Como construir e executar seu próprio agente de IA na nuvem com Strands e AgentCore da AWS

Usar IA na AWS para realizar tarefas úteis pode ser relativamente simples: algumas linhas de Python com a biblioteca boto3 e a API Bedrock bastam para enviar um prompt, receber uma resposta e devolvê-la ao usuário. Mas quando a aplicação precisa manter contexto de conversa, escolher entre ferramentas, seguir instruções detalhadas e coordenar múltiplos passos, o código ao redor do modelo começa a se parecer com um framework de agentes.

É aí que entram Strands e AgentCore, duas ferramentas da AWS que trabalham juntas para construir e operar agentes de IA em produção. Um tutorial detalhado na Towards Data Science mostra o passo a passo completo.

Strands: o framework de agentes open-source da AWS

O Strands é um framework de código aberto que fornece os componentes fundamentais de um agente: um LLM (como Claude Sonnet via Bedrock ou modelos locais via Ollama), um prompt de sistema que define o papel e o comportamento do agente, ferramentas que o modelo pode chamar, mensagens de conversa com contexto e um loop que envia requisições ao modelo, executa as ferramentas solicitadas e devolve os resultados ao modelo.

Pense no Strands como o equivalente da AWS ao LangChain ou CrewAI. Um agente básico pode ser criado com apenas um modelo e um prompt de sistema:

from strands import Agent

agent = Agent(
    model="anthropic.claude-sonnet",
    system_prompt="Você é um assistente educacional especializado.",
)
response = agent("Explique a primeira lei de Newton.")

AgentCore: o ambiente gerenciado de produção

Se o Strands controla o que o agente faz, o Amazon Bedrock AgentCore controla onde e como essa aplicação roda. É um conjunto de serviços gerenciados da AWS que oferece: runtime que hospeda e escala agentes em ambientes isolados por sessão, memória que armazena eventos de conversa e extrai fatos duráveis entre sessões, gateway que expõe APIs e funções Lambda como ferramentas gerenciadas, e políticas de autorização Cedar para controlar o acesso.

O tutorial mostra como construir um assistente educacional que responde perguntas sobre matemática, física, química e geografia — recusando educadamente tópicos fora dessas áreas. O agente decide qual disciplina melhor se encaixa em cada pergunta sem uma lista de palavras-chave ou ferramenta de roteamento separada.

Como Strands e AgentCore se encaixam

O Strands define o comportamento do agente: o modelo escolhido, o prompt de sistema, o contexto da conversa e as ferramentas disponíveis. O AgentCore Runtime gerencia o ambiente ao redor: deploy, escalabilidade, isolamento de sessão, streaming e interface de invocação. Essa separação é importante porque implantar um agente com AgentCore não define o comportamento do sistema — isso vem fundamentalmente da escolha do modelo e do código Strands subjacente.

Adicionando memória entre sessões

Além do deploy básico, o tutorial demonstra como integrar o AgentCore Memory para preservar preferências do usuário entre conversas. Isso permite que o assistente lembre, por exemplo, que o estudante prefere exemplos de física com foguetes ou explicações de química com analogias culinárias — sem precisar repetir essas preferências a cada nova sessão.

Ferramentas necessárias

Para acompanhar o tutorial, você precisa de uma conta AWS com credenciais configuradas localmente, Node.js 20+, Python 3.10+, AWS CDK, a CLI do AgentCore e acesso ao modelo escolhido no Amazon Bedrock. O tutorial completo está disponível na Towards Data Science e cobre desde a instalação das ferramentas de desenvolvimento até o deploy e os testes do agente em produção.