top of page

Agentes do Amazon Bedrock ganham uma arquitetura de referência para Spring AI

há 43 minutos
13 min de leitura

A AWS publicou, em 11 de novembro, uma arquitetura de referência para agentes do Amazon Bedrock, conectando aplicações Java a ferramentas, memória de conversação e implantação gerenciada. Seus exemplos levam padrões conhecidos de desenvolvimento com Spring para aplicações de agentes. Eles também preservam uma distinção importante: implantar um agente não comprova que suas decisões são confiáveis.

O lançamento é voltado a equipes corporativas de Java que decidem quanto da infraestrutura de software existente podem manter ao adotar agentes. O Spring AI, um framework que conecta aplicações Spring a modelos de IA e serviços relacionados, fornece a camada de aplicação. O Amazon Bedrock AgentCore, conjunto de serviços da AWS para hospedar e operar agentes, fornece a infraestrutura de suporte.

A tensão central está entre a engenharia de aplicações conhecida e o comportamento decisório ainda pouco familiar. Um serviço pode responder corretamente a solicitações no nível de rede e, ainda assim, escolher uma ação inadequada. A AWS oferece um ponto de partida prático para conectar essas camadas, mas compradores ainda precisam de evidências sobre resultados, permissões e recuperação.

O que mudou para os agentes do Amazon Bedrock

A AWS forneceu uma referência de implementação, em vez de anunciar um novo modelo Bedrock ou estabelecer confiabilidade autônoma.

A arquitetura de agentes em Java abrange um assistente de viagens e um sistema de processamento de documentos. Os exemplos conectam chamada de ferramentas, memória de conversação, resiliência e implantação. Chamada de ferramentas significa que o modelo solicita uma função da aplicação, que é executada pelo software ao redor.

O sistema de documentos usa regras de roteamento e avaliação. A execução paralela por especialistas continua sendo uma extensão opcional, e seu endpoint em lote processa documentos sequencialmente. O serviço de guardrails demonstrativo também difere do Bedrock Guardrails usado em produção. O rastreamento distribuído e um ciclo automatizado de feedback de avaliação exigem implementação adicional.

Esses limites importam porque diagramas de arquitetura condensam distinções que se tornam relevantes durante a aquisição. Um diagrama pode mostrar uma conexão com um serviço sem comprovar que cada implantação o configura. Um componente pode oferecer suporte a uma capacidade sem que o exemplo exerça essa capacidade em condições realistas.

Para desenvolvedores, a referência reduz a incerteza sobre onde o código da aplicação deve ficar. Para gestores de engenharia, ela fornece algo concreto para inspecionar antes de escolher um framework. Para revisores de segurança, ela expõe questões que uma demonstração polida de chat costuma ocultar.

Uma arquitetura de referência tem um papel probatório diferente de um relatório de implantação de cliente. Ela explica uma abordagem e fornece material de implementação. Ela não estabelece desempenho nos tipos de documentos, controles de acesso, condições operacionais ou exceções de negócio de uma organização.

Considere um assistente interno que recupera informações de viagem e propõe um itinerário. Uma resposta convincente demonstra interação útil. Ela não estabelece permissão para comprar passagens, alterar reservas ou revelar as preferências de outro funcionário.

A mesma distinção se aplica ao processamento de documentos. Extrair um campo com sucesso é diferente de aprovar uma transação com base nesse campo. As equipes de aplicação precisam identificar onde a interpretação termina e a ação consequente começa.

Isso torna esta publicação relevante para além da sintaxe Java. Ela desloca a discussão para limites de aplicação que equipes corporativas podem revisar. A arquitetura fornece a essas equipes um vocabulário inicial, enquanto suas próprias cargas de trabalho precisam fornecer os critérios de aceitação.

A mudança imediata é, portanto, prática, e não universal. Desenvolvedores têm outra rota concreta de uma interação com um modelo até um serviço implantado. Ainda precisam decidir quais decisões merecem automação, quais exigem confirmação e quais devem permanecer fora da autoridade do agente.

Tratar os exemplos como pontos de partida inspecionáveis torna seu valor mais claro. As equipes podem examinar limites individuais antes de aceitar a promessa mais ampla de operação autônoma.

Equipes Java podem manter sua stack, mas assumem novas decisões

A pressão recai sobre os responsáveis pela aplicação, que precisam transformar demonstrações de agentes em serviços empresariais com responsabilização clara.

O repositório de exemplos de agentes contém backends Java e interfaces de navegador separadas. Sua implantação documentada cria imagens de contêiner ARM64, armazena-as no Amazon Elastic Container Registry e provisiona o AgentCore Runtime por meio do Terraform.

Uma imagem de contêiner empacota código de aplicação e dependências para execução. O Terraform descreve infraestrutura como configuração. Essas escolhas tornam o caminho de implantação reconhecível para equipes que já operam aplicações em nuvem.

No entanto, os requisitos de configuração do repositório diferem de partes do passo a passo do blog, incluindo versões das ferramentas de frontend e infraestrutura. Os desenvolvedores devem inspecionar os requisitos que acompanham a revisão selecionada. Uma lista copiada de pré-requisitos não deve substituir a análise do software que realmente será implantado.

O maior benefício organizacional é a continuidade. Uma equipe pode avaliar um agente por meio de seus processos existentes de revisão de código, aprovação de releases e responsabilidade operacional. Isso reduz a necessidade de introduzir um processo de desenvolvimento separado apenas porque um modelo participa.

A continuidade também cria o risco de uma falsa familiaridade. O comportamento convencional de aplicações geralmente segue ramificações explícitas escritas por desenvolvedores. Um agente introduz ações escolhidas pelo modelo dentro dessas ramificações. Uma infraestrutura de implantação familiar não torna essas escolhas igualmente previsíveis.

Uma equipe de plataforma, portanto, enfrenta uma questão de revisão diferente. Verificar se a aplicação inicia é necessário, mas insuficiente. Os revisores também precisam entender quais ações o modelo pode solicitar e o que o código ao redor permite.

Por exemplo, um assistente de funcionários pode ter acesso a um sistema de despesas. Consultar regras de reembolso e enviar uma solicitação de reembolso representam permissões diferentes. Oferecer ambas as operações pela mesma interface conversacional não deve eliminar suas consequências distintas.

Gerentes de produto enfrentam uma responsabilidade relacionada. Eles precisam descrever os resultados permitidos do serviço com precisão suficiente para que engenheiros possam testá-los. “Lidar com questões de despesas” deixa mais ambiguidade do que identificar solicitações suportadas e pontos de aprovação obrigatórios.

As equipes de operações herdam outro limite. Um agente pode falhar por infraestrutura indisponível, interpretação incorreta, seleção inadequada de ferramenta ou uma exceção de negócio não resolvida. Essas falhas exigem respostas diferentes, mesmo quando usuários descrevem todas elas como uma resposta ruim.

As equipes de suporte também precisam de registros que expliquem o que aconteceu. Uma resposta final sozinha pode ocultar uma consulta malsucedida, uma ação repetida ou uma escalonamento sem êxito. Evidências operacionais úteis precisam conectar a solicitação do usuário ao comportamento resultante da aplicação.

Para equipes que documentam essas decisões, uma base de conhecimento pesquisável pode manter premissas de design e orientações operacionais acessíveis. Essa documentação apoia revisores e responsáveis pela manutenção; ela deve permanecer distinta da memória conversacional do agente.

A oportunidade arquitetural é preservar uma responsabilidade estabelecida enquanto se adiciona uma nova camada de decisão. O desafio de gestão é assegurar que alguém seja explicitamente responsável por essa camada. Caso contrário, o comportamento do modelo pode ficar entre o desenvolvimento da aplicação, as operações de infraestrutura e a política de negócio.

Essa questão de responsabilidade deve preceder uma autonomia mais ampla. Expandir o acesso antes de atribuir responsabilidade torna incidentes posteriores mais difíceis de diagnosticar e resolver.

A chamada de ferramentas torna a aplicação o limite de execução

O modelo pode propor uma ação, mas o código da aplicação precisa determinar se essa ação é aceitável.

A documentação de chamada de ferramentas do Spring AI descreve um ciclo no qual o modelo solicita funções e o framework executa as ferramentas correspondentes. Os resultados retornam ao modelo para processamento subsequente. A documentação distingue explicitamente esse arranjo de conceder ao modelo acesso direto às interfaces subjacentes da aplicação.

Essa separação é a forma mais útil de avaliar a arquitetura. A solicitação de um modelo representa uma intenção proposta. A implementação ao redor da ferramenta determina se essa intenção se torna uma ação externa.

Imagine um assistente de viagens hipotético lidando com um pedido para organizar um itinerário. Consultar o clima é informativo. Reservar um quarto altera um sistema externo. A diferença deve aparecer no comportamento de autorização e confirmação, mesmo que ambas as ferramentas pareçam semelhantes para o modelo.

Um nome descritivo de ferramenta não estabelece esse limite. Tampouco uma instrução para que o modelo tenha cuidado. A aplicação precisa de verificações que continuem eficazes quando o modelo interpreta mal uma solicitação ou recebe informações enganosas.

A validação de entrada, que verifica se os valores fornecidos atendem aos requisitos da aplicação, resolve parte desse problema. Um destino deve existir, uma data deve ser interpretável e uma solicitação deve se referir a um recurso permitido. Essas verificações devem ocorrer antes de uma execução consequente.

A autorização aborda uma questão separada: se o usuário identificado pode executar a operação solicitada. Argumentos válidos ainda podem descrever uma ação não autorizada. Combinar essas verificações em uma noção vaga de “saída segura” torna as falhas mais difíceis de identificar.

O design das ferramentas também afeta a recuperação. Uma consulta geralmente pode ser repetida sem alterar o estado do negócio. Repetir um envio pode criar trabalho duplicado. A idempotência, em que solicitações equivalentes repetidas não produzem efeito adicional no negócio, torna-se importante quando ações podem ser repetidas.

Essa é uma implicação de engenharia da arquitetura, e não uma evidência de que todas as ferramentas de exemplo implementam essas proteções. As equipes que adaptarem os exemplos devem inspecionar o comportamento real de cada ferramenta. Os efeitos colaterais permitidos importam mais do que o rótulo conversacional.

A mesma disciplina se aplica quando ferramentas retornam informações ao modelo. Uma resposta pode conter registros incompletos, texto inesperado ou uma mensagem de erro. Tratar toda resposta como contexto confiável pode transformar um problema posterior em uma recomendação incorreta.

Os responsáveis pela aplicação devem decidir o que o agente vê quando uma ferramenta falha. Um resultado de falha claro dá ao modelo a chance de explicar a incerteza. Um resultado vazio que se assemelha a sucesso pode incentivar uma resposta sem suporte.

A interface também precisa apresentar um relato honesto da conclusão. Um modelo que gera uma resposta fluente não comprova que uma operação solicitada foi bem-sucedida. O sucesso deve depender de evidências do sistema responsável pela operação.

É nesse ponto que os padrões de aplicação conhecidos da arquitetura se tornam úteis. Limites de serviço existentes podem aplicar permissões, validar registros e registrar resultados. O modelo pode operar dentro desses limites sem se tornar sua autoridade.

A implementação mais sólida preserva essa divisão mesmo quando a conversa se torna complicada. Adicionar ferramentas deve ampliar a capacidade útil enquanto mantém as decisões de execução inspecionáveis e restritas.

A memória e o roteamento multiagente ampliam a superfície de revisão

Contexto adicional e papéis especializados criam mais comportamentos a validar, em vez de aumentar automaticamente a correção.

A memória de conversa preserva informações para interações posteriores. Isso pode tornar um assistente útil ao longo de uma tarefa contínua, mas o contexto retido introduz questões sobre propriedade, precisão e exclusão.

Uma preferência lembrada não deve se tornar silenciosamente uma autoridade permanente. Um funcionário pode mudar um destino, retirar uma solicitação ou corrigir uma declaração anterior. Uma aplicação precisa de comportamentos para resolver essas mudanças sem tratar todas as mensagens históricas como igualmente atuais.

A memória também precisa ter uma relação clara com os registros mantidos em outros lugares. Uma conversa pode descrever uma aprovação, enquanto o sistema empresarial não registra nenhuma aprovação. O sistema responsável pela transação deve continuar sendo a fonte autoritativa.

A identidade torna essa distinção especialmente relevante. As orientações de segurança de runtime da AWS afirmam que os backends devem impor mapeamentos entre usuários e sessões. O isolamento de runtime não estabelece que um identificador de sessão fornecido pertença ao usuário solicitante.

Isolamento significa separar ambientes de execução. Autorização significa decidir quem pode acessar um recurso. Confundir esses conceitos deixa uma lacuna entre a proteção da infraestrutura e o acesso à aplicação.

Um assistente de suporte hipotético ilustra a questão. Um ambiente de execução pode permanecer isolado enquanto a aplicação carrega a conversa do cliente errado. Proteger o ambiente não corrige uma decisão incorreta sobre qual histórico recuperar.

O roteamento para especialistas introduz outro tipo de limite. Um roteador escolhe qual caminho de processamento recebe uma solicitação. Um especialista então trata uma tarefa mais restrita. Esse arranjo pode tornar as responsabilidades mais claras, mas a escolha inicial de roteamento se torna outra decisão que exige validação.

Considere um documento que combina um acordo com anexos financeiros. Um rótulo que sugere conteúdo jurídico não estabelece que toda pergunta relevante seja jurídica. A aplicação precisa de uma política para ambiguidades, materiais mistos e solicitações não suportadas.

Um avaliador acrescenta outra distinção. Um avaliador baseado em regras verifica as saídas em relação a condições configuradas. Um avaliador baseado em modelo gera um julgamento. Ambos podem ser úteis, mas seus modos de falha e valor probatório diferem.

Uma regra pode detectar de forma consistente um campo ausente, mas não conseguir estabelecer se um campo preenchido está correto. Um revisor baseado em modelo pode identificar inconsistências enquanto compartilha pressupostos com o modelo original. A concordância por si só não deve se tornar prova.

A comparação relevante do setor é arquitetural. Os padrões de design de agentes da Anthropic distinguem fluxos de trabalho predefinidos de agentes que direcionam dinamicamente seus próprios processos. Sua orientação favorece abordagens simples e combináveis, adicionando complexidade quando a tarefa a exige.

Essa perspectiva oferece um contraponto útil à ideia de tratar múltiplos agentes como um destino inevitável. Um caminho de processamento previsível pode ser mais fácil de inspecionar do que um sistema que escolhe sua própria sequência. O comportamento dinâmico precisa de uma justificativa específica para a carga de trabalho.

Para equipes Java, a decisão deve seguir a incerteza da tarefa. Se uma sequência conhecida lida com o trabalho de forma confiável, a coordenação adicional precisa trazer benefícios mensuráveis. Rótulos de especialistas, por si só, não fornecem esses benefícios.

O processamento paralelo merece o mesmo escrutínio. Trabalhos independentes podem ser executados simultaneamente, mas trabalhos dependentes ainda exigem ordenação. A combinação de resultados também requer regras para divergências, saídas ausentes e falhas parciais.

A questão prática é se a coordenação adicional melhora os resultados aceitos depois de considerar revisão e recuperação. Essa questão continua relevante independentemente do framework ou serviço de nuvem utilizado.

A resiliência mantém os serviços disponíveis, não torna as decisões corretas

Mecanismos de recuperação lidam com falhas operacionais, enquanto a qualidade dos resultados exige evidências separadas.

Uma nova tentativa repete uma operação após uma falha. Um disjuntor interrompe temporariamente chamadas a uma dependência com falha. Um tempo limite restringe quanto tempo uma operação espera. Esses mecanismos ajudam a controlar o comportamento do serviço, mas nenhum determina se uma resposta está correta.

Uma aplicação pode responder rapidamente com uma recomendação incorreta. Ela também pode falhar de forma limpa enquanto deixa uma operação empresarial parcialmente concluída. A saúde da infraestrutura e a conclusão da tarefa, portanto, precisam de definições separadas.

Para um assistente hipotético de documentos, a conclusão bem-sucedida pode exigir uma extração precisa, uma decisão de roteamento apropriada e uma deliberação registrada. Receber uma resposta sintaticamente válida estabelece apenas parte dessa cadeia.

A saída estruturada, que coloca informações geradas em um formato predefinido, ajuda o código da aplicação a consumir resultados. Ela não estabelece que a informação corresponda à fonte. Uma data corretamente formatada ainda pode ser a data errada.

A confiança exige cuidado semelhante. Uma pontuação que acompanha um resultado só se torna útil quando as equipes entendem o que ela prevê em sua própria carga de trabalho. Uma pontuação alta não deve substituir automaticamente evidências ausentes ou uma restrição empresarial explícita.

A revisão humana também precisa de substância operacional. Sinalizar um resultado é diferente de colocá-lo onde uma pessoa responsável possa avaliá-lo. Um processo de revisão precisa de responsabilidade, evidências relevantes, uma deliberação e um efeito claro sobre as ações subsequentes.

Um alerta que ninguém recebe não pode fornecer supervisão significativa. Um alerta recebido também é insuficiente quando o revisor não consegue ver o material-fonte ou corrigir o resultado. As equipes precisam inspecionar a transferência completa.

Os controles de conteúdo abordam outra parte do problema. O Bedrock Guardrails oferece suporte à filtragem configurável de entradas e respostas de modelos, incluindo conteúdo indesejado e informações sensíveis. Esses controles devem ser avaliados em relação ao caso de uso da aplicação, em vez de considerados eficazes apenas por estarem presentes.

A filtragem de conteúdo e a autorização de transações continuam sendo responsabilidades diferentes. Uma solicitação educada e comum ainda pode buscar acesso aos registros de outra pessoa. Uma resposta pode atender às políticas de conteúdo enquanto descreve uma ação empresarial que o usuário não pode autorizar.

A arquitetura, portanto, exige evidências em vários limites. As equipes precisam saber o que o usuário solicitou, o que o modelo propôs, o que a aplicação permitiu e o que o sistema externo concluiu.

Observabilidade significa coletar sinais que ajudam a explicar o comportamento do sistema. Sinais úteis apoiam a investigação, mas coletá-los não cria, por si só, uma decisão de lançamento. Alguém ainda precisa definir quais resultados justificam a implantação.

Avaliação significa testar o comportamento em relação a critérios explícitos usando tarefas representativas. Para um agente empresarial, isso deve incluir solicitações comuns, entradas ambíguas, dependências indisponíveis, solicitações não autorizadas e correções de contexto anterior.

O objetivo é expor falhas antes que os usuários dependam do serviço. Uma demonstração otimizada em torno de interações bem-sucedidas não consegue responder às mesmas perguntas. Tampouco um painel que mostra contagens de solicitações sem mostrar se o trabalho foi aceitável.

A privacidade também faz parte dessa avaliação. Registrar conversas completas e resultados de ferramentas pode criar uma coleção separada de informações sensíveis. As equipes devem decidir quais evidências precisam e como o acesso e a retenção funcionarão.

Para agentes do Amazon Bedrock, o limite de lançamento deve seguir a tarefa suportada. Um assistente interno de pesquisa e uma aplicação que altera registros financeiros justificam critérios de aceitação diferentes. Compartilhar um framework não torna seus riscos operacionais intercambiáveis.

Esse é o significado prático de prontidão para produção neste contexto: comportamento definido, limites aplicados, resultados mensuráveis e recuperação viável para o serviço específico oferecido.

O que observar antes de ampliar a autonomia

A próxima evidência útil conectará a arquitetura a resultados empresariais repetíveis sob condições operacionais realistas.

O primeiro sinal a observar nos próximos meses é a evidência de avaliação específica para a carga de trabalho. As equipes devem procurar tarefas documentadas, critérios de aceitação claros e resultados vinculados a versões identificáveis da aplicação.

A evidência mais informativa incluiria casos malsucedidos e as correções resultantes. Isso reforçaria a confiança de que os desenvolvedores compreendem os limites do sistema. Uma lista mais ampla de recursos sem evidências de resultados deixaria a incerteza central sem solução.

A avaliação também deve distinguir a automação bem-sucedida do trabalho concluído por intervenção humana. A revisão pode ser uma escolha de design apropriada. No entanto, ocultar sua contribuição torna o desempenho autônomo difícil de avaliar.

O segundo sinal é um limite de identidade completo e testado. Evidências úteis de implementação conectariam usuários autenticados a sessões permitidas, acesso à memória e execução de ferramentas.

Um teste negativo é tão importante aqui quanto uma conversa bem-sucedida. Demonstrar que um usuário não consegue recuperar o histórico de outro usuário reforçaria o argumento para a implantação. Confiar em valores de identidade fornecidos pelo cliente o enfraqueceria.

O mesmo escrutínio deve ser aplicado às permissões de ferramentas. Um assistente com escopo restrito oferece uma alegação operacional mais clara do que um assistente com acesso amplo e salvaguardas vagas. A expansão deve seguir evidências de que o serviço mais restrito se comporta conforme o esperado.

O terceiro sinal é a recuperação demonstrada de falhas parciais. As equipes devem procurar comportamento controlado quando uma dependência falha após o início de uma ação, uma resposta é interrompida ou a revisão se torna necessária.

Evidências úteis mostrariam se as operações são repetidas, como o trabalho incompleto é identificado e quem pode resolvê-lo. Uma recuperação bem-sucedida reforçaria a confiança no design operacional. Uma mensagem de contingência, por si só, deixaria a conclusão incerta.

Esses sinais não exigem que todo agente se torne um trabalhador autônomo de propósito geral. Uma aplicação delimitada pode fornecer resultados úteis mantendo pontos explícitos de aprovação. A medida relevante é se ela conclui o trabalho suportado dentro de sua autoridade declarada.

A AWS forneceu às equipes Java uma arquitetura concreta para examinar. Seu significado de longo prazo dependerá do que as equipes conseguirem validar após adaptá-la. Padrões de desenvolvimento familiares tornam a adoção mais fácil de organizar; evidências sobre o comportamento tornam a adoção mais fácil de justificar.

Antes de adotar a referência, escolha uma tarefa delimitada e registre o que significa concluí-la com sucesso. Identifique os registros que o agente pode ler, as operações que pode solicitar e as decisões que exigem aprovação. Em seguida, avalie a implementação em relação a trabalhos representativos, incluindo casos de falha e negação de acesso. Mantenha essas conclusões junto às decisões de design da aplicação para que mudanças futuras tenham um ponto de comparação claro. Amplie o escopo apenas quando as evidências sustentarem a próxima permissão ou fluxo de trabalho. Para agentes do Amazon Bedrock, a pergunta inicial útil é concreta: qual tarefa sua equipe consegue verificar desde a solicitação inicial até o resultado empresarial final, incluindo os momentos em que o agente precisa parar?

 
 

Comece grátis

Um assistente de IA local-first com gestão de conhecimento pessoal

Para oferecer uma experiência de IA melhor,

atualmente, o remio é compatível apenas com Windows 10+ (x64) e M-Chip Macs.

Seu parceiro de IA no trabalho
Faça mais com o remio

Planeje. Crie. Entregue.
Tudo em um só lugar.

bottom of page