Hace un año, Simon Willison escribió una de las definiciones más claras de un agente que ha permanecido:
Un agente de LLM ejecuta herramientas en bucle para lograr un objetivo.
Esa definición se mantuvo porque describe lo que realmente hace cada agente de producción. Kiro, desarrollador de Amazon Q, Quick Agents, Codex, Claude Code: bajo el capó, todos tienen la misma forma. El bucle del agente es el denominador común.
Pero el bucle nunca fue la parte difícil. Lo difícil fue todo lo que lo rodeaba.
Elige un marco. Conecte las herramientas. Aprovisione computación en espacio aislado. Configurar almacenamiento, secretos, redes. Decide dónde vive la memoria. Aproveche la observabilidad. Obtenga las dependencias correctas en el contenedor correcto. Además, la creación de prototipos locales tiende a ser la parte fácil: un solo desarrollador puede hacer funcionar a un agente en su computadora portátil en una tarde. Ponerlo en producción es donde el trabajo explota, y en el momento en que tiene que servir a más de un usuario, aparece una capa de trabajo completamente nueva: simultaneidad, aislamiento, identidad, estado, escalamiento.
Peor aún, esos gastos generales se multiplicaban con cada nuevo caso de uso. Los equipos que querían experimentar, probar un modelo diferente, intercambiar una herramienta, dirigir al agente a un nuevo dominio, se encontraron repitiendo lo mismo. El cuello de botella no fue la inteligencia. Fue orquestación e infraestructura.
Cuando lanzamos el arnés AgentCore en versión preliminar en abril, hicimos una apuesta: las primitivas de AgentCore (tiempo de ejecución, memoria, puerta de enlace, navegador, identidad, observabilidad) ya brindan a los equipos todo lo que necesitan para ejecutar agentes en producción; lo que no deberían tener que hacer es conectarlos a mano cada vez. El arnés maneja ese cableado como una abstracción administrada, por lo que se convierte en algo que usted configura en lugar de algo que construye.
Hoy en día, el arnés Amazon Bedrock AgentCore está disponible de forma generalizada. Dos llamadas API (CreateHarness para definir un agente, InvokeHarness para ejecutarlo), un recorrido rápido en la CLI de AgentCore (como se muestra en el siguiente gif) o unos pocos clics en la consola, y tendrá un agente ejecutándose en minutos. Se ejecuta en su propio entorno aislado con un sistema de archivos y un shell, por lo que puede leer archivos, ejecutar comandos y escribir código de forma segura. Recuerda los usuarios y las conversaciones a lo largo de las sesiones, adquiere las habilidades que usted señala (incluido el catálogo seleccionado por AWS), navega por la web, llama a sus herramientas a través de la puerta de enlace o MCP y cambia de proveedor de modelos a mitad de la sesión sin perder el contexto. Cada paso se transmite a usted en tiempo real y se rastrea automáticamente hasta CloudWatch. No es necesario escribir código de orquestación ni crear un contenedor, excepto si así lo desea.
Qué te ofrece el arnés
Un arnés es todo lo que un agente necesita para ejecutar en producción, incluido detrás de dos llamadas API. Señala el modelo, las herramientas, las habilidades y las instrucciones que desea. AgentCore maneja el entorno aislado, la memoria, el almacenamiento, la identidad y la observabilidad que lo une todo. Las capacidades nuevas en GA están marcadas con * en el siguiente diagrama.
Cualquier modelo: utilice el modelo adecuado para el trabajo, cámbielo cuando lo necesite
Diferentes tareas necesitan diferentes modelos. Los clientes nos dijeron que querían planificar con un modelo y ejecutar con otro, cambiar de proveedor para una prueba de precio-rendimiento o abandonar un modelo que acaba de presentar una regresión, todo sin perder la conversación. Elija un modelo predeterminado en CreateHarness y luego anúlelo en cualquier llamada de InvokeHarness cuando sea necesario. El valor predeterminado permanece vigente para cualquier otra invocación. Establezca el campo coincidente en el modelo para el proveedor que desee:
bedrock para cualquier modelo servido en Amazon Bedrock, incluidos Anthropic Claude, Amazon Nova, Meta Llama, DeepSeek, Qwen, Kimi, MiniMax, Cohere, Mistral y, recientemente, OpenAI GPT-5.5 y GPT-5.4 en Bedrock openAi para acceso directo a la API de OpenAI (api.openai.com) gemini para Google Gemini liteLlm para cualquier proveedor externo compatible con LiteLLM, incluido Anthropic direct, Cohere, Mistral, Vertex, Azure OpenAI y otros
Y la parte que los clientes nos dijeron que era más importante: cambiar de proveedor en cualquier momento, incluso a mitad de sesión, y mantener el contexto. Por ejemplo, puede usar Claude Opus para planificar, cambiar a GPT-5.5 para escribir código y cambiar a Gemini para resumir. La conversación continúa. El arnés maneja la transición sin problemas.
Si utiliza claves API para acceder a cualquiera de los proveedores de modelos subyacentes, se almacenan de forma segura en la bóveda de tokens de AgentCore Identity. El agente nunca ve las credenciales sin editar.
Herramientas como configuración: conecte su agente al mundo sin escribir código adhesivo
Las herramientas son la forma en que el agente afecta cualquier cosa fuera de su propio razonamiento, y cablearlas es la parte que la mayoría de los equipos odian silenciosamente. Los clientes nos dijeron que no quieren escribir código de adaptador por API, administrar los ciclos de vida del servidor MCP o crear su propio entorno limitado de navegador. Quieren declarar lo que el agente puede usar y dejar que el arnés maneje la conexión, la autenticación y la ejecución.
Las herramientas en CreateHarness son una lista. Cada entrada tiene un tipo y un bloque de configuración, y el arnés los conecta en:
agentcore_gateway: puede hacer referencia a una puerta de enlace AgentCore mediante ARN. Cada objetivo que expone la puerta de enlace (OpenAPI, Smithy, Lambda, MCP) aparece como una herramienta, con autenticación IAM/JWT, autorización por herramienta y intermediación de credenciales salientes manejadas por usted. remoto_mcp: puede conectarse directamente a cualquier servidor MCP mediante URL. Es bueno cuando el servidor ya está protegido y no necesita la capa de gobierno de Gateway delante de él. agentcore_browser: un entorno limitado de navegador completo como referencia de una sola línea. Haga clic, escriba, navegue, haga captura de pantalla. agentcore_code_interpreter: ejecución de Python y Node en espacio aislado, mismo patrón de una sola línea. inline_function: un esquema de herramienta que el arnés emite como un evento de uso de herramienta en la secuencia y espera a que usted responda. Úselo para aprobaciones humanas en el circuito o para herramientas que deben ejecutarse de su lado.
Cada sesión también tiene un shell integrado (ejecutar comandos dentro de la microVM) y operaciones de archivos (lectura y escritura en el sistema de archivos del agente) sin que usted los enumere. Son los que hacen que el sistema de archivos con estado y la historia del shell sean utilizables desde el modelo.
Tiene las mismas opciones en InvokeHarness para ediciones por llamada, donde puede pasar nuevas herramientas para cambiar herramientas para una sola llamada, o reducir la lista a un conjunto enfocado para esa invocación a través del parámetro permitido_tools. Los valores predeterminados se establecen en el momento de la creación, pero se pueden anular fácilmente en el momento de la invocación.
Memoria incorporada: Su arnés recuerda usuarios y conversaciones
Los clientes quieren que su agente reconozca a un usuario que regresa, continúe donde quedó la última conversación y recuerde las preferencias sin que nadie vuelva a reproducir el historial de mensajes. En la versión preliminar, había que aprovisionar un recurso de memoria AgentCore por separado y pasar su ARN, lo que funcionó pero fue una segunda llamada API y algo fácil de olvidar en el camino a la producción.
En GA, omitir memoria en CreateHarness proporciona una memoria administrada automáticamente, con valores predeterminados sensatos: estrategias SEMÁNTICAS + DE RESUMEN, vencimiento de eventos de 30 días, cifrado propiedad de AWS y aislamiento de múltiples inquilinos de forma predeterminada a través de plantillas de espacio de nombres que codifican actorId. Es un recurso de memoria real, propiedad del cliente y proporcionado para usted. La memoria no es obligatoria. Si su agente no tiene estado, configure la memoria: {disabled: {} } y el arnés omitirá la memoria por completo. Si prefiere adjuntar un recurso de memoria AgentCore que ya posee, pase agentCoreMemoryConfiguration con su ARN. Esos tres caminos se parecen a lo siguiente:
Cambiar a su propia memoria es una llamada a UpdateHarness. Pase agentCoreMemoryConfiguration con el ARN de su memoria y la memoria previamente administrada se disociará inmediatamente. Sigue siendo un recurso habitual de AgentCore Memory en su cuenta, por lo que puede seguir usándolo en cualquier lugar, conectarlo a otro arnés, consultarlo directamente o eliminarlo según sus propios términos. Cuando elimina el arnés, la memoria administrada se elimina en cascada de forma predeterminada (deleteManagedMemory: verdadero). Pase deleteManagedMemory: false si desea conservarlo.
La memoria gestionada es automática pero no opaca. Es un recurso de AWS real y direccionable que puede consultar, adjuntar a un agente diferente, auditar o entregar a un canal de análisis.
Habilidades: brinde a su agente la experiencia adecuada en la tarea adecuada
Los clientes quieren que su agente sepa cómo realizar una tarea específica antes de intentarla. Por ejemplo, cómo formatear un informe de Excel, cómo presentar un ticket JIRA de la misma manera que lo presenta su equipo o cómo seguir los procedimientos recomendados por AWS para acceder a sus datos en AWS. Las habilidades son la forma en que le brinda al agente ese conocimiento cuando lo solicita. Son paquetes de archivos, scripts e instrucciones. El arnés carga metadatos de habilidades y pone el contenido completo en contexto solo cuando la tarea realmente lo requiere.
En GA, HarnessSkill es una unión con cuatro fuentes, por lo que puede adjuntar habilidades de forma declarativa sin tener que hornearlas en un contenedor ni desgranarlas:
awsSkills: active el paquete de habilidades seleccionado por AWS. git: clona un repositorio público o privado a través de HTTPS, anclado a una confirmación o rama. s3: extraiga un paquete de habilidades de su propio depósito de Amazon Simple Storage Service (Amazon S3). ruta: hace referencia a una ruta que ya existe en el contenedor que trajo.
La misma forma funciona en InvokeHarness para capas por llamada. El arnés materializa cada habilidad en el sistema de archivos de la sesión al inicio de la sesión o durante una nueva invocación si cambia la configuración de las habilidades.
El gran desbloqueo para los creadores de AWS: el repositorio de habilidades de AWS ofrece habilidades seleccionadas que cubren el área de superficie de AWS, desde habilidades básicas (uso de SDK, infraestructura como código (IaC), AWS Identity and Access Management (IAM), Amazon CloudWatch y Amazon Bedrock) hasta flujos de trabajo profundos específicos de servicios para análisis, bases de datos, Amazon Elastic Compute Cloud (Amazon EC2), redes, seguridad, sin servidor y almacenamiento.
Para simplificar aún más esto, GA presenta una opción de primera clase para awsSkills: active el paquete de habilidades de AWS sin necesidad de plomería, sin URL ni recuperación de red (las habilidades se incorporan al tiempo de ejecución subyacente del arnés, siempre que las necesite).
Entorno y sistema de archivos: ejecute su agente en el entorno que necesita
La mayoría de los agentes funcionan bien en el entorno predeterminado del arnés, que incluye Python y bash. Cuando necesita más (una dependencia privada, una versión de tiempo de ejecución, una herramienta CLI o persistencia entre sesiones), dos perillas le permiten configurar el tiempo de ejecución del agente para que coincida con su pila: la imagen del contenedor y el sistema de archivos.
Imagen del contenedor. Si Python y bash no son suficientes, puede empaquetar su código fuente, dependencias, tiempos de ejecución y herramientas en un contenedor personalizado, enviarlo a Amazon Elastic Container Registry (Amazon ECR) y hacer referencia a él en CreateHarness. Luego, el agente utiliza ese entorno exacto. También puede emparejarlo con InvokeAgentRuntimeCommand, una API que ejecuta un comando de shell directamente dentro de la sesión de microVM del agente, para una configuración específica de la sesión que varía según la invocación (clonar una rama particular, generar datos de prueba o extraer credenciales). Es determinista, no pasa por el modelo y no quema tokens.
Sistema de archivos. Los agentes a menudo necesitan archivos para sobrevivir a una única respuesta: una base de conocimientos compartida, un directorio de trabajo entre sesiones o un lugar para colocar los documentos producidos en su depósito. El arnés le ofrece tres opciones de sistema de archivos, cada una con diferentes características de alcance y persistencia.
Tipo Se requiere nube privada virtual (VPC) administrada Persistencia Almacenamiento de sesión administrado Sí No En ciclos de parada/reanudación del mismo runtimeSessionId. Punto de acceso de Amazon Elastic File System (Amazon EFS) BYO Sí En todas las sesiones, compartible entre arneses. Amazon Simple Storage Service (Amazon S3) Punto de acceso a archivos BYO Sí En todas las sesiones y arneses, con durabilidad, control de versiones e historial completos de Amazon S3.
Busque almacenamiento de sesión administrado para los archivos de trabajo que necesitan sobrevivir a los reinicios de microVM dentro de una sesión. Utilice EFS cuando varios arneses o sesiones necesiten compartir datos de referencia, indicaciones o paquetes de habilidades. Utilice Archivos S3 cuando desee que el agente lea y escriba a través de operaciones de archivos estándar mientras los cambios se sincronizan automáticamente con el depósito S3 de respaldo (el agente escribe un informe, el informe aparece en su depósito S3 a medida que avanza).
Observabilidad unificada: vea lo que hizo su agente, en un solo lugar
Cuando algo sale mal, los clientes quieren saber en un solo lugar qué ejecutó el agente, cómo llamó, dónde se desaceleró y dónde falló. Una invocación de arnés típica cruza tiempo de ejecución + memoria + puerta de enlace + una o dos herramientas integradas, y unir esa imagen solía significar abrir cinco pestañas.
En GA, cada página de arnés en la consola AgentCore muestra un único widget de observabilidad: una fila agregada que resume el arnés en cada primitiva que tocó, además de secciones por primitiva que aparecen solo para las primitivas con las que el arnés está configurado o ha usado.
Para un análisis más profundo, CloudWatch GenAI Observability tiene una nueva pestaña Arneses junto con Runtime y otras primitivas. Profundice desde un arnés hasta una sesión, hasta un único seguimiento y vea exactamente qué hizo el agente, en qué orden, cuánto tiempo tomó cada paso y dónde falló. Los registros de cada primitivo (memoria, puerta de enlace, navegador, intérprete de código) aparecen en línea en el lapso correcto, por lo que deja de saltar entre grupos de registros para reconstruir lo que sucedió.
Evalúe y optimice: siga mejorando su agente en producción
Una vez que su agente está en producción, la pregunta pasa de "¿funciona?" a "¿está mejorando?" Los clientes quieren una manera de calificar el desempeño real de su agente en el tráfico real, obtener sugerencias sobre qué cambiar y validar esos cambios antes de implementarlos. GA trae dos piezas que cierran ese ciclo:
Las evaluaciones de AgentCore califican los rastros del arnés con evaluadores integrados de modelo de lenguaje grande (LLM) como juez (ayuda, fidelidad, seguridad) o con evaluadores personalizados que usted cree. Ejecútelos en línea (calificando cada sesión a medida que ocurre), bajo demanda para un solo seguimiento, en lotes sobre seguimientos históricos, contra un conjunto de datos de prueba fijo o como una simulación con usuarios sintéticos para realizar pruebas de estrés antes de comenzar a funcionar. La optimización de AgentCore lee las puntuaciones de los evaluadores y genera recomendaciones rápidas y de descripción de herramientas, luego las valida enrutando el tráfico en vivo entre dos variantes a través de AgentCore Gateway con puntuación de evaluación en línea por sesión e informes de importancia estadística. Las variantes pueden ser diferentes versiones de un paquete de configuración opcional en el mismo tiempo de ejecución, o una versión diferente que apunte a diferentes puntos finales, por lo que puede realizar pruebas A/B de cambios en la descripción de herramientas y mensajes sin volver a implementar el código apuntando solo a un punto final diferente.
Ejecute su arnés, capture rastros, obtenga puntuaciones, obtenga recomendaciones, pruebe A/B la configuración recomendada con la actual y luego envíe el ganador.
Versionar y revertir: implementar cambios de forma segura, revertir al instante
Los clientes quieren actualizar mensajes, cambiar una herramienta o probar un nuevo modelo en un subconjunto de tráfico sin poner en riesgo a todo el agente. Las versiones y los puntos finales en el arnés reflejan lo que AgentCore Runtime ya ofrece: cada UpdateHarness crea una versión inmutable que captura la configuración completa (modelo, indicador del sistema, herramientas, configuración de memoria, habilidades, entorno, truncamiento, límites de ejecución), y la reversión es "apuntar el punto final a una versión anterior".
El punto final DEFAULT avanza automáticamente en cada actualización. Los puntos finales con nombre (PROD, STAGING) permanecen fijados hasta que los promuevas explícitamente.
Exportar a código: graduarse cuando la configuración no es suficiente
Cuando un caso de uso supera la configuración (orquestación personalizada, coordinación de múltiples agentes, instrumentación profunda), los clientes quieren llevar el agente más lejos sin reconstruirlo desde cero. Un comando CLI exporta el arnés como código basado en Strands que puede alojarse en AgentCore Runtime o en cualquier otro lugar:
El proyecto exportado conserva su modelo, solicitud, herramientas, cableado de memoria, habilidades y entorno de contenedor. Misma ruta de cálculo, misma observabilidad, mismas primitivas de identidad. La graduación es una traducción de configuración a código, no un cambio de arquitectura.
Strands es el primer objetivo de exportación; Claude Agent SDK estará disponible próximamente, por lo que los clientes que prefieran ese marco podrán graduarse de la misma manera.
Esta es la parte de la historia del arnés que más nos importa. Cuando la configuración deja de ser suficiente, pasa a la misma computación y las mismas primitivas, con código que puede leer y modificar, en lugar de empezar de cero.
Otras adiciones notables
También agregamos lo siguiente:
Integración de funciones de paso. Una invocación de arnés ahora es un estado de primera clase en AWS Step Functions. En Workflow Studio, busque AgentCore InvokeHarness y arrástrelo a su flujo de trabajo. Utilice Quick Create Harness para crear un nuevo arnés y una función de ejecución desde dentro de Step Functions, o apunte a un arnés existente y anúlelo por llamada. Se aplica la misma semántica de InvokeHarness, con valores predeterminados en el arnés y anulaciones en el estado de Tarea.
Búsqueda web en AgentCore. La nueva búsqueda web en AgentCore (también lanzada en la Cumbre de Nueva York) está disponible para aprovechar los agentes a través de AgentCore Gateway: expone la búsqueda web como un objetivo de la puerta de enlace, hace referencia a la puerta de enlace desde el arnés y el agente realiza la búsqueda. Próximamente estará disponible un tipo de herramienta propia agentcore_web_search, que coincide con el patrón de una línea de agentcore_browser y agentcore_code_interpreter.
¿Qué puedes hacer con todo esto?
Hay innumerables casos de uso que el arnés puede admitir, en todas las industrias y tipos de agentes. Para darle una idea de la diversidad, aquí hay tres ejemplos concretos, cada uno de los cuales nos dijeron que los equipos estaban reconstruyendo a mano antes.
Un agente de investigación y redacción. El agente podría buscar en la web, explorar fuentes, redactar un documento y devolverle un archivo xlsx o pptx real, con memoria transmitida entre sesiones para que la siguiente pregunta no reproduzca todo. El mínimo para ponerlo en pie es una llamada a CreateHarness:
herramientas: agentcore_browser, además de un destino de puerta de enlace que expone la búsqueda web en AgentCore. habilidades: una fuente de git que apunta a antrópicos/habilidades para el paquete de habilidades de documentos.
La memoria está activada de forma predeterminada, por lo que no la configura explícitamente. Eso es todo.
Un agente de análisis y datos de AWS para su equipo. El agente podría extraer datos de su cuenta de AWS (Amazon Athena, AWS Glue, Amazon S3, Amazon Redshift, Amazon CloudWatch), ejecutar un análisis y devolver un resumen, un gráfico o un hallazgo, mientras sigue los procedimientos recomendados por AWS para acceder a cada servicio paso a paso en lugar de improvisar. El mínimo para ponerlo en pie es una llamada a CreateHarness:
habilidades: [{"awsSkills": {}}] para activar el catálogo seleccionado de AWS (análisis, base de datos, Amazon EC2, redes, seguridad, sin servidor y almacenamiento). ejecutivoRoleArn: un rol de IAM con alcance para cualquier API de AWS que desee que lea el agente.
Agregue agentcore_code_interpreter si desea que el agente también ejecute Python en un entorno limitado para dividir y visualizar los datos que extrae.
Un agente codificador. El agente podría leer su código base, planificar un cambio, escribirlo, ejecutar las pruebas y abrir una solicitud de extracción (PR), con la capacidad de cambiar a un modelo diferente a mitad de la sesión para el diseño y la implementación sin perder contexto. El mínimo para ponerlo en pie son dos pasos:
Envíe un contenedor personalizado con su repositorio y cadena de herramientas a Amazon ECR. Llame a CreateHarness con EnvironmentArtifact apuntando a esa imagen, además de un destino de puerta de enlace conectado a GitHub (o su equivalente interno de GitLab o Bitbucket) para que el agente pueda interactuar con sucursales, relaciones públicas y revisiones.
Para operaciones deterministas de git como clonar, confirmar, enviar y abrir un PR (sin pagarle al modelo para que piense en ellas), llame a InvokeAgentRuntimeCommand directamente.
Son tres agentes diferentes, con exactamente el mismo arnés. La configuración de la API es lo único que cambia.
Paga solo por lo que usas
No hay tarifa de arnés adicional. Paga por las capacidades subyacentes en función del consumo real.
Computación en tiempo de ejecución (donde se ejecuta la sesión de aprovechamiento): precio de consumo activo por segundo, $0,0895 por vCPU-hora, $0,00945 por GB-hora. Las cargas de trabajo agentes pasan mucho tiempo esperando la E/S de modelos y herramientas. El tiempo de ejecución se factura solo cuando la CPU realmente se consume. Navegador e intérprete de código: mismo modelo de consumo activo. Puerta de enlace: por cada 1000 invocaciones y por cada 1000 consultas de búsqueda. Memoria: por cada 1000 eventos a corto plazo, por cada 1000 registros a largo plazo por mes, por cada 1000 recuperaciones. Observabilidad: precios estándar de Amazon CloudWatch para intervalos, registros y métricas. Inferencia del modelo: cobrada por Amazon Bedrock o el proveedor externo según sus tarifas estándar.
Cada uno es independiente. Usa uno, usa todos. Un agente que se ejecuta durante 60 segundos y llama a dos herramientas cuesta en consecuencia. Un agente que se ejecuta durante una hora y, en consecuencia, conlleva elevados costes informáticos. Paga proporcionalmente a lo que su agente realmente calcula.
Para obtener detalles completos sobre los precios, consulte la página de precios de AgentCore.
Lo que entusiasma a algunos de nuestros clientes con el arnés
Omar Paul, vicepresidente de Producto de Twilio, afirmó que "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".
El Dr. Lukas Schack, ingeniero principal de aprendizaje automático de TUI GROUP, nos dijo que "Amazon Bedrock AgentCore se ha convertido en un componente central de TUI: utilizamos Runtime para alojar agentes en marcos y memoria para compartir contexto entre ellos, en producción y en talleres con más de 500 empleados, a veces con más de 130 personas construyendo al mismo tiempo. Con AgentCore, aprovechar lo que antes tomaba semanas desde la idea hasta el producto funcional ahora toma minutos, y los casos de uso orientados al cliente son los siguientes".
Rodrigo Moreira, vicepresidente de ingeniería de VTEX, dijo: "Estamos construyendo agentes de IA que revolucionarán el comercio electrónico. Anteriormente, crear prototipos de cada nuevo agente requería días de código de orquestación y configuración de infraestructura antes de que pudiéramos validar una idea. El arnés AgentCore ha cambiado eso: intercambiar un modelo, agregar una herramienta, reemplazar una habilidad o refinar las instrucciones de un agente ahora es un cambio de configuración, no una reconstrucción. Ahora podemos validar las ideas de los agentes en minutos en lugar de días, y esperamos acelerar aún más el desarrollo del agente con estas nuevas capacidades”.
Kazumi Matsuda, gerente sénior del Departamento de Promoción de IA de FUJISOFT, señaló que "en Fujisoft, estamos creando agentes de IA para acelerar el desarrollo de software y las operaciones en todos nuestros equipos. Nuestro marco, Character Capsule, empaqueta roles, habilidades y procedimientos de ejecución de los agentes como cápsulas reutilizables que se escalan a la orquestación de múltiples agentes en AgentCore. Con el arnés de AgentCore, implementamos nuevos agentes en minutos y versionamos cada cambio. Una vez en producción, las evaluaciones califican el desempeño de nuestros agentes utilizando los registros de ejecución y las capacidades de optimización de AgentCore. "Generamos sugerencias rápidas y de herramientas basadas en esas puntuaciones. Probamos A/B esas recomendaciones en el tráfico en vivo antes de implementarlas, por lo que la mejora es continua, no conjeturas. En conjunto, estas capacidades nos permiten implementar nuevos agentes rápidamente y seguir mejorándolos con confianza, detectando regresiones de calidad antes de que lleguen a producción e implementando solo los cambios que hemos validado en nuestros patrones de múltiples agentes".
empezar
El arnés AgentCore de Amazon Bedrock está disponible hoy en todas las regiones de AWS donde AgentCore está disponible de forma general.
Cuanto más rápido un equipo pueda pasar de una idea a un agente funcional, más ideas podrá permitirse probar. El arnés colapsa ese bucle de días a minutos. Estamos emocionados de ver lo que construyes.
Recursos adicionales
Para obtener más información, consulte lo siguiente: