Vai al contenuto
AI.info

The Pulse

AWS illustra uno stack open source per agenti WhatsApp su Bedrock

AWS ha descritto un toolkit open source per collegare le conversazioni su WhatsApp agli agenti in esecuzione su Amazon Bedrock AgentCore. Lo stack di esempio gestisce messaggistica, memoria e pianificazione, ma AWS afferma che il codice è destinato a un uso non in produzione.

AWS illustra uno stack open source per agenti WhatsApp su Bedrock

Gli sviluppatori possono usare un toolkit open source per collegare le conversazioni su WhatsApp agli agenti di IA in esecuzione su Amazon Bedrock AgentCore, con un’infrastruttura per la gestione dei messaggi, la memoria e la pianificazione. Amazon Web Services ha descritto il kit di sviluppo software Python e lo stack Terraform in un post del 17 novembre. AWS afferma che il codice di esempio è destinato a un uso non in produzione.

Il toolkit, chiamato Social Messaging Agent Runtime Toolkit, o SMART, fornisce il livello di messaggistica attorno a un agente. Lo sviluppatore fornisce un agente in esecuzione su AgentCore e mantiene il controllo sul relativo framework, modello, prompt e logica aziendale. AWS afferma che un solo comando distribuisce l’infrastruttura nell’account AWS dello sviluppatore.

Gestire la conversazione

Secondo il post, integrare un agente con WhatsApp richiede di configurare più di 10 servizi AWS, oltre a gestire diversi tipi di messaggi, contenuti multimediali e cronologia delle conversazioni. I messaggi inviati più di 24 ore dopo l’ultimo messaggio di un utente devono usare un modello di messaggio Meta preapprovato.

I messaggi WhatsApp in entrata raggiungono AWS End User Messaging Social e vengono instradati al livello di elaborazione. Per ogni evento, una funzione AWS Lambda verifica la firma del messaggio Amazon Simple Notification Service, normalizza il payload e applica un limite di frequenza per utente. Se è abilitata la tabella di stato opzionale DynamoDB, il limite predefinito è di 20 messaggi al minuto.

Le note vocali vengono inviate tramite Amazon Transcribe, mentre gli altri contenuti multimediali vengono convertiti in un descrittore oppure passati a un gestore definito dallo sviluppatore. Dopo l’elaborazione, la funzione webhook passa il messaggio al runtime AgentCore, che esegue l’agente.

Memoria e messaggi in uscita

La memoria di AgentCore conserva la cronologia delle conversazioni tra sessioni e distribuzioni, associandola a ciascun numero di telefono. Il periodo di conservazione predefinito è di sette giorni. I messaggi generati dagli strumenti mentre l’agente è ancora al lavoro vengono raccolti e inviati nell’ordine corretto al termine del turno.

Funzioni separate gestiscono le notifiche al di fuori di un turno dell’agente, compresi i messaggi proattivi e programmati. I sistemi esterni possono attivare gestori di eventi tramite un endpoint Amazon API Gateway protetto da una chiave API e da un authorizer Lambda. Amazon EventBridge Scheduler gestisce i messaggi programmati, come promemoria e verifiche periodiche.

Per impostazione predefinita, lo stack Terraform crea una risorsa Amazon Bedrock Guardrails. Gli sviluppatori possono usare quella risorsa, fornire un proprio guardrail oppure rinunciarvi. Il post afferma che la scelta dei controlli spetta allo sviluppatore.

Avvio e distribuzione

AWS afferma che la memoria viene configurata automaticamente per gli agenti creati con Strands Agents; anche altri framework, tra cui LangGraph e Pydantic-AI, possono integrarsi. Il toolkit include tre modelli di progetto. Il modello minimo è un agente che restituisce in eco, senza strumenti, skill o modelli di messaggio.

Gli altri due modelli forniscono un assistente personale e un sistema per la pianificazione degli appuntamenti. L’agente per gli appuntamenti guida gli utenti attraverso le voci e le fasce orarie, conferma le prenotazioni, le memorizza come stato per utente e invia promemoria.

La distribuzione richiede AWS End User Messaging Social con un WhatsApp Business Account collegato e un numero di telefono registrato. Richiede inoltre un account AWS con runtime e memoria AgentCore disponibili nella Regione AWS pertinente, oltre all’accesso ai modelli. I prerequisiti locali includono Python 3.11 o versioni successive, Terraform 1.7 o versioni successive, uv e l’interfaccia a riga di comando AWS.

AWS afferma che l’immagine del container dell’agente e il livello Lambda vengono creati in AWS CodeBuild durante la distribuzione, quindi Docker non è necessario in locale. Il post consiglia ai team di confrontarsi con i propri team di sicurezza e legali sui requisiti organizzativi di sicurezza, normativi e di conformità prima della distribuzione.

Fonte

  1. Amazon Web Services

Aziende in questa notizia

Notizie correlate

Esplora

Altri articoli