De API-centric para agent-native: a transformação da nOps
A nOps, plataforma de otimização de custos em nuvem com IA, redesenhou completamente sua arquitetura de agentes e obteve resultados expressivos: 75% de redução no tempo de produção, de 10-12 meses para apenas 4 meses. O segredo? Migrar de uma stack auto-gerenciada no EKS com LangChain e LangGraph para o Amazon Bedrock AgentCore.
A nOps gerencia mais de US$ 4 bilhões em gastos de nuvem de seus clientes, ajudando times a maximizar economia com Reserved Instances, Savings Plans e otimização de compromissos. A Clara, agente de IA FinOps da empresa, foi reconstruída sobre o Bedrock AgentCore e virou referência de como agentes de IA podem entregar analytics empresarial em escala.
Os limites da arquitetura antiga
Antes da migração, a Clara rodava sobre uma stack complexa: Kubernetes auto-gerenciado, invocação de modelos via Bedrock, orquestração com LangChain/LangGraph e wrappers de ferramentas sobre APIs web. Três problemas estruturais apareceram:
- Latência e inconsistência nas respostas: contextos longos vindos de APIs aumentavam o tempo de resposta e reduziam a consistência
- Complexidade operacional: múltiplas camadas de orquestração e observabilidade dificultavam iteração e debugging
- Desacoplamento dos dados: as respostas do agente dependiam de respostas de API, não de uma camada semântica dedicada
Nas palavras de Jordan Stein, Diretor de Produto e Engenharia da nOps: “Estávamos tentando construir capacidades avançadas de IA sobre uma infraestrutura que não foi projetada para agentes orientados a analytics.”
A nova arquitetura: Bedrock AgentCore + Databricks Lakehouse
A Clara foi redesenhada em quatro camadas:
- Camada de interação: aplicação Next.js hospedada na Vercel, com streaming via Server-Sent Events
- Runtime de agente: Bedrock AgentCore rodando um agente Strands único com acesso direto a ferramentas — sem multi-agente, sem handoffs entre agentes que geram latência e propagação de erros
- Camada de dados: Databricks Lakehouse Metric Views como camada semântica governada + Databricks Lakebase (PostgreSQL serverless) para estado de aplicação
- Workflows assíncronos: DynamoDB, SNS/SQS e API Gateway WebSocket para tarefas longas de analytics com atualização em tempo real
Resultados expressivos em qualidade
Os números impressionam:
- 81,7% de acurácia (aumento de 145% sobre os ~65% da v1)
- 79,4% de utilidade (aumento de 138%)
- Taxa de falha de ferramentas: de 7,49% para 0,92%
- Tempo de análise manual: de 2 horas para 30 minutos (redução de 75%)
- 4-6 agentes em produção servindo analytics a partir de um runtime compartilhado
Um detalhe técnico relevante: a Clara usa três estratégias de memória do AgentCore — fatos semânticos, preferências do usuário e sumários de canvas. Isso permite que o agente aprenda como cada cliente interage com seus dados ao longo do tempo, preservando contexto entre sessões.
Migração de stack: o que saiu e o que entrou
A migração eliminou completamente a camada de orquestração LangChain/LangGraph, substituída pelo runtime nativo do Bedrock AgentCore com memória integrada, roteamento de requisições e observabilidade built-in. O time de engenharia ganhou foco em diferenciação de produto em vez de manutenção de infraestrutura.
Para isolamento de tenants, o Amazon Bedrock Guardrails faz uma pré-verificação standalone do prompt antes da invocação do agente, aplicando políticas de acesso a dados entre tenants e detecção de prompt attacks.
Por que isso importa
O caso da nOps demonstra um padrão que está se repetindo no mercado: agentes de IA estão migrando de stacks Frankenstein (Kubernetes + LangChain + APIs genéricas) para plataformas gerenciadas com runtime, memória e segurança integrados. O Bedrock AgentCore é a aposta da AWS nesse movimento — e os números da nOps sugerem que a aposta tem fundamento.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
