Blog

Suporte ampliado para modelos abertos no Amazon Bedrock

A AWS anunciou uma expansão significativa das capacidades de ajuste fine-tuning por reforço (RFT) no Amazon Bedrock. A plataforma agora oferece suporte a modelos abertos populares, incluindo OpenAI GPT-OSS e modelos Qwen, além de introduzir APIs de ajuste fine-tuning compatíveis com OpenAI. Essa evolução torna mais acessível para desenvolvedores melhorar a precisão de modelos abertos sem necessidade de expertise profunda em aprendizado de máquina ou grandes conjuntos de dados rotulados.

Como funciona o ajuste por reforço

O ajuste fine-tuning por reforço no Amazon Bedrock automatiza todo o fluxo de customização de modelos. Em vez de depender de grandes volumes de dados de treinamento, ele permite que modelos aprendam com feedback sobre múltiplas respostas possíveis utilizando apenas um pequeno conjunto de prompts. Essa abordagem possibilita às organizações trabalhar com variantes de modelos menores, mais rápidos e mais econômicos, mantendo alta qualidade nas respostas.

Resolvendo o dilema da customização

Muitas empresas enfrentam um desafio comum: modelos genéricos oferecem desempenho limitado, enquanto pipelines de customização complexos exigem infraestrutura especializada e equipes experientes. O Amazon Bedrock simplifica esse cenário ao fornecer uma experiência de ajuste fine-tuning totalmente gerenciada e segura.

Os clientes definem funções de recompensa utilizando avaliadores baseados em regras verificáveis ou juízes alimentados por inteligência artificial. A AWS oferece templates prontos para tarefas objetivas — como geração de código e raciocínio matemático — e subjetivas, como seguimento de instruções ou qualidade conversacional.

Recursos de customização e controle

Durante o treinamento, os clientes podem utilizar funções AWS Lambda para lógica de avaliação personalizada e acessar checkpoints intermediários do modelo. Isso permite avaliar, depurar e selecionar o melhor modelo, acelerando o ciclo de iteração e melhorando a eficiência do treinamento. Todos os dados proprietários permanecem em um ambiente seguro e governado dentro da AWS durante todo o processo de customização.

Modelos e APIs suportados

Neste lançamento, a AWS oferece suporte aos modelos qwen.qwen3-32b e openai.gpt-oss-20b. Após a conclusão do ajuste fine-tuning, os clientes podem utilizar imediatamente o modelo customizado para inferência sob demanda através das APIs compatíveis com OpenAI do Amazon Bedrock — incluindo as APIs Responses e Chat Completions — sem necessidade de etapas adicionais de implantação.

Próximos passos

Para explorar essa funcionalidade em detalhes, consulte a documentação do Amazon Bedrock.

Fonte

Amazon Bedrock reinforcement fine-tuning adds support for open-weight models with OpenAI-compatible APIs (https://aws.amazon.com/about-aws/whats-new/2026/02/amazon-bedrock-reinforcement-fine-tuning-openai)

Expansão Global do AWS Glue 5.1

A AWS anunciou a disponibilidade do AWS Glue 5.1 em dezoito regiões adicionais, ampliando significativamente o alcance desse serviço de integração de dados. A expansão abrange continentes e oferece cobertura em localidades estratégicas: África (Cidade do Cabo), Ásia Pacífico (Hyderabad, Jakarta, Melbourne, Osaka, Seul, Taipei), Canadá (Calgary, Central), Europa (Londres, Milão, Paris, Zurique), Israel (Tel Aviv), México (Central), Oriente Médio (Bahrein, Emirados Árabes Unidos) e US West (Califórnia do Norte). Com essa adição, o serviço chega a trinta e três regiões no total.

O que é AWS Glue

AWS Glue é um serviço serverless e escalável de integração de dados que simplifica as tarefas de descoberta, preparação, movimentação e integração de dados originários de múltiplas fontes. Ele elimina a necessidade de gerenciar infraestrutura, permitindo que equipes se concentrem na lógica de transformação e integração de dados.

Principais Melhorias na Versão 5.1

Atualização de Motores e Componentes

A versão 5.1 traz atualizações importantes nos motores núcleo: Apache Spark 3.5.6, Python 3.11 e Scala 2.12.18. Essas atualizações contribuem para melhorias significativas de performance e segurança em operações de integração de dados.

Suporte a Formatos Abertos de Tabelas

O AWS Glue 5.1 estende o suporte para bibliotecas de formatos abertos de tabelas, incluindo Apache Hudi 1.0.2, Apache Iceberg 1.10.0 e Delta Lake 3.3.2. Essa compatibilidade oferece flexibilidade ao trabalhar com diferentes padrões da comunidade open source.

Iceberg Format Version 3.0

A versão 5.1 introduz suporte para Apache Iceberg format version 3.0, adicionando funcionalidades como valores padrão de coluna, deletion vectors para tabelas de merge-on-read, transformações multi-argumento e rastreamento de linhagem de linhas. Essas capacidades avançadas facilitam operações complexas de transformação e auditoria de dados.

Controle de Acesso e Segurança

Expansão do Lake Formation

Uma das melhorias mais significativas é a extensão do AWS Lake Formation com controle de acesso granular para operações de escrita (tanto DML quanto DDL) em DataFrames Spark e Spark SQL. Anteriormente, essa funcionalidade estava limitada apenas a operações de leitura, representando um avanço importante em governança de dados.

Controle de Acesso em Tabelas

O AWS Glue 5.1 também adiciona controle de acesso em nível de tabela completa no Apache Spark para tabelas Apache Hudi e Delta Lake, proporcionando opções de segurança mais abrangentes para proteção de dados sensíveis.

Como Começar

Você pode iniciar com AWS Glue 5.1 através de diversas interfaces: APIs do AWS Glue, Interface de Linha de Comando (CLI) da AWS, Kit de Desenvolvimento de Software (SDK) da AWS, AWS Glue Studio ou Amazon SageMaker Unified Studio. Para aprofundar seu conhecimento, visite a página do produto e consulte a documentação oficial.

Fonte

AWS Glue 5.1 is now available in 18 additional regions (https://aws.amazon.com/about-aws/whats-new/2026/02/aws-glue-5-1-eighteen-additional-regions)

Agentes de IA com capacidades avançadas de navegação na web

Agentes que navegam na web não funcionam bem apenas com navegação básica de páginas. Empresas que usam a AWS para construir soluções com inteligência artificial relatam necessidades específicas: agentes que mantêm contexto de sessão entre interações, tráfego roteado através de infraestrutura de proxy corporativo, e comportamentos customizados em tempo de execução.

O AgentCore Browser oferece um ambiente de navegação seguro e isolado para agentes interagirem com aplicações web. Até agora, cada sessão começava do zero com configurações padrão e acesso direto à internet, limitando as capacidades de agentes em ambientes corporativos reais.

A AWS anunciou três novas capacidades que mudam esse cenário: configuração de proxy, perfis de navegador, e extensões de navegador. Juntas, essas funcionalidades oferecem controle fino sobre como agentes de IA interagem com a web.

Entendendo as três novas capacidades

Essas capacidades funcionam de forma complementar, oferecendo controle granular sobre como sessões do AgentCore Browser se conectam à internet, que estado retêm e como se comportam:

• Configuração de proxy: Roteia tráfego do navegador através de servidores proxy próprios, garantindo estabilidade de IP e integração com infraestrutura de rede corporativa.
• Perfis de navegador: Persistem cookies e armazenamento local entre sessões, permitindo que agentes retomem fluxos de trabalho autenticados sem repetir login.
• Extensões de navegador: Carregam extensões Chrome em sessões para customizar comportamento do navegador conforme a necessidade — desde bloqueio de anúncios até autenticação auxiliar.

Perfis de navegador persistentes para agentes operacionais

Equipes construindo agentes para testes de e-commerce, fluxos de trabalho autenticados e jornadas multipassos precisam de sessões que “lembram” do estado anterior. Sem perfis persistentes, agentes precisam se reautenticar e reconstruir contexto a cada início de sessão, adicionando latência e fragilidade.

Perfis de navegador resolvem esse problema salvando e restaurando cookies e armazenamento local entre sessões. Um agente que fez login em um portal ontem pode continuar exatamente de onde parou hoje.

Estabilidade de IP é outro requisito comum. Portais de saúde e financeiros validam sessões baseando-se em endereço IP de origem. Endereços IP rotativos da AWS causam ciclos frequentes de reautenticação que quebram fluxos de trabalho de longa duração. Suporte a proxy permite rotear tráfego através de servidores com IPs de saída estáveis, mantendo continuidade de sessão e satisfazendo requisitos de IP allowlisting.

Organizações que rotam tráfego através de proxies corporativos precisam estender essa prática para agentes de IA em sessões de navegador. Configuração de proxy habilita acesso a páginas internas e recursos que requerem conectividade baseada em proxy.

Extensões de navegador permitem customizações como bloqueio de anúncios, auxiliares de autenticação ou outras personalizações em nível de navegador. Quando combinadas com logging de proxy, essas capacidades ajudam a fornecer controle de acesso e evidência de auditoria que podem suportar programas de conformidade como FedRAMP, HITRUST e PCI.

Configuração de proxy para roteamento de tráfego

O AgentCore Browser agora suporta rotear tráfego do navegador através de servidores proxy externos próprios. Ao criar uma sessão de navegador com configuração de proxy, o AgentCore configura o navegador para rotear tráfego HTTP e HTTPS através dos servidores proxy especificados.

Como funciona

Você chama StartBrowserSession com proxyConfiguration especificando seu servidor proxy. Se usar autenticação, o AgentCore recupera credenciais de proxy do AWS Secrets Manager. A sessão de navegador inicia com sua configuração de proxy aplicada, e tráfego do navegador roteia através de seu servidor proxy baseado em regras de roteamento por domínio.

Começando com proxies

Complete os pré-requisitos antes de prosseguir.

Passo 1: Criar um segredo de credenciais (se seu proxy requer autenticação)

import boto3
import json

client = boto3.client('secretsmanager')
client.create_secret(
    Name='my-proxy-credentials',
    SecretString=json.dumps({
        'username': '',
        'password': ''
    })
)

Passo 2: Criar uma sessão de navegador com configuração de proxy

session_client = boto3.client('bedrock-agentcore', region_name='')
response = session_client.start_browser_session(
    browserIdentifier="aws.browser.v1",
    name="my-proxy-session",
    proxyConfiguration={
        "proxies": [{
            "externalProxy": {
                "server": "",
                "port": 8080,
                "credentials": {
                    "basicAuth": {
                        "secretArn": "arn:aws:secretsmanager:::secret:"
                    }
                }
            }
        }]
    }
)
print(f"Session ID: {response['sessionId']}")

O campo credentials é opcional para proxies sem autenticação.

Roteamento baseado em domínio

Use domainPatterns para rotear domínios específicos através de proxies designados, e bypass.domainPatterns para domínios que devem conectar diretamente:

proxyConfiguration={
    "proxies": [
        {
            "externalProxy": {
                "server": "corp-proxy.example.com",
                "port": 8080,
                "domainPatterns": [".company.com", ".internal.corp"]
            }
        },
        {
            "externalProxy": {
                "server": "general-proxy.example.com",
                "port": 8080
            }
        }
    ],
    "bypass": {
        "domainPatterns": [".amazonaws.com"]
    }
}

Com essa configuração, requisições para *.company.com e *.internal.corp rotiam através do proxy corporativo, requisições para *.amazonaws.com contornam todos os proxies, e todo o resto roteia através do proxy geral.

Precedência de roteamento

Quando o AgentCore Browser processa uma requisição de saída, percorre três níveis de regras de roteamento para decidir onde enviar o tráfego. Primeiro verifica a lista de bypass. Se o domínio de destino corresponder a uma entrada em bypass.domainPatterns, a requisição conecta diretamente à internet sem usar proxy algum.

Se o domínio não corresponder a uma regra de bypass, o AgentCore verifica cada domainPatterns de proxy em ordem e roteia a requisição através do primeiro proxy cuja regra corresponde. Se nenhuma regra de proxy corresponder, a requisição cai no proxy padrão — a entrada de proxy que não possui domainPatterns definida.

Teste a nova funcionalidade de proxy com este exemplo de código.

Perfis de navegador para persistência de estado

Perfis de navegador permitem persistir e reutilizar dados de sessão entre múltiplas sessões de navegador, incluindo cookies e armazenamento local. Um agente que se autentica com um portal web em uma sessão pode restaurar esse estado em uma sessão posterior sem fazer login novamente.

Isso é útil para fluxos de trabalho autenticados onde re-login adiciona latência, testes de e-commerce onde carrinhos de compras e dados de formulários precisam sobreviver entre sessões, e jornadas de usuário multipassos que abrangem múltiplas invocações de navegador.

Ciclo de vida do perfil

O ciclo de vida do perfil possui quatro estágios. Você começa chamando create_browser_profile() para criar um perfil nomeado. No final de uma sessão, você chama save_browser_session_profile() para capturar cookies e armazenamento local atuais naquele perfil. Ao iniciar uma nova sessão, você passa o identificador do perfil no parâmetro profileConfiguration de start_browser_session(), que restaura o estado salvo no novo navegador. Quando não precisar mais do perfil, você chama delete_browser_profile() para limpá-lo.

O exemplo a seguir mostra um agente que adiciona itens a um carrinho de compras em uma sessão e verifica se persistem em uma sessão subsequente. Complete os pré-requisitos antes de prosseguir.

import boto3

control_client = boto3.client('bedrock-agentcore-control', region_name='')
session_client = boto3.client('bedrock-agentcore', region_name='')

# Create a browser profile
profile = control_client.create_browser_profile(name="ecommerce_profile")
profile_id = profile['profileId']

# Session 1: Add items to cart
session1 = session_client.start_browser_session(
    browserIdentifier="aws.browser.v1",
    name="shopping-session-1"
)
# ... agent navigates and adds items to cart ...

# Save session state to profile
session_client.save_browser_session_profile(
    sessionId=session1['sessionId'],
    browserIdentifier="aws.browser.v1",
    profileIdentifier=profile_id
)
session_client.stop_browser_session(sessionId=session1['sessionId'], browserIdentifier="aws.browser.v1")

# Session 2: Resume with saved profile
session2 = session_client.start_browser_session(
    browserIdentifier="aws.browser.v1",
    name="shopping-session-2",
    profileConfiguration={"profileIdentifier": profile_id}
)
# Cart items from Session 1 are now available

Teste a nova funcionalidade de perfil com este exemplo de código.

Extensões de navegador para customização

Extensões de navegador permitem carregar extensões Chrome em sessões do AgentCore Browser para customizar como o navegador se comporta. Você empacota extensões como arquivos ZIP, carrega-as no Amazon Simple Storage Service (Amazon S3), e referencia-as ao iniciar uma sessão de navegador.

Isso oferece acesso a funcionalidades disponíveis através da API de extensão Chrome, de roteamento de proxy e bloqueio de anúncios até auxiliares de autenticação e modificação de conteúdo. Por exemplo, você pode injetar tokens de autenticação para aplicações internas, remover anúncios e rastrear scripts que interferem com navegação de agente, ou modificar conteúdo de página para melhorar como agentes interagem com um site.

Configurando extensões

Sua extensão deve seguir o formato padrão de extensão Chromium e aderir às diretrizes de extensão Chromium. Complete os pré-requisitos antes de prosseguir.

Fazer upload da extensão para Amazon S3:

import boto3

s3 = boto3.client('s3')
s3.upload_file(
    'my-extension.zip',
    'amzn-s3-demo-bucket-extensions',
    'extensions/my-extension.zip'
)

Iniciar uma sessão com a extensão:

import boto3

region = ""
client = boto3.client('bedrock-agentcore', region_name=region)
response = client.start_browser_session(
    browserIdentifier="aws.browser.v1",
    name="my-session-with-extensions",
    sessionTimeoutSeconds=1800,
    viewPort={
        'height': 1080,
        'width': 1920
    },
    extensions=[
        {
            "location": {
                "s3": {
                    "bucket": "amzn-s3-demo-bucket-extensions",
                    "prefix": "extensions/my-extension.zip"
                }
            }
        },
        {
            "location": {
                "s3": {
                    "bucket": "amzn-s3-demo-bucket-extensions",
                    "prefix": "extensions/another-extension.zip",
                    "versionId": "abc123"
                }
            }
        }
    ]
)
print(f"Session ID: {response['sessionId']}")
print(f"Status: {response['status']}")
print(f"Automation Stream: {response['streams']['automationStream']['streamEndpoint']}")

Teste a nova funcionalidade de extensões com este exemplo de código.

Reunindo tudo: casos de uso práticos

Essas três capacidades — configuração de proxy, perfis de navegador e extensões — permitem casos de uso que antes eram impossíveis:

• Fluxos de trabalho autenticados: Agentes que precisam permanecer autenticados em portais corporativos internos podem usar perfis para manter sessão e proxies para acessar redes restritas.
• Testes de e-commerce: Agentes podem manter carrinhos de compras, preferências e histórico de busca entre sessões, simulando comportamento real de usuários.
• Jornadas complexas: Fluxos que envolvem múltiplas etapas, autenticação e verificação podem agora se completar sem começar do zero.
• Conformidade e auditoria: Proxy logging combinado com extensões oferece visibilidade e controle necessários para programas de conformidade corporativa.

Próximos passos

Para começar, consulte os tutoriais no repositório Amazon Bedrock AgentCore samples e a documentação do AgentCore Browser. Para mais informações sobre preços, visite Amazon Bedrock AgentCore Pricing.

Essas três capacidades — configuração de proxy, perfis de navegador e extensões — oferecem ao AgentCore Browser o roteamento de proxy, persistência de sessão e controles de extensibilidade que empresas precisam para implantar agentes de IA que navegam na web em produção. Você pode rotear tráfego através de infraestrutura de proxy corporativo, manter continuidade de sessão entre interações, e customizar comportamento de navegador com extensões, tudo mantendo credenciais seguras no AWS Secrets Manager.

Fonte

Customize AI agent browsing with proxies, profiles, and extensions in Amazon Bedrock AgentCore Browser (https://aws.amazon.com/blogs/machine-learning/customize-ai-agent-browsing-with-proxies-profiles-and-extensions-in-amazon-bedrock-agentcore-browser/)

O que mudou no Amazon Connect

A Amazon Connect acaba de receber uma atualização importante que traz inteligência artificial para acelerar o trabalho dos agentes. O serviço agora fornece resumos de tarefas gerados por IA com sugestões de próximas ações, permitindo que os agentes entendam os trabalhos pendentes mais rapidamente e os resolvam com maior eficiência.

Como funciona na prática

Imagine um agente recebendo uma tarefa para processar uma solicitação de reembolso enviada através de um formulário online. Em vez de ter que revisar manualmente todos os passos anteriores, a IA do Amazon Connect faz um resumo automático das atividades realizadas — como verificação de detalhes do pedido, confirmação de elegibilidade para devolução e validação do método de pagamento — e então apresenta os próximos passos recomendados para completar o reembolso.

Essa abordagem reduz significativamente o tempo que o agente gasta entendendo o contexto da tarefa e o coloca imediatamente em condição de avançar com a resolução.

Como ativar o recurso

Para aproveitar essa funcionalidade, é necessário adicionar o bloco de fluxo do assistente Connect aos seus fluxos antes de uma tarefa ser atribuída ao agente. Além disso, é possível orientar as recomendações do assistente de tarefas alimentado por IA através da adição de bases de conhecimento, personalizando as sugestões conforme a realidade do seu negócio.

Disponibilidade

Este novo recurso está disponível em todas as regiões da AWS onde o Amazon Connect oferece assistência em tempo real para agentes. Para começar a implementação, consulte a documentação de ajuda, explore a página de preços ou visite o site do Amazon Connect para obter informações completas.

O impacto para centros de contato

Essa integração de IA representa um passo significativo na automação de processos dentro de centros de contato. Ao reduzir o tempo de compreensão de cada tarefa, os agentes podem aumentar sua produtividade e oferecer um atendimento mais rápido aos clientes. A sugestão de próximas ações também ajuda a padronizar os processos, garantindo que os fluxos corretos sejam seguidos independentemente da experiência do agente.

Fonte

Amazon Connect now provides real time AI-powered overviews and recommended next actions for Tasks (https://aws.amazon.com/about-aws/whats-new/2026/02/connect-tasks-ai-assistance)

Suporte multilíngue chega ao console de troubleshooting da AWS

A AWS anunciou a expansão do recurso de diagnóstico com inteligência artificial disponível no AWS Support Center Console. Agora o sistema oferece suporte em sete idiomas adicionais além do inglês: japonês, coreano, mandarim simplificado, mandarim tradicional, espanhol, português e francês.

Uma barreira linguística importante foi removida

O AWS Support Center Console é a interface principal onde clientes gerenciam sua experiência de suporte na nuvem, criando e rastreando casos de suporte. Anteriormente, as capacidades de diagnóstico assistidas por inteligência artificial estavam disponíveis somente em inglês, o que representava uma barreira significativa para profissionais que preferem trabalhar em seu idioma nativo.

Com esta atualização, os usuários podem interagir com assistência de troubleshooting alimentada por IA em seu idioma preferido. Isso significa que desenvolvedores, arquitetos e equipes de operações em diferentes países agora têm acesso equivalente às ferramentas de resolução de problemas.

Como funciona na prática

O recurso de troubleshooting com IA da AWS Support ajuda clientes a resolver problemas com mais rapidez, fornecendo recomendações contextificadas e imediatas durante o processo de criação de um caso de suporte. Para ilustrar: um desenvolvedor japonês que enfrenta um problema de conectividade com EC2 pode agora receber insights gerados por IA e soluções potenciais totalmente em japonês, reduzindo significativamente o tempo necessário para entender e implementar as correções.

Acesso democrático ao recurso

Esta capacidade está integrada de forma contínua à experiência de suporte e está disponível para todos os clientes, independentemente do plano de suporte contratado. Isso garante que a barreira linguística não limite o acesso a ferramentas de autoatendimento.

Qualquer cliente pode acessar o recurso selecionando um idioma suportado nas configurações do console e clicando no link “Try it now” no banner no topo do AWS Support Center Console.

Regiões onde o recurso está disponível

Este recurso está disponível em todas as regiões AWS onde o troubleshooting com IA no AWS Support Center Console é oferecido:

• US East (N. Virginia)
• US East (Ohio)
• Europe (Ireland)

Próximos passos

Para aprender mais sobre o AWS Support Center Console e o troubleshooting com IA, consulte a documentação de suporte completa.

Fonte

AI Troubleshooting in the AWS Support Center Console now supports 7 additional languages (https://aws.amazon.com/about-aws/whats-new/2026/02/ai-troubleshooting-in-aws-support-center/)

Agentes de IA Evoluindo Para Operações Complexas

Os agentes de inteligência artificial estão deixando de ser simples interfaces de conversação para se tornarem ferramentas sofisticadas de processamento de dados. Organizações cada vez mais utilizam esses agentes para treinar modelos, processar grandes volumes de informações e executar simulações estendidas. Esse cenário traz uma questão técnica fundamental: operações que levam minutos ou horas extrapolam completamente os limites de tempo típicos das sessões de usuário.

O desafio central abordado pela AWS diz respeito à execução de tarefas que persistem além das conexões convencionais. Imagine um cenário onde seu agente de IA inicia um processamento de dados que durará várias horas, o usuário fecha seu navegador, e quando retorna dias depois, o sistema apresenta os resultados completos com visibilidade total sobre o progresso e qualquer erro ocorrido. Isso é possível através de padrões arquiteturais que combinam Amazon Bedrock AgentCore e Strands Agents para gerenciar estado persistente.

Sem esses padrões, encontram-se erros de timeout, utilização ineficiente de recursos e potencial perda de dados quando conexões se encerram abruptamente. A solução proposta integra três estratégias complementares: comunicação contínua entre servidores e clientes durante operações estendidas, gerenciamento de tarefas assíncronas que permite aos agentes iniciar processos sem bloquear outras operações, e a integração desses componentes em um sistema pronto para produção.

Duas Estratégias Para Tarefas de Longa Duração

Ao projetar servidores Model Context Protocol (MCP) para tarefas prolongadas, surge uma decisão arquitetural fundamental: a conexão deve permanecer ativa fornecendo atualizações em tempo real, ou deve haver desacoplamento entre execução e requisição inicial? Essa escolha delineia duas abordagens distintas.

Mensagens de Contexto: Mantendo Conexões Ativas

A abordagem de mensagens de contexto preserva comunicação contínua entre servidor MCP e cliente durante toda a execução. O servidor utiliza o objeto de contexto integrado do MCP para enviar notificações periódicas. Essa estratégia funciona melhor para cenários onde tarefas completam dentro de 10 a 15 minutos e a conectividade permanece estável.

As vantagens dessa abordagem incluem implementação direta, ausência de lógica adicional de verificação repetida, implementação simplificada no cliente e sobrecarga mínima.

A implementação funciona através de mensagens de “heartbeat” que mantêm a conexão viva durante operações estendidas. Cada notificação de progresso previne que o servidor encerre a conexão por inatividade. Exemplos práticos incluem relatórios de progresso em treinamento de modelos, onde a cada iteração um novo percentual de conclusão é reportado.

Quando o progresso exato não é facilmente quantificável—como em processamento de datasets imprevisíveis ou chamadas a APIs externas—implementa-se um sistema de heartbeat baseado em tempo: notificações periódicas simplesmente informam que o processamento continua ativo, sem necessidade de métrica específica.

Gerenciamento de Tarefas Assíncronas: O Modelo “Fire-and-Forget”

O padrão de gerenciamento assíncronico separa a iniciação da tarefa de sua execução e recuperação de resultados. Após executar a ferramenta MCP, ela retorna imediatamente uma mensagem com identificador de tarefa enquanto o trabalho prossegue em background. Essa abordagem excele em cenários empresariais exigentes onde tarefas podem durar horas, usuários precisam de flexibilidade para desconectar e reconectar, e a confiabilidade do sistema é paramount.

Os benefícios incluem verdadeira operação “fire-and-forget”, segurança para desconexão do cliente enquanto tarefas continuam, prevenção de perda de dados através de armazenamento persistente, suporte para operações de muitas horas, resiliência contra interrupções de rede e suporte a fluxos de trabalho completamente assíncronos.

Este padrão espelha como organizações interagem com sistemas de processamento em lote: submete-se um job, desconecta-se, e verifica-se progresso quando conveniente. A implementação cria três ferramentas MCP distintas: uma que inicia a tarefa e retorna um identificador único, outra para verificar status e progresso em qualquer momento, e uma terceira para recuperar resultados quando concluídos.

Quando Usar Cada Abordagem

Mensagens de contexto funcionam melhor quando tarefas levam entre um e 15 minutos, conexões de rede são geralmente estáveis e a sessão do cliente permanece ativa durante toda a operação. O limite de 15 minutos baseia-se no tempo máximo para requisições síncronas no Amazon Bedrock AgentCore.

Contudo, essa abordagem possui limitações críticas: a sessão do cliente deve permanecer ativa—se o navegador fecha ou a rede cai, o trabalho é perdido. Manter conexões abertas consome recursos significativos no servidor e cliente, potencialmente aumentando custos. Instabilidade de rede ainda pode interromper o processo, exigindo reinício completo. A maioria das infraestruturas possui limites de timeout absolutos que mensagens de heartbeat não conseguem contornar.

Para operações verdadeiramente prolongadas que possam durar horas, ou quando usuários precisam desconectar e reconectar posteriormente, o gerenciamento assíncronico torna-se necessário. Porém, essa abordagem introduz suas próprias limitações: requer que usuários verifiquem manualmente status de tarefa, lembrem identificadores entre sessões e solicitem resultados explicitamente, aumentando complexidade de interação. Armazenamento em memória volátil—como em exemplo básico—significa que tarefas e resultados desaparecem se o servidor reinicia, tornando inadequado para produção sem persistência externa. Em ambientes serverless efêmeros, instâncias terminam automaticamente após inatividade, causando perda permanente do estado de tarefa em memória.

Solução Robusta: Persistência Externa

Para resolver essas limitações críticas, é necessário incluir persistência externa que sobreviva tanto a reinicializações de servidor quanto a terminações de instância. A solução avançada utiliza Amazon Bedrock AgentCore Memory como armazenamento persistente de estado de agente.

Quando um servidor MCP executa tarefa de longa duração, escreve resultados intermediários ou finais diretamente no armazenamento de memória externa que o agente pode acessar. Isso cria resiliência contra dois tipos de falhas: a instância executando o servidor MCP pode ser encerrada por inatividade após conclusão da tarefa, e a instância hospedando o próprio agente pode ser reciclada em ambientes serverless. Quando usuários retornam para interagir com o agente—seja minutos, horas ou dias depois—o agente recupera resultados completados do armazenamento persistente.

Essa abordagem minimiza dependências de runtime: mesmo que ambas as instâncias, servidor MCP e agente, sejam terminadas, os resultados da tarefa permanecem preservados e acessíveis quando necessário.

Implementação Com Amazon Bedrock AgentCore e Strands Agents

Escolhendo Entre Gateway e Runtime

Antes de implementar, é importante compreender as opções de deployment disponíveis para servidores MCP no Amazon Bedrock AgentCore. Existem duas abordagens primárias: Amazon Bedrock AgentCore Gateway e AgentCore Runtime.

AgentCore Gateway possui timeout de cinco minutos para invocações, tornando-o inadequado para hospedar servidores MCP que ofereçam ferramentas exigindo tempos de resposta estendidos ou operações longas. Amazon Bedrock AgentCore Runtime, por outro lado, oferece significativamente mais flexibilidade: timeout de 15 minutos para requisições síncronas e duração máxima de sessão ajustável para processos assíncronos—a duração padrão é oito horas.

Embora fosse possível hospedar um servidor MCP em ambiente tradicional com servidores físicos para tempo de execução ilimitado, AgentCore Runtime proporciona equilíbrio ótimo para a maioria dos cenários de produção. Obtém-se benefícios serverless como scaling automático, preço por uso e sem gerenciamento de infraestrutura, enquanto os máximos ajustáveis cobrem praticamente todas as operações reais longas—desde processamento de dados e treinamento de modelos até geração de relatórios e simulações complexas. Essa abordagem permite construir agentes sofisticados sem overhead operacional de gerenciar servidores, reservando deployments com infraestrutura física apenas para casos raros que genuinamente exigem execuções de múltiplos dias.

Servidor MCP Com Persistência de Memória

A implementação do servidor MCP utiliza AgentCore Memory para atingir persistência de resultados. O cliente de memória estabelece comunicação com o armazenamento persistente. Quando uma tarefa em background completa, o método agentcore_memory_client.create_event() salva os resultados diretamente na memória do agente utilizando os identificadores apropriados de memória, ator e sessão.

Diferentemente de abordagens tradicionais onde resultados podem ser armazenados temporariamente ou exigir recuperação manual, essa integração torna os resultados de tarefas uma parte permanente da memória conversacional do agente. O agente pode então referenciar esses resultados em interações futuras, criando experiência contínua de construção de conhecimento através de múltiplas sessões.

Um componente crucial envolve extrair contexto de sessão através dos headers HTTP da requisição MCP. O header “Mcp-Session-Id” faz parte do protocolo MCP padrão. Esse header passa um identificador composto contendo três informações essenciais em formato delimitado: session_id@@@memory_id@@@actor_id. Headers são usados em vez de variáveis de ambiente por necessidade: esses identificadores mudam dinamicamente a cada conversa, enquanto variáveis de ambiente permanecem estáticas desde startup do container. Essa escolha é particularmente importante em cenários multi-tenant onde um único servidor MCP simultaneamente gerencia requisições de múltiplos usuários, cada um com seu próprio contexto de sessão distinto.

Ao salvar eventos no AgentCore Memory, cada mensagem requer dois componentes: o conteúdo e um identificador de papel (role). Esses componentes precisam ser formatados de maneira que o framework de agente reconheça. Para o framework Strands Agents, isso significa serializar o conteúdo como JSON interno contendo detalhes da mensagem incluindo papel, conteúdo textual e identificador de mensagem, com um identificador de papel externo (USER neste exemplo) ajudando a categorizar a origem da mensagem no AgentCore Memory.

Integração Com Strands Agents

Integrar Amazon Bedrock AgentCore Memory com Strands Agents é notavelmente simples utilizando a classe AgentCoreMemorySessionManager do Bedrock AgentCore SDK. A implementação requer configuração mínima: criar um objeto AgentCoreMemoryConfig com os identificadores de sessão, inicializar o gerenciador de sessão com essa configuração, e passá-lo diretamente ao construtor do agente. O gerenciador de sessão transparentemente gerencia operações de memória nos bastidores, mantendo histórico de conversa e contexto através de interações enquanto organiza memórias utilizando a combinação de session_id, memory_id e actor_id.

O gerenciamento de contexto de sessão é particularmente elegante nessa abordagem. O agente recebe identificadores de sessão através dos parâmetros de payload e contexto fornecidos pelo AgentCore Runtime. Esses identificadores formam uma ponte contextual crucial conectando interações do usuário através de múltiplas sessões. O session_id pode ser extraído do objeto contexto—gerando um novo se necessário—enquanto memory_id e actor_id são recuperados do payload. Esses identificadores são então empacotados em um header HTTP customizado que é passado ao servidor MCP durante o estabelecimento de conexão.

Para manter essa experiência persistente através de múltiplas interações, clientes devem consistentemente fornecer os mesmos identificadores ao invocar o agente. Fornecendo consistentemente o mesmo memory_id, actor_id e runtimeSessionId através de invocações, usuários criam experiência conversacional contínua onde resultados de tarefas persistem independentemente de limites de sessão. Quando um usuário retorna dias depois, o agente pode automaticamente recuperar tanto histórico de conversa quanto resultados de tarefa que foram completados durante sua ausência.

Uma Nova Geração de Agentes Autônomos

Essa arquitetura representa avanço significativo nas capacidades de agentes de IA, transformando operações de longa duração de processos frágeis e dependentes de conexão em tarefas robustas e persistentes que continuam funcionando independentemente de estado de conexão. O resultado é um sistema que pode entregar assistência genuinamente assíncrona através de IA, onde trabalho complexo continua progredindo em background e resultados são integrados perfeitamente sempre que o usuário retorna à conversa.

Tanto mensagens de contexto quanto gerenciamento assíncronico oferecem caminhos viáveis: mensagens de contexto para tarefas moderadas mantendo conexões ativas, gerenciamento assíncronico para necessidades que crescem. As soluções descritas podem ser rapidamente adaptadas para necessidades específicas, ajudando a construir IA que entrega resultados confiávelmente—mesmo quando usuários desconectam e retornam dias depois.

Para conhecer mais detalhes, consulte a documentação do Amazon Bedrock AgentCore e explore o notebook de exemplo fornecido. Mais informações sobre quotas de serviço estão disponíveis na documentação de quotas do Amazon Bedrock AgentCore, e a documentação do AgentCore Memory Session Manager oferece detalhes sobre integração com Strands Agents.

Fonte

Build long-running MCP servers on Amazon Bedrock AgentCore with Strands Agents integration (https://aws.amazon.com/blogs/machine-learning/build-long-running-mcp-servers-on-amazon-bedrock-agentcore-with-strands-agents-integration/)

A IA na Transformação dos Processos de Recrutamento

Organizações enfrentam desafios significativos ao tentar tornar seus processos de recrutamento mais eficientes sem comprometer práticas justas de contratação. Inteligência artificial oferece um caminho promissor para superar essas dificuldades, otimizando procedimentos de seleção e aumentando a qualidade das decisões. A AWS disponibiliza um conjunto de serviços de IA que potencializam a eficiência, efetividade e equidade nas práticas de recrutamento.

Com o Amazon Bedrock, é possível construir um sistema de recrutamento escalável e robusto que simplifica fluxos de trabalho, permitindo que revisores humanos concentrem esforços na entrevista e avaliação real de candidatos. Este artigo detalha como criar um sistema de recrutamento alimentado por IA utilizando Amazon Bedrock, Amazon Bedrock Knowledge Bases, AWS Lambda e outros serviços AWS para aprimorar criação de descrições de vagas, comunicação com candidatos e preparação de entrevistas, sem abrir mão da supervisão humana.

Arquitetura de um Sistema de Recrutamento Alimentado por IA

O processo de recrutamento oferece múltiplas oportunidades para aprimoramento via IA através de agentes especializados, cada um potencializado pelo Amazon Bedrock e conectado a bases de conhecimento dedicadas. Esses agentes trabalham em conjunto ao longo de diferentes etapas do ciclo de recrutamento.

Agente de Criação e Otimização de Descrição de Vagas

Criar descrições de vagas inclusivas e atrativas é essencial para atrair talentos diversos. Este agente utiliza modelos de linguagem avançados disponíveis no Amazon Bedrock, conectando-se a uma base de conhecimento contendo descrições históricas da organização e diretrizes de inclusão. Ele é implantado com configuração segura de Amazon Virtual Private Cloud (Amazon VPC) e papéis de AWS Identity and Access Management (IAM). O agente referencia a base de conhecimento para otimizar anúncios de vagas mantendo conformidade com padrões organizacionais e requisitos de linguagem inclusiva.

Agente de Gestão de Comunicação com Candidatos

Este agente gerencia interações com candidatos através de funções Lambda que acionam comunicações baseadas em etapas do fluxo de trabalho, Amazon Simple Notification Service (Amazon SNS) para entrega segura de emails e mensagens, e integração com fluxos de aprovação para comunicações reguladas. Atualizações de status são automatizadas conforme a progressão do candidato. A configuração inclui endpoints VPC apropriados e criptografia para todos os dados em trânsito e em repouso. Amazon CloudWatch monitora a efetividade das comunicações e taxas de resposta.

Agente de Preparação para Entrevistas

Este agente oferece suporte ao processo de entrevista acessando uma base de conhecimento com questões, procedimentos operacionais padrão e melhores práticas. Gera materiais contextualizados para entrevistas baseados em requisitos específicos da função e analisa feedback de entrevistadores utilizando Amazon Bedrock para identificar sentimentos-chave e temas consistentes. Embora forneça estrutura e orientação, os entrevistadores mantêm controle completo sobre a conversação e processo de avaliação.

Infraestrutura Técnica e Segurança

A implementação demanda acesso a uma conta AWS com permissões administrativas, acesso aos modelos de fundação (FMs) do Amazon Bedrock, e capacidade de criar e gerenciar papéis IAM. Os serviços AWS necessários incluem Amazon API Gateway, AWS Key Management Service (AWS KMS), Amazon Simple Storage Service (Amazon S3) para armazenamento das bases de conhecimento, além de VPC, CloudWatch e SNS.

O template de AWS CloudFormation define a infraestrutura completa, incluindo configuração de VPC, grupos de segurança, funções Lambda, API Gateway e bases de conhecimento, facilitando implantação segura e escalável com papéis IAM adequados e criptografia. A solução implementa uma abordagem abrangente de segurança: dados são protegidos através de criptografia KMS, papéis IAM seguem princípios de menor privilégio, e visibilidade completa é mantida via CloudWatch e logs de auditoria. Para informações sensíveis, tokenização de dados e políticas rigorosas de retenção protegem informações identificáveis pessoais (PII).

Componentes Principais da Solução

A arquitetura integra os três agentes de recrutamento e serviços AWS em um sistema coerente. O Agente de Criação de Descrição conecta-se diretamente a uma base de conhecimento contendo exemplos de descrições e práticas recomendadas para linguagem inclusiva. O Agente de Comunicação utiliza funções Lambda para gerenciar fluxos de trabalho e SNS para entrega confiável de mensagens. O Agente de Preparação para Entrevistas fornece orientação sobre formatos de perguntas enquanto ajuda a estruturar, resumir e analisar feedback, mantendo acesso a uma base de conhecimento detalhada de padrões de entrevista.

Implementação de Bases de Conhecimento

O gerenciador central de base de conhecimento interage com coleções de bases do Amazon Bedrock para fornecer melhores práticas, modelos e padrões aos agentes de recrutamento. Para melhorar a qualidade da Geração Aumentada por Recuperação (RAG), recomenda-se ajustar o tamanho dos segmentos de documentos e sua sobreposição, experimentar diferentes modelos de embedding e ativar reranking para promover passagens mais relevantes. Cada agente pode utilizar diferentes modelos de fundação — por exemplo, um modelo rápido como Anthropic Claude 3 Haiku para tarefas em alto volume, e um modelo mais robusto como Claude 3 Sonnet para análise mais profunda no Agente de Preparação para Entrevistas.

Otimização de Custos e Desempenho

Para otimizar eficiência e gerenciar custos, a solução implementa escalamento automático para funções Lambda adaptando-se a variações de carga de trabalho. Para cargas previsíveis, AWS Savings Plans reduzem custos sem sacrificar desempenho. É possível estimar custos da solução utilizando a AWS Pricing Calculator, que ajuda no planejamento de serviços como Amazon Bedrock, Lambda e Amazon Bedrock Knowledge Bases.

Dashboards abrangentes do CloudWatch fornecem visibilidade em tempo real do desempenho do sistema, facilitando identificação e resolução rápida de problemas. Tags de alocação de custos rastreiam despesas por departamentos ou projetos, permitindo orçamento e alocação de recursos mais precisos. Alertas de orçamento notificam a equipe quando gastos se aproximam de limites predefinidos, evitando surpresas de faturamento. Revisões periódicas de planejamento de capacidade garantem que a infraestrutura acompanhe o crescimento organizacional e mudanças nas necessidades de recrutamento.

Supervisão Humana e Governança

O sistema de recrutamento alimentado por IA deve priorizar supervisão humana e governança para promover práticas éticas e justas. Pontos obrigatórios de revisão ao longo do processo permitem que recrutadores avaliem recomendações de IA e tomem decisões finais. Caminhos claros de escalação facilitam intervenção humana em casos excepcionais. Ações sensíveis, como seleção final de candidatos ou aprovação de ofertas, devem estar sujeitas a fluxos de aprovação em múltiplos níveis.

Monitoramento contínuo de qualidade e precisão de decisões — comparando recomendações de IA com decisões humanas — identifica áreas para aprimoramento. A equipe deve receber treinamento regular sobre capacidades e limitações do sistema. Procedimentos de sobreposição bem documentados permitem que recrutadores ajustem ou cancelem decisões de IA quando necessário. Treinamento regular de conformidade reforça o compromisso com uso ético de IA no recrutamento.

Framework de Melhoria Contínua

O compromisso com excelência deve refletir-se em um framework de melhoria contínua. Revisões regulares de métricas e coleta de feedback de stakeholders identificam áreas de aprimoramento. Testes A/B de novas funcionalidades ou mudanças de processos permitem decisões orientadas por dados. Documentação abrangente captura lições aprendidas de cada iteração ou desafio, informando atualizações contínuas de dados de treinamento.

Análise detalhada de tendências de desempenho ao longo do tempo permite resolução proativa de potenciais problemas e capitalização em estratégias bem-sucedidas. Satisfação de stakeholders — recrutadores, gestores de contratação e candidatos — deve ser uma métrica essencial no framework de melhoria, verificando se o sistema IA-alimentado atende as necessidades de todos os envolvidos no processo de recrutamento.

Orquestração de Agentes e Evolução da Solução

Conforme implementações de IA amadurecem e organizações desenvolvem múltiplos agentes especializados, a necessidade de orquestração sofisticada torna-se crítica. Amazon Bedrock AgentCore fornece a fundação para gerenciar essa evolução, facilitando coordenação perfeitamente integrada e comunicação entre agentes mantendo controle centralizado. Esta camada de orquestração otimiza alocação de recursos e roteia tarefas com base em capacidades dos agentes, futuro-provando a infraestrutura de IA.

Conclusão

Os serviços de IA da AWS oferecem capacidades específicas para transformar processos de recrutamento e aquisição de talento. Mantendo foco robusto em supervisão humana, organizações podem criar práticas de contratação mais eficientes, justas e efetivas. O objetivo da IA em recrutamento não é substituir tomada de decisão humana, mas aumentá-la e apoiá-la, ajudando profissionais de RH a concentrarem-se nos aspectos mais valiosos de seus papéis: construir relacionamentos, avaliar alinhamento cultural e tomar decisões matizadas que impactam carreiras e sucesso organizacional.

Para mais informações sobre soluções alimentadas por IA na AWS, consulte postagens do blog Amazon Bedrock e recursos sobre IA Responsável.

Fonte

AI meets HR: Transforming talent acquisition with Amazon Bedrock (https://aws.amazon.com/blogs/machine-learning/ai-meets-hr-transforming-talent-acquisition-with-amazon-bedrock/)