de hacer coincidir una consulta con los fragmentos más cercanos, planifica consultas en sus bases de conocimiento, conecta conceptos relacionados entre documentos, evalúa resultados intermedios y reclasifica antes de responder. Para consultas complejas de varias partes que abarcan varios temas a la vez, la recuperación agente apareció con una cobertura notablemente más amplia y completa que la recuperación básica. Su agente pasa de "No tengo acceso a eso" a una respuesta sintetizada extraída de su conocimiento empresarial real, sin canalización que construir ni recuperación que ajustar.
Capa de conocimiento mundial: búsqueda web en AgentCore
El conocimiento interno tiene lagunas. Las regulaciones cambian, los mercados cambian, los competidores lanzan nuevos productos constantemente. Para hacer su mejor trabajo, sus agentes necesitan comprender lo que sucede en el mundo fuera de su organización, para realizar investigaciones, verificación de datos, servicio al cliente e inteligencia de mercado.
Hoy presentamos Web Search, una nueva herramienta para desarrolladores que crean agentes de IA. Proporciona información de la web mientras mantiene los datos dentro del entorno seguro de AWS del cliente. Construida sobre la misma infraestructura de búsqueda de Amazon que impulsa Alexa+, Amazon Quick Suite y Kiro, Web Search está optimizada para la recuperación de agentes, devolviendo extractos de alto valor que brindan alta inteligencia por token. También requiere un enfoque basado en múltiples fuentes, combinando información web pública con el gráfico de conocimiento patentado de Amazon. Ese gráfico agrega datos de entidades estructurados, hechos verificados e información en tiempo real, como precios de acciones y resultados deportivos. Web Search en AgentCore mantiene sus consultas dentro de los límites de seguridad y cumplimiento de AWS, sin ningún proveedor adicional que incorporar y ninguno de los flujos de trabajo de orquestación, autenticación y facturación que vienen con uno. Ya sea que esté creando agentes de investigación que hagan referencias cruzadas de fuentes públicas, agentes de cumplimiento que monitoreen las actualizaciones regulatorias y de políticas, o que basen las respuestas del modelo en información actual, su agente ahora puede razonar en la web en vivo de la misma manera que consulta su conocimiento interno.
"En Sony, estamos construyendo una plataforma de agentes de IA empresarial en AgentCore donde los equipos de todas las unidades de negocios pueden desarrollar, compartir y reutilizar agentes de IA, desde asistentes de conocimiento hasta agentes de automatización de flujo de trabajo, cada uno adaptado a sus necesidades. Nuestro conocimiento empresarial se distribuye en repositorios como SharePoint, Confluence y Amazon S3, e incluye documentos complejos como PDF, presentaciones y hojas de cálculo con gráficos y tablas. Ahora que Bedrock Managed Knowledge Base y Web Search están disponibles en AgentCore, podemos equipar a los agentes con herramientas avanzadas. recuperación y conexión a tierra web en vivo con un modelo de gobernanza consistente, sin desarrollar estas capacidades desde cero. Esto acelera nuestra visión de transformar la forma en que las personas trabajan, con la IA como catalizador, a escala”.
Masahiro Oba, director general sénior de Sony Group Corporation
Capa de conocimiento paga: pagos AgentCore y monetización del tráfico de IA de AWS WAF
La mejor información no siempre es gratuita. Feeds de mercados financieros, investigaciones con licencia, conjuntos de datos patentados, API premium. Si su agente no puede acceder a los recursos pagos, devuelve una respuesta subóptima y el usuario nunca sabe qué se perdió.
Acceder al contenido pago requiere dos partes: los agentes necesitan una forma de pagar y los proveedores necesitan una forma de recibir el pago. Los pagos AgentCore, anunciados en una vista previa el mes pasado, se encargan del lado del agente, permitiéndoles descubrir servicios y contenidos pagos, acceder a ellos y pagar dentro de su ciclo de ejecución. La monetización del tráfico WAF AI, ahora disponible de forma generalizada, se encarga del lado del proveedor, brindando a los propietarios de contenido la capacidad de controlar el acceso de los agentes: bloquearlo, permitirlo o recibir un pago. Debido a que ambas capacidades se ejecutan en la misma plataforma, los proveedores que utilizan WAF reconocen automáticamente a los agentes verificados en AgentCore. El resultado es un canal confiable: menor fricción para los agentes verificados y compensación para los proveedores. Juntas, estas capacidades construyen la infraestructura para ambos lados de la economía de los agentes, de modo que los agentes puedan llegar a todo, no sólo a lo que resulta gratuito.
Dar a los agentes un mejor acceso al conocimiento es sólo una parte de la ecuación. También necesita saber si su agente realmente está cumpliendo su objetivo y detectarlo cuando no lo esté.
Esto es más difícil de lo que parece. Las fallas de agentes más peligrosas no son las que generan errores. Son los que se ven bien en los paneles: un agente que confirma una modificación de pedido que nunca ejecutó, uno que fabrica la disponibilidad del producto cuando una API se agota, otro que se salta un paso de aprobación mientras los paneles muestran una tasa de éxito del 99%. Estos fallos no producen señales de error. Aparecen a través de quejas de clientes semanas después, a menudo después de que miles de sesiones se hayan visto afectadas. E incluso cuando los equipos saben que algo anda mal, arreglarlo es en su mayoría conjeturas. Modifica un mensaje, cambia la descripción de una herramienta, ajusta la lógica de orquestación y espera que ayude, sin una forma estructurada de saber si el cambio realmente mejoró las cosas o rompió silenciosamente algo más.
Hoy anunciamos nuevas capacidades de optimización en AgentCore que convierten los seguimientos de producción en una mejora continua. Juntos, forman un bucle: comprenda lo que sus agentes están haciendo realmente, genere correcciones basadas en datos, valídelas antes de enviarlas y demuestre que funcionan.
Comprenda lo que están haciendo sus agentes: AgentCore, disponible en versión preliminar hoy, proporciona información valiosa sobre fallas, intenciones y trayectorias en cientos de sesiones, mostrando patrones que ningún panel o revisión de seguimiento individual revelaría. La información sobre fallas descubre patrones de fallas recurrentes, incluidas las fallas de comportamiento silenciosas que no producen ninguna señal de error, explica la causa raíz de cada una en detalle y las clasifica según su extensión, para que pueda saber de un vistazo qué problemas están perjudicando a la mayoría de los usuarios y solucionarlos primero. Las estadísticas de intención agrupan las solicitudes según lo que los usuarios realmente intentaban hacer, para que pueda ver la forma real de cómo se utiliza su agente. Los conocimientos de trayectoria agrupan los caminos que siguen sus agentes a través de una tarea, para que pueda detectar patrones comunes y valores atípicos. Puede habilitar el monitoreo continuo con informes diarios o semanales, o ejecutar una investigación específica después de una implementación o un aumento en las quejas, con resultados en minutos.
Solucionarlo con confianza: una vez que sepa qué cambiar, las recomendaciones y las pruebas A/B, generalmente disponibles hoy, lo ayudarán a actuar. Las recomendaciones analizan sus seguimientos y resultados de evaluación para sugerir mejoras específicas a las indicaciones de su sistema y a las descripciones de herramientas, basadas en cómo se comporta realmente su agente. La evaluación por lotes compara esas recomendaciones con su conjunto de datos de prueba definido e informa puntuaciones agregadas, para que pueda detectar las regresiones antes de que los cambios lleguen a producción. Las pruebas A/B ejecutan una comparación controlada entre versiones de agentes dividiendo el tráfico de producción en vivo, brindándole evidencia real de que un cambio funciona en condiciones de producción antes de comprometerse con él. Todo esto funciona independientemente de dónde se ejecuten sus agentes: en el tiempo de ejecución de AgentCore, AWS Lambda, Amazon EKS o entornos que no sean de AWS.
Así es como se ve la mejora continua cuando está integrada en la plataforma en lugar de unida después del hecho.
"En FUJISOFT, estamos creando agentes de IA para acelerar el desarrollo y las operaciones de software. Nuestro marco, Character Capsule, empaqueta roles, habilidades y procedimientos de agentes como cápsulas reutilizables que se ejecutan en herramientas de codificación locales como Copilot y Kiro, o se escalan a la orquestación de múltiples agentes en AgentCore. A medida que implementamos más agentes, nuestro mayor desafío fueron las fallas silenciosas que parecían estar bien pero surgieron más tarde, y solucionarlas fue una conjetura. Las capacidades de optimización en AgentCore cambiaron esto. Analizan nuestros rastros de producción para detectar fallas superficiales patrones, explicamos por qué suceden y los clasificamos por impacto. Luego recibimos recomendaciones para mejorar nuestras indicaciones y descripciones de herramientas, y las probamos A/B en tráfico en vivo antes de comprometernos. La mejora de los agentes ahora es un ciclo continuo basado en datos, no en prueba y error”.
Kazumi Matsuda, director sénior, Departamento de Promoción de la IA, FUJISOFT
Agentes más capaces significan más superficie. Y los agentes introducen un desafío de seguridad que el software tradicional nunca tuvo: son probabilísticos. Los agentes emiten juicios y los juicios pueden verse influenciados por el contexto. El nuevo punto de exposición no es su red; es el contexto del agente, donde la inyección rápida y el envenenamiento de la memoria no requieren irrumpir sino simplemente convencer al agente de que haga un mal juicio.
La forma de asegurar algo probabilístico es con algo determinista: no como el cerebro, sino como barreras de seguridad a su alrededor. Las capacidades de política en AgentCore ya brindan controles deterministas en tiempo real que definen lo que un agente puede y no puede hacer con sus herramientas y datos en la puerta de enlace. Hoy los estamos ampliando con la integración de Bedrock Guardrails, disponible de forma generalizada, que evalúa cada acción del agente para detectar intentos rápidos de inyección, contenido dañino y exposición de datos confidenciales. Estas comprobaciones se ejecutan en la capa de puerta de enlace, fuera del código del agente, donde el agente no puede verlas en su contexto, no puede razonar sobre ellas y no puede convencerse a sí mismo de que no se aplican.
Guardrails es la primera de muchas señales de detección sobre las que puede actuar el motor de políticas, y no será solo la nuestra. Próximamente, AgentCore le permitirá introducir señales de detección de proveedores de seguridad líderes, incluidos Check Point, Zscaler, Rubrik, Netskope y SentinelOne, en las mismas políticas. El principio sigue siendo el mismo sin importar de dónde provenga la señal: la detección puede ser probabilística, pero la aplicación de la política es siempre determinista y la decisión final de permitir o denegar se basa en umbrales establecidos.
Debido a que cada herramienta y fuente de contexto en AgentCore se dirige a través de la puerta de enlace, las nuevas capacidades que obtiene su agente se rigen automáticamente por la misma capa de seguridad. Agentes más capaces, controles más sólidos y escalamiento conjunto.
Un agente es más que un modelo. Si el modelo es el cerebro, el arnés es el cuerpo: todo lo que el cerebro necesita para realizar su trabajo. Ejecuta el ciclo de orquestación, ejecuta herramientas, administra la ventana de contexto, mantiene el estado entre turnos, se recupera de fallas y aísla cada sesión. El arnés determina qué tan bien se desempeña un agente tanto como lo hace el modelo. Construir uno duradero es donde la mayoría de los equipos pasan su tiempo hoy en día.
El arnés AgentCore, generalmente disponible hoy en día, le brinda esa capa como una capacidad administrada. En lugar de codificar el bucle, usted define su agente en la configuración: el modelo que utiliza, las herramientas que llama, las habilidades a las que tiene acceso, las instrucciones que sigue. AgentCore ensambla y ejecuta ese bucle por usted. A partir de esa definición única, obtiene un agente funcional en minutos, ejecutándose en su propio entorno aislado. Viene con un sistema de archivos y un shell, memoria entre sesiones, habilidades (incluido el catálogo curado por AWS) y navegación web. Esta no es una herramienta inicial que se te queda pequeña: la configuración con la que comienzas es lo que operas a escala, y cuando necesitas una orquestación personalizada, puedes exportar tu arnés a código y permanecer en la misma plataforma sin reconstruir nada.
Además de la velocidad, lo que esto abre es una opción real que el mercado aún no ofrece. Las opciones de arnés disponibles hoy en día te dejan atado a algo. Las opciones de código abierto le permiten alojar y operar el arnés usted mismo; los servicios administrados lo bloquean a su entorno; Los arneses de los laboratorios de modelos están optimizados solo para sus modelos. Desacoplamos el arnés del modelo, para que pueda elegir cualquier modelo y cambiar entre ellos a mitad de la sesión sin tocar la lógica de su agente. A medida que la frontera se mueve y cambia el mejor modelo para una tarea, la base de su agente permanece.
La elección es sólo una parte. Debido a que el arnés es una pieza de una única plataforma en lugar de una capa de alojamiento envuelta alrededor de un marco, llega a sus herramientas a través de la misma puerta de enlace que aplica sus políticas de seguridad y conecta a su agente con el conocimiento de la organización, la búsqueda web y los servicios pagos. La identidad, la memoria y la observabilidad provienen de esa misma plataforma, por lo que cada acción que realiza su agente se controla y rastrea desde la primera llamada sin cableado adicional. El agente que usted declara el primer día es el agente que ejecuta en el número mil, sobre la misma base en todo momento.
"Los clientes de Twilio están creando agentes de IA que funcionan a través de voz, mensajería y canales digitales, con inteligencia en tiempo real y memoria persistente que hacen que cada interacción se sienta como una conversación. Al combinar el aprovechamiento de AgentCore con Twilio Conversations, los desarrolladores pueden pasar de una idea a un agente en vivo sin tener que volver a cablear la infraestructura. Las mejores experiencias de los clientes ocurren cuando se construyen juntas una excelente IA y una excelente infraestructura de comunicaciones".
Omar Paul, vicepresidente de producto, Twilio
empezar
Estas capacidades generalmente están disponibles hoy en AgentCore: arnés administrado, base de conocimientos administrada de Bedrock, búsqueda web, integración de Guardrail, recomendaciones y pruebas A/B. Las estadísticas y los pagos están disponibles en vista previa.
Comience en la consola o con la CLI de AgentCore. Visite la documentación para obtener más información.
Sobre los autores
Madhu Parthasarathy
Madhu Parthasarathy es el director general de Amazon Bedrock AgentCore, donde lidera el equipo que construye la plataforma que las empresas utilizan para crear, conectar y optimizar agentes de IA de producción. Aporta más de 20 años de experiencia en la construcción de infraestructura distribuida a gran escala, incluidos más de 16 años en Amazon, donde ha liderado importantes iniciativas en Amazon Retail, Elastic Block Store (EBS) y ahora AgentCore. Antes de regresar a Amazon, Madhu ocupó puestos de liderazgo senior en LinkedIn, donde dirigió la plataforma empresarial que impulsa todas las líneas de negocios empresariales de LinkedIn, y en una startup de neonube, donde dirigió la infraestructura de inteligencia artificial y estableció la visión de la seguridad y la experiencia de los desarrolladores. Tiene su sede en Santa Clara, California.