Amazon Bedrock AgentCore ganha otimização automática de prompts de sistema

A AWS lança o AgentCore Optimization, recurso do Amazon Bedrock AgentCore que reescreve prompts de sistema com traces (registros de execução) de produção do Observability. No benchmark AppWorld, o Single Agent Reflector chega a 81,55% de sucesso em 20 turns (interações do agente), 18 vezes mais rápido que o método GEPA. Um sinal de recompensa orienta as sugestões, que passam por guardrails (barreiras de segurança) antes de qualquer atualização no agente.

A gigante de nuvem apresenta o AgentCore Optimization como parte do Amazon Bedrock AgentCore, sua plataforma para construir e conectar agentes de IA. O recurso nasce de um post técnico que detalha o system prompt optimizer, ferramenta que lê os traces coletados pelo AgentCore Observability e cruza esse histórico com um sinal de recompensa para sugerir ajustes no prompt de sistema. No benchmark AppWorld, a versão Sub-Agent Reflector — recurso experimental de código aberto liberado no repositório Strands — chega a 95,83% de sucesso, 23 pontos acima da linha de base do teste.

O Single Agent Reflector completa o mesmo desafio em 6 minutos, tempo que sustenta o ganho de velocidade sobre o método concorrente GEPA. Os testes usam dois modelos com papéis distintos: o Opus 4.6 funciona como reflector, responsável por analisar os traces e formular as recomendações, enquanto o Sonnet 4.5 executa as tarefas avaliadas no benchmark. Antes de qualquer prompt revisado chegar a um agente em produção, o sistema aplica guardrails que barram candidatos com crescimento acima de 20% em relação à versão anterior e proíbem o reaproveitamento literal de frases extraídas dos traces originais.

Ficha técnica

Guardrail trava prompts que crescem demais

A regra evita que o otimizador infle o prompt com instruções redundantes só para ganhar pontos no benchmark.

Outra trava bloqueia o reaproveitamento literal de trechos extraídos dos traces de produção, o que evita vazamento de dados sensíveis de usuários no prompt final. As duas camadas mantêm o processo auditável: cada sugestão nasce de registros reais de uso, mas só chega ao agente depois de passar por limites numéricos e regras de reformulação, nunca de cópia direta.

A AWS já tinha apresentado a otimização de prompts em um post de lançamento anterior. O texto mais recente detalha a técnica como system prompt optimizer (otimizador de prompts de sistema).

O AgentCore compete com frameworks como LangGraph, LlamaIndex, OpenAI Agents SDK, Google ADK, Claude Agent SDK e Strands Agents, que disputam espaço entre desenvolvedores de agentes de IA. A AWS também tornou o AgentCore Evaluations disponível de forma geral, depois de um período de teste apresentado no re:Invent 2025.

O recurso avalia agentes sem depender do framework escolhido. Paralelamente, a AWS amplia o acesso a conhecimento externo com a ferramenta Web Search e com o Bedrock Managed Knowledge Base, além de gerir datasets (conjuntos de dados) versionados para testes. Outros usos do AgentCore já apareceram em publicações da empresa: o Code Interpreter, ambiente de execução de código usado como espaço de trabalho para agentes, e integrações de autenticação OAuth que vinculam permissões de usuários a sessões de agentes.

Knowledge Base leva agentes a fontes externas

Depois de ajustar como o agente pensa, a AWS amplia o que ele acessa. O Bedrock Managed Knowledge Base chega ao AgentCore e assume a parte pesada de conectar um agente a documentos reais.

Ele cuida do vector store (banco que guarda representações numéricas de texto), dos embeddings e do re-ranking, que reordena resultados por relevância. Com isso, o agente passa a buscar informação direto no SharePoint, no Google Drive, no Confluence ou em buckets do Amazon S3, sem que o time monte essa infraestrutura à mão.

A Sony Group Corporation já usa essa conexão como exemplo de aplicação prática, segundo a AWS.

Do lado da avaliação, o AgentCore Evaluations soma três formas de medir um agente: comparação por LLM-as-a-Judge com rubricas estruturadas, checagem contra Ground Truth em datasets fixos e avaliadores de código customizado rodando em funções AWS Lambda, sem servidor dedicado.

• #hardware
• #software