2026. szeptember 4., péntek · Eszközök

AWS útmutatót adott ki agentikus rendszerek Bedrock AgentCore-ra költöztetéséhez

Az AWS hivatalos blogbejegyzése egy konkrét példán, egy LangGraph-alapú ügyfélszolgálati ügynökön keresztül mutatja be, hogyan vihető át egy éles agentikus alkalmazás az Amazon Bedrock AgentCore platformra. A cég állítása szerint a migráció két szakaszban történik: az első lépésben az ügynök változatlan logikával kerül át az AgentCore Runtime, Gateway és Memory szolgáltatásokra, ami kezeli a felhasználói munkameneteket, az állapotmegőrzést és az eszközök hitelesítését, míg a második szakaszban a kézzel írt döntési ág helyett modellvezérelt tervezés épül be a Strands Agents keretrendszerrel. Az AWS szerint ezzel tíz olyan üzemeltetési terhet lehet leválasztani az ügynök tényleges logikájáról, mint a munkamenetek elkülönítése, az állapotkezelés vagy az operációs rendszer patchelése; a leírás fejlesztői gyakorlati útmutató, nem független teszteredmény.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

Az útmutató konkrét lépéseket ad a vállalatoknak ahhoz, hogy meglévő agentikus prototípusaikat éles, skálázható rendszerré alakítsák az AWS platformján.

Források

AWS Machine Learning Hivatalos

Kapcsolódó témák

Napi összefoglalók AI eszközök #Amazon Bedrock AgentCore#AWS

Napi összefoglaló

Ez a hír a 2026. szeptember 4., péntek napi AI összefoglaló része.

Helyesbítés · 2026. szeptember 18., péntek

Helyesbítés (2026-09-18): innen korábban „Frissítés” linkek mutattak a 2026-09-17-i „AWS: automatikus rendszerprompt-optimalizálót mutatott be a Bedrock AgentCore-hoz” és a 2026-09-18-i „Wood Mackenzie közös ügynökplatformot épített az AWS Bedrock AgentCore-ra” hírre. Egyik sem ennek a hírnek a folytatása — csak ugyanarra a platformra (Bedrock AgentCore) vonatkoznak —, ezért levettük őket.

Kapcsolódó hírek

Az AWS folyamatos minőségellenőrzést épített AI-ügynökei alá

Az AWS saját blogbejegyzésében bemutatja, hogyan épített folyamatos minőségellenőrző keretrendszert AI-ügynökei számára az Amazon Bedrock AgentCore segítségével. A vállalat belső rendszerében eladók és értékesítési vezetők egyszerű nyelvű kérdéseket tehetnek fel az Amazon Quick felületén, a háttérben pedig több specializált alügynök dolgozik, köztük a Performance Insights, a Customer Insights és a Data Insights Agent. Az AWS szerint a bevezetés előtti tesztelés során a Customer Insights Agent egy 410,08 dolláros háromhavi bevételt „410,08 millió dollárként” jelentett, korrekciók nélküli bevételt tüntetett fel korrekciós adatként, saját számításait forrásból származó tényként mutatta be, és olyan éves ismétlődő bevétel-becslést adott, amely egyáltalán nem szerepelt az adatokban. A cég kiemeli, hogy ezek alatt a futások alatt a monitoring rendszer végig zöld állapotot jelzett, vagyis csak azt mutatta, hogy a rendszer válaszolt, nem azt, hogy a válasz helyes volt.

AWS két nyílt forráskódú eszközt vezetett be AI-ágensek fejlesztéséhez

Az AWS bejelentése szerint két nyílt forráskódú projektet indított: a Strands Decider 2B egy kétmilliárd paraméteres modell, amely nem hosszú szöveget generál, hanem előre megadott opciók közül választ bizalmi pontszámmal, így modellirányításra, eszközválasztásra, osztályozásra és korlátozó szabályok betartatására használható. A Qwen3.5-2B alapú modellt egy rank-16 LoRA adapterrel finomhangolták, a nyelvi modell fejét egy pontozó fejjel helyettesítve; az AWS szerint a döntési késleltetés mediánja körülbelül 115 ezredmásodperc egy NVIDIA RTX 3090-en, 153 ezredmásodperc kisebb feladatoknál egy Apple M3 gépen, a JevBench teszten pedig 72,3 százalékos pontosságot ért el 231 nyilvános feladaton a v19 jelű változat. A másik, fejlesztői előnézetben elérhető Strands Box egy izolált futtatási környezet ágensekhez, amely operációsrendszer-szintű elkülönítést kombinál a Dogwood nevű nyílt szabálynyelvvel, így meghatározható, milyen parancsokat, Python-kódokat vagy hálózati hívásokat hajthat végre egy ágens, és ez a kontroll a nyelvi modellen kívül, kernel szinten érvényesül.

AWS Ray LLM konténer: multi-node LLM-kiszolgálás EKS-en

Az AWS hivatalos blogbejegyzése szerint a vállalat bemutatta a Ray LLM Deep Learning Containers (DLC) multi-node változatát, amellyel egyetlen nagy nyelvi modell két GPU-csomóponton, Amazon EKS-en futtatható egy közös, OpenAI-kompatibilis végponton keresztül. A megoldás külön csomópontra választja szét az előfeltöltési (prefill) és a dekódolási (decode) fázist, így a hosszú, számításigényes promptok nem akasztják meg a már folyamatban lévő kérések token-generálását. Az AWS azt írja, hogy korábban az ügyfeleknek maguknak kellett összeállítaniuk és karbantartaniuk a kompatibilis GPU-függőségi láncot (CUDA-könyvtárak, keretrendszerek), ami jelentős, a modellfejlesztéstől elvonó mérnöki munkát igényelt. A most bemutatott, előre tesztelt és patchelt konténer ezt a réteget automatikusan biztosítja, kiterjesztve a korábbi, egycsomópontos Ray Serve DLC-nél alkalmazott megközelítést a többcsomópontos, szétválasztott (disaggregated) inferenciára.

Pizza Bot: nyílt forráskódú postaláda AI-ügynököknek az AWS-től

AWS-fejlesztők nyílt forráskódúvá (Apache 2.0 licenc alatt) tették a Pizza Bot nevű, önhosztolt alkalmazást, amely e-mail-kliens stílusú felületen kezeli a háttérben futó AI-ügynökök munkáját. A rendszer kliens-szerver architektúrán alapul: az ügynökök ütemezetten vagy webhookra indulva dolgoznak, feladatokat delegálhatnak specializált munkásoknak, és emberi jóváhagyásra várhatnak fontosabb lépések előtt. A fejlesztők, Joseph Dolivo (principal technologist) és Igor Fil (solutions architect) szerint a postaláda-metafora azért illik, mert egy szál olyan munkaegység, amihez visszatérünk, nem olyan munkamenet, amit folyamatosan figyelni kell. A rendszer több modellszolgáltatót és MCP-szervert támogat, miközben az ügynök állapotát, szálait és naplóit helyben, a felhasználó gépén tárolja, és csak a kiválasztott modellszolgáltatónak, illetve az engedélyezett MCP-szervereknek küld adatot. A projekt a fejlesztők elmondása szerint egy 2025 áprilisában indult, CRM-naplózást automatizáló belső eszközből, a „JoeBot”-ból nőtte ki magát.