AWS升级AgentCore Harness:Strands默认能力与四阶段治理钩子
摘要:Amazon Bedrock AgentCore harness 已切换至 Apache 2.0 开源的 Strands harness,并自动下发推荐模型、任务型系统提示、提示缓存、主动摘要、上下文卸载,以及规划、网页读取、文件操作和子智能体委派能力。新增四类生命周期钩子:Lambda 可同步允许或拒绝关键动作,SNS/EventBridge 负责异步通知,子智能体也继承工具级策略。升级无需迁移资源,但通配工具集与演进默认值会引入行为漂移;官方所称约 34% Token 开销下降仍需按任务和缓存命中率复测。
AWS 已将 Amazon Bedrock AgentCore harness 的智能体运行基座切换到 Apache 2.0 开源的 Strands harness,并从 2026 年 11 月 11 日起向新建及既有 harness 自动推送。升级不要求迁移资源、接入新的资源类型或重建智能体循环;变化主要集中在默认模型与提示、上下文管理、工具执行以及确定性治理四个层面。
升级边界:无需迁移,但默认行为会持续演进
| 配置项 | 未显式配置时 | 显式配置后 | | --- | --- | --- | | 模型 | 使用 AgentCore 当前推荐模型,并随新模型发布更新 | 指定 model ID 后保持固定 | | 系统提示 | 使用面向任务完成、失败适应与结果验证的托管提示 | 完整替换托管 systemPrompt | | 上下文策略 | 达到阈值后自动摘要较早对话 | 可指定 truncation 策略 | | 工具集合 | 未设置或使用通配配置时获得当前推荐工具集 | 列出具体 allowedTools 后固定能力边界 |
这降低了首次搭建生产级智能体的门槛,但也改变了确定性:省略配置的应用可能随 AWS 更新而更换模型、提示或工具。安全边界严格的生产系统不应依赖持续变化的通配工具集,而应显式列出所需能力。
运行时架构:Strands 负责循环,AgentCore 托管执行环境
Strands harness 提供由指令、工具和上下文管理组成的智能体基座,AgentCore harness 则将其作为 AWS 托管服务运行。调用链可以概括为:请求进入 AgentCore 控制面,分配到运行于内核隔离 microVM 中的会话,再由 Strands 智能体循环调用 Bedrock Converse、工具服务及子智能体。
托管层连接会话持久化、流式响应、用量元数据、可观测性、AgentCore Memory、Identity、Gateway、Browser、Code Interpreter 和客户容器。开发者无需自行部署智能体循环、管理会话扩缩容或维护工具执行基础设施,同时仍可控制模型、指令、工具、权限及生命周期策略。内核隔离强化了租户与工具执行边界,但隔离启动开销、冷启动时延和长任务资源成本未在本次更新中量化,仍需按真实流量压测。
上下文管理:省下的是上下文预算,不是无条件省下延迟
托管默认策略包括自动提示缓存、主动摘要和上下文卸载。缓存目前首先覆盖 Amazon Bedrock 上的 Anthropic 模型,系统提示、工具定义和对话历史可作为稳定前缀命中更便宜的 cache-read Token;这对重复调用同一智能体、工具集合不变的场景最有效。前缀或工具定义一旦变化,缓存复用价值便可能下降,因此不能仅凭开启缓存就推算固定成本节省。
主动摘要会在上下文窗口达到阈值后压缩较早轮次,同时保留最近消息;todo_write 则把结构化任务计划保存在同一会话中,即使对话被摘要,后续调用仍能恢复计划。上下文卸载进一步允许把大型工具结果移出模型即时上下文,只提供预览,需要时再取回完整结果。
从 Token 预算看,一次调用的有效输入可以拆成缓存前缀、非缓存历史、工具定义、工具结果和按需取回内容。摘要与卸载压低的是常驻上下文及重复传输量,但代价可能表现为额外检索、额外模型轮次和状态重建延迟。对于金额、对象 ID 或授权范围等关键字段,摘要不能作为业务事实源,生产系统仍应把关键状态保存在数据库或专用状态存储中。
内置工具与委派:能力扩张伴随权限面扩张
新默认工具集包括 todo_write 任务规划、subagent 委派、web_fetch 网页读取,以及相互独立的 read、write、edit 文件操作。文件工具被拆分为最小粒度,便于只授予只读或指定写入能力,而不是直接开放完整文件系统接口。
subagent 会把自包含任务交给一个全新的工作智能体,再把结果返回父智能体。工作智能体属于当前调用内部,不形成独立托管资源,但共享本次调用的限制与工具级生命周期钩子。委派可以减少父智能体上下文污染,却会增加模型调用、数据传递和错误恢复开销;研究、汇总、评审等阶段若串行执行,端到端时延通常会随阶段数增长。
现有的客户 MCP 服务、AgentCore Gateway、Browser、Code Interpreter、内联函数、Skills、Memory 和客户容器仍通过原有接口工作,但新增工具会扩大潜在的提示注入、数据外传和越权组合面。尤其当 read 与 web_fetch 同时开放时,应额外约束文件范围、网络出口和单次参数,而不能只依赖模型自觉遵守提示词。
四类生命周期钩子:在模型与副作用之间插入确定性闸门
| 生命周期事件 | 触发位置 | Lambda 拒绝后的行为 |
| --- | --- | --- |
| before_invocation | 智能体处理请求之前 | 以 hook_stopped 终止调用 |
| before_tool_call | 模型提出工具调用之后、执行之前 | 跳过该工具调用,继续智能体循环 |
| after_tool_call | 工具结果已经产生之后 | 保留结果,并停止后续推理 |
| after_invocation | 一次调用完成之后 | 报告决定,但已流式输出的内容无法撤回 |
只有 Lambda 钩子可以改变智能体循环。Lambda 同步执行并返回允许或拒绝决定及可选原因;SNS 和 EventBridge 目标只负责记录、告警或启动异步流程,不能阻断动作。钩子在 CreateHarness 或 UpdateHarness 时配置,Lambda 超时或报错时按 failureMode 处理,默认值为拒绝,即 fail closed。
工具级钩子会传递给子智能体,因此父智能体委派任务后,子智能体发起的退款、文件写入或网络请求仍需经过同一策略。调用级钩子则针对整次调用只运行一次。这一继承关系堵住了常见的委派绕过路径,但拒绝 before_tool_call 后循环仍会继续,模型可能改选其他工具;因此业务权限还应在工具服务端重新校验,不能只依赖智能体侧策略。
这些钩子不会让整个智能体变成确定性系统,模型推理仍然具有随机性。它们真正提供的是在特定生命周期点运行确定性代码的能力。对退款、删除、付款等高风险动作,before_tool_call 是最重要的执行前闸门;after_invocation 更适合审计,因为流式输出已经发出后无法真正回滚。
工程权衡:34% Token 降幅仍需独立复测
AWS 引用的 Strands 研究称,托管上下文管理可比其他主流 harness 降低约 34% Token 开销,但本次文章没有披露任务集、模型组合、缓存命中率、摘要比例、端到端时延和方差。该数字适合作为待验证的工程假设,而不是所有工作负载的固定收益。若任务高度重复且前缀稳定,缓存可能贡献主要节省;若任务短小、工具结果巨大或委派阶段多,检索与额外轮次可能抵消部分 Token 收益。
官方 CLI 示例中的研究协调器会依次运行 researcher、synthesizer 和 reviewer,完整研究约需 10 至 15 分钟,并允许最多一次修订循环。这说明该架构偏向长任务自治,而非追求低延迟单轮问答。
生产落地建议
- 对一致性敏感的应用固定 model ID、systemPrompt、truncation 和 allowedTools,不要依赖会演进的推荐默认值。
- 以最小工具集授权,尤其分别审查文件读取、文件修改、Shell、网页抓取及 MCP 工具,并限制网络出口与可访问路径。
- 在
before_tool_call使用低超时 Lambda 执行金额、权限和参数校验,同时在工具服务端保留独立授权与幂等控制。 - 用 EventBridge 或 SNS 记录完整工具调用和拒绝原因;这些通知用于审计,不能替代同步阻断。
- 分别评测提示缓存命中收益、摘要后的事实保真度、卸载内容取回时延,以及多轮委派的总成本。
- 专门测试子智能体是否继承钩子、Lambda 超时是否按预期拒绝,以及通知失败是否影响主循环。
- 结合 AgentCore 用量元数据和可观测性监控 cache-read Token、上下文长度、工具时延、钩子延迟与拒绝率,避免只观察模型输出质量。
- 使用 CLI 创建的临时执行角色会保留在 AWS 账户中,删除 harness 后仍需按需清理 IAM 资源。
—— 完 ——消息来源:AWS Machine Learning Blog (2026-11-19)
主题标签: #Amazon Bedrock AgentCore #Strands Harness #智能体治理 #上下文管理 #生命周期钩子
编辑部与事实核查说明:本篇专刊由智客前沿资讯管线根据官方技术公告、学术论文及开源工程文档整理编译,经算法实体核验与人工编辑审校后发布。若发现技术事实纰漏,欢迎依据勘误方针或一键向编辑部发送勘误反馈。
社区整体评论区