Execute agentes de IA em produção no n8n com o Amazon Bedrock AgentCore Harness

Do fluxo simples ao agente de produção

Quem já usou o n8n para automatizar fluxos de trabalho sabe que o nó de AI Agent embutido resolve bem o caso mais básico: uma chamada a um modelo de linguagem dentro de um workflow. Mas um agente de produção exige muito mais do que isso. Ele precisa de memória que sobreviva entre execuções, ferramentas reais como navegador e sandbox de código, e capacidade de lidar com tarefas mais longas e complexas. Montar essa estrutura do zero é exatamente onde a maioria das equipes perde tempo.

É nesse contexto que a AWS posiciona o Amazon Bedrock AgentCore — uma plataforma para construir, conectar e otimizar agentes em escala, compatível com qualquer framework ou modelo. O AgentCore Harness, uma das capacidades do Amazon Bedrock AgentCore, passou a ser disponibilizado em disponibilidade geral (GA) e entrega exatamente essa camada de infraestrutura gerenciada. Um novo nó comunitário de código aberto traz essa capacidade para o editor visual do n8n.

O nó, publicado como @aws/n8n-nodes-agentcore, não prende o usuário a um único provedor. Ele funciona com Amazon Bedrock, OpenAI, Google Gemini e provedores suportados pelo LiteLLM — e é possível até trocar de provedor entre turnos de uma mesma conversa. O harness é construído sobre o Strands Agents, o framework de agentes de código aberto da AWS, e o nó é licenciado sob MIT.

O que o harness faz por você

Um agente não é apenas um modelo. O modelo raciocina, mas é o harness que executa o trabalho ao redor: ele roda o loop de orquestração, chama ferramentas, gerencia a janela de contexto, mantém o estado entre turnos, se recupera de falhas e isola cada sessão. Construir essa camada é onde a maioria das equipes concentra esforço.

Com o AgentCore Harness, você define o agente em configuração — modelo, ferramentas, habilidades e instruções — e o AgentCore monta e executa o loop por você. Cada sessão roda em um ambiente isolado com sistema de arquivos próprio, memória entre sessões e navegação web. Quando a configuração não for suficiente, é possível exportar o harness para código Strands e continuar rodando no mesmo sistema.

O nó comunitário expõe o harness completo no editor do n8n com uma única operação controlada pelo campo Harness ARN: deixe-o em branco e o nó cria o agente na primeira execução, reutiliza nas seguintes e atualiza quando a configuração muda. Cole um ARN existente e o nó invoca diretamente um agente criado fora do n8n. O padrão de credenciais é o mesmo já usado pelos nós de AWS Lambda e Amazon S3 no n8n.

Pré-requisitos

Antes de começar, é necessário ter:

• Uma instância do n8n (self-hosted ou n8n Cloud). Consulte a documentação de deploy do n8n para escolher a opção adequada.
• O nó instalado. Como nó comunitário verificado, basta pesquisar por Amazon Bedrock AgentCore no painel de nós do n8n e selecioná-lo. Também é possível instalar via Settings > Community Nodes informando @aws/n8n-nodes-agentcore. O guia usa a versão 0.3 do nó.
• Uma conta AWS com acesso ao AgentCore Harness em uma região AWS suportada.
• Credenciais AWS para o chamador, com as permissões de caller do harness, mais uma função de execução do AWS Identity and Access Management (IAM) separada que o harness assume em tempo de execução. As políticas de menor privilégio estão na documentação de segurança do AgentCore Harness e o README do nó mapeia cada funcionalidade às permissões necessárias.

Importante: sempre que possível, use credenciais temporárias do AWS IAM Identity Center ou do AWS Security Token Service (AWS STS) e siga o princípio do menor privilégio ao configurar permissões IAM. Não armazene credenciais em controle de versão.

Sobre custos: o AgentCore Harness, o armazenamento de memória gerenciada provisionado e, se utilizado, os endpoints de VPC são recursos faturáveis na AWS. Consulte a documentação do AgentCore para detalhes de preço e lembre-se de remover os recursos criados ao final.

Configurando a credencial

A credencial AWS é configurada uma única vez, da mesma forma que outros nós AWS no n8n. Em Credentials, crie uma nova credencial do tipo Amazon Bedrock AgentCore API. Informe o Access Key ID, o Secret Access Key e, se usar credenciais temporárias, o Session Token. Selecione a região, informe o ARN da função de execução que o harness assumirá em runtime e teste a conexão antes de salvar.

Construindo o primeiro agente com memória persistente

O primeiro cenário demonstrado pela AWS é um agente que lembra detalhes ao longo de turnos de conversa. A memória é ativada por padrão — o nó provisiona automaticamente um armazenamento de memória gerenciada sem configuração adicional.

O fluxo básico é: adicionar um trigger manual, conectar o nó do Amazon Bedrock AgentCore com a credencial configurada, deixar o campo Harness ARN em branco, definir um nome para o agente (por exemplo, travel_concierge), escolher o provedor e o modelo (como um modelo Claude via Amazon Bedrock), escrever um System Prompt, definir um Session ID e inserir o prompt do primeiro turno.

A primeira execução leva cerca de 30 a 60 segundos enquanto a AWS provisiona o agente. A saída inclui a resposta do agente, o uso de tokens e um resumo do que foi provisionado, incluindo o ARN do armazenamento de memória criado automaticamente. Nos turnos seguintes, mantendo o mesmo Session ID, o agente recupera o contexto anterior — o contador de tokens de entrada sobe porque o nó carrega a conversa prévia antes de o agente raciocinar. Deixar o Session ID em branco inicia uma nova conversa a cada execução.

Isolando memória por usuário com Actor ID

Quando um único agente atende múltiplas pessoas, é possível manter o histórico de cada uma separado usando o campo Actor ID, disponível nas opções adicionais do nó. A hierarquia de escopo é: o agente guarda a configuração compartilhada, o Actor ID isola a memória de um usuário de outro, e o Session ID isola conversas individuais dentro de um mesmo ator. Um ator diferente com o mesmo Session ID ainda terá sua própria memória separada.

Na prática: configure um agente como team_assistant com memória gerenciada, defina o Actor ID como um valor por usuário (por exemplo, user-alice) e um Session ID para esse usuário. No primeiro turno, armazene uma informação. No segundo, recupere-a com o mesmo actor e session. Trocando o Actor ID, o agente não terá acesso ao histórico do usuário anterior.

Adicionando ferramentas: interpretador de código em sandbox

Agentes se tornam muito mais capazes quando podem usar ferramentas. O segundo cenário demonstrado é um agente com acesso a um interpretador de código que executa scripts em um ambiente isolado.

Configure um agente como data_analyst com um modelo Claude. No System Prompt, instrua o agente a escrever e executar código para responder e reportar o resultado. Ative Add Tools, adicione uma ferramenta do tipo AgentCore Code Interpreter e insira um prompt que exija computação — por exemplo, gerar 500 notas aleatórias entre 0 e 100 e calcular média, mediana e desvio padrão.

O agente escreve e executa o código no sandbox e retorna os resultados computados, em vez de estimá-los. O resumo do harness na saída confirma uma ferramenta configurada. Da mesma forma, é possível adicionar outras ferramentas: navegador em nuvem, AgentCore Gateway e servidores MCP remotos.

Dando habilidades ao agente com Skills

Skills são pacotes de instruções e scripts que fornecem conhecimento de domínio ao agente sob demanda. Elas podem ser carregadas do catálogo curado da AWS, de um repositório Git, do Amazon S3 ou de um caminho no sistema de arquivos — e o harness as carrega apenas quando a tarefa exige.

Configure um agente como aws_architect com um modelo Claude. Ative Add Skills, adicione uma skill e defina a fonte. Para o catálogo curado, escolha AWS Skills e informe um padrão glob como core-skills/*. É possível adicionar mais skills de outras fontes. Insira um prompt que se beneficie da skill, como solicitar um esboço de pipeline serverless para upload de imagens na AWS. O agente aplica as habilidades carregadas para produzir orientações, e o resumo do harness mostra o número de skills configuradas.

Executando o agente dentro da sua VPC

Para agentes que precisam de acesso a redes privadas, o harness pode ser executado dentro de uma Nuvem Privada Virtual (VPC). A configuração de rede é feita na credencial, então todos os agentes provisionados com aquela credencial rodarão de forma privada.

Edite a credencial Amazon Bedrock AgentCore API, defina o Network Mode como VPC, informe os IDs de sub-redes e grupos de segurança e salve. As sub-redes não precisam de acesso à internet: o harness busca sua imagem de contêiner gerenciada em um repositório privado do Amazon ECR na mesma região, então são necessários endpoints de VPC para o Amazon ECR e o Amazon S3 — não um NAT gateway. Consulte a documentação de segurança do AgentCore Harness para os endpoints necessários e as permissões da função de execução.

Em um workflow, use um agente como private_vpc_agent com a credencial configurada para VPC. A saída do nó confirmará que o modo de rede é VPC no resumo do harness.

Limpeza dos recursos

Cada agente criado é um recurso de harness na conta AWS e pode provisionar um armazenamento de memória gerenciada. Para evitar cobranças contínuas, remova os agentes que não forem mais necessários.

Liste os harnesses com a Interface de Linha de Comando da AWS (AWS CLI):

aws bedrock-agentcore-control list-harnesses --region us-west-2

Exclua os criados durante o guia:

aws bedrock-agentcore-control delete-harness --harness-id <harness-id> --region us-west-2

Se você habilitou VPC, remova também os endpoints de interface criados, pois eles geram cobranças enquanto existem. Consulte a documentação do AgentCore para detalhes de preço.

O que explorar a seguir

O nó já suporta um conjunto mais amplo de funcionalidades do AgentCore Harness. Confira o que é possível explorar com a mesma abordagem de configuração apresentada acima:

• Troca de provedor de modelo mid-session: use OpenAI, Google Gemini ou provedores LiteLLM ao lado do Amazon Bedrock e troque entre turnos da mesma sessão sem perder contexto. Provedores não-Bedrock usam uma chave de API armazenada no AgentCore Identity.
• Mais ferramentas: adicione navegador em nuvem, AgentCore Gateway com autenticação OAuth de saída opcional e servidores MCP remotos junto ao interpretador de código.
• Funções inline: permita que o agente chame de volta o workflow do n8n para uma etapa de revisão humana (human-in-the-loop) e retorne o resultado ao agente.
• Contêineres customizados: traga sua própria imagem de contêiner Linux/arm64 para o agente rodar com suas próprias dependências.
• Montagem de sistemas de arquivos: use armazenamento de sessão gerenciada ou monte Amazon EFS ou Amazon S3 para dados que sobrevivam a uma sessão.
• Invocação autenticada com OAuth: invoque agentes protegidos por um autorizador JSON Web Token (JWT) de entrada com um token do seu provedor de identidade.
• Versões e endpoints: cada mudança de configuração gera uma versão imutável, e endpoints nomeados permitem fixar staging e produção em versões específicas.

A pasta examples no repositório GitHub inclui workflows importáveis para muitos desses cenários. Para casos de uso completos, a pasta examples/templates traz automações mais completas mostrando o agente funcionando junto a outros nós do n8n.

Conclusão

O AgentCore Harness entrega a camada de infraestrutura que faltava para quem quer rodar agentes de IA em produção a partir do editor visual do n8n. Com memória persistente, isolamento por usuário, ferramentas como interpretador de código, habilidades de domínio e suporte a execução privada em VPC — tudo configurável sem escrever código de infraestrutura — a AWS reduz significativamente a barreira de entrada para agentes robustos.

O nó está disponível como nó comunitário verificado no n8n. Para começar, adicione o nó Amazon Bedrock AgentCore pelo painel de nós (ou instale @aws/n8n-nodes-agentcore via Settings > Community Nodes), importe um workflow de exemplo e construa seu primeiro agente. O nó é de código aberto sob licença MIT, construído sobre o framework Strands Agents, e contribuições são bem-vindas no repositório GitHub. Para aprofundar no funcionamento da capacidade subjacente, consulte a documentação do AgentCore.

Fonte

Run production AI agents in n8n with Amazon Bedrock AgentCore harness (https://aws.amazon.com/blogs/machine-learning/run-production-ai-agents-in-n8n-with-amazon-bedrock-agentcore-harness/)