☁️AWS Machine Learning Blog•最新收集於 17m
AgentCore 新增行為序列控制與成本護欄
💡為多步驟 agent 行為與支出設定硬性限制，不必只依賴 prompts。
⚡ 30-Second TL;DR
有什麼變化
時間政策可對 agent 動作序列提供確定性的控制。
為什麼重要
這些控制能力可讓生產環境中的 agents 更安全、成本更可預測，尤其適合執行多步驟任務的 agents。團隊可在政策與 gateway 層級進行治理，而不必只依賴 prompt 指令。
下一步行動
使用 Dogwood 時間政策與 gateway 速率限制建立多步驟 AgentCore 工作流程原型，並在重複執行下驗證其動作與成本上限。
誰應關注：Developers & AI Engineers
關鍵要點
- •時間政策可對 agent 動作序列提供確定性的控制。
- •Dogwood 引入專為定義 AI agent 行為而設計的開源政策語言。
- •Gateway 速率限制有助於維持可預測的用量並設定成本上限。
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •Dogwood 政策語言採用宣告式語法（Declarative Syntax），允許開發者在不修改 Agent 核心邏輯的情況下，動態注入安全與合規規則。
- •AgentCore 的 Gateway 速率限制支援基於令牌桶（Token Bucket）演算法的流量整形，能有效防止 AI Agent 因迴圈錯誤導致的 API 濫用。
- •此次更新整合了 Amazon Bedrock 的監控指標，開發者可直接在 CloudWatch 中追蹤由 Dogwood 政策觸發的拒絕請求次數。
- •時間政策（Temporal Policies）支援定義 Agent 在特定時間窗口內的執行頻率，解決了過去 Agent 在高負載下無法精確控制執行節奏的問題。
- •AgentCore 的成本護欄功能支援跨多個 Agent 實例的聚合預算限制，當達到預設閾值時，系統會自動觸發中斷機制以保護雲端資源。
📊 競品分析▸ Show
| 特性 | AgentCore (AWS) | LangGraph (LangChain) | Microsoft AutoGen |
|---|---|---|---|
| 政策控制 | 內建 Dogwood 語言 | 透過圖結構邏輯控制 | 透過編排器邏輯控制 |
| 成本管理 | 原生 Gateway 整合 | 需手動實作監控 | 需手動實作監控 |
| 部署環境 | Amazon Bedrock 託管 | 靈活 (自託管/雲端) | 靈活 (自託管/雲端) |
| 基準測試 | 針對企業級穩定性優化 | 針對開發靈活性優化 | 針對多代理協作優化 |
🛠️ 技術深入
- Dogwood 語言架構：基於 JSON/YAML 的宣告式政策定義，支援條件式邏輯（If-Then-Else）與狀態檢查。
- 速率限制機制：實作於 Bedrock Gateway 層，支援每秒請求數（RPS）與每分鐘令牌數（TPM）的雙重限制。
- 執行序列控制：利用時間戳記與序列 ID 追蹤 Agent 的動作鏈，確保在非同步環境下維持執行順序的確定性。
- 成本護欄實作：透過與 AWS Cost Explorer API 的低延遲整合，實現即時的預算監控與自動中斷（Circuit Breaker）功能。
🔮 前景展望AI analysis grounded in cited sources
企業級 AI Agent 的開發將從程式碼驅動轉向政策驅動。
透過 Dogwood 等專用政策語言，企業能將安全合規邏輯與業務邏輯解耦，降低維護複雜度。
雲端供應商將全面導入原生 Agent 成本控制機制。
隨著 Agent 應用普及，防止無限迴圈與預算超支已成為企業導入 AI 的首要技術門檻。
⏳ 時間線
2024-04
Amazon Bedrock Agents 正式發布，提供基礎的自動化任務執行能力。
2025-02
AWS 推出 AgentCore 架構，旨在提升 AI Agent 的執行穩定性與可觀測性。
2026-08
AgentCore 引入 Dogwood 政策語言與 Gateway 速率限制，強化安全與成本控制。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： AWS Machine Learning Blog ↗