Em 6 de outubro de 2026, a AWS publicou em seu blog de machine learning um guia técnico para quem quer ir além dos assistentes genéricos: o texto descreve como montar um assistente pessoal de IA que acumula contexto entre conversas usando o OpenClaw, sistema agêntico de código aberto, rodando no AgentCore runtime, recurso do Amazon Bedrock AgentCore. A ideia central é atacar a falta de continuidade: um assistente sem estado responde bem a perguntas isoladas, mas esquece tudo entre um chat e outro.
O exemplo condutor é o Sprout, assistente de jardinagem. Se o usuário comenta hoje sobre canteiros elevados que drenam rápido, isso não é lembrado três semanas depois; o mesmo vale para a preferência por fertilizante orgânico ou para as petúnias que sofreram durante uma onda de calor.
Cada conversa recomeça do zero, e o trabalho de reexplicar o contexto fica com o usuário. Segundo a AWS, o problema não está na qualidade das respostas, mas na ausência de memória sobre quem pergunta.
Memória durável e filtros por metadados
O componente que muda esse quadro é o AgentCore memory, capacidade do Amazon Bedrock AgentCore que transforma conversas descartáveis em conhecimento estruturado e durável. As lembranças podem ser marcadas com metadados, o que permite recuperar apenas os registros relevantes para a pergunta do momento, em vez de despejar todo o histórico de volta no modelo.
A AWS afirma que a arquitetura é agnóstica de domínio: trocando a persona e o manifesto de habilidades, o mesmo pipeline serve para um bot de suporte, um treinador fitness ou um help desk interno.
Como a arquitetura funciona
Tudo vive em um único template do AWS CloudFormation, sem ferramentas de build obrigatórias, e o deploy sai com um comando. Dois pontos de entrada convergem para um mesmo agente: mensagens do Telegram chegam via Amazon API Gateway e uma função Lambda de webhook, enquanto tarefas agendadas, como o lembrete matinal de rega, passam pelo Amazon EventBridge Scheduler e por uma Lambda de cronjob.
Ambos chamam a API InvokeAgentRuntime no AgentCore runtime, onde um processo enxuto chamado server.py coordena o gateway do OpenClaw, a memória do AgentCore e a Converse API do Amazon Bedrock.
Na infraestrutura de apoio aparecem o Amazon S3 para armazenamento do workspace, o AWS KMS para criptografia, o AWS Secrets Manager para guardar o token do bot e o Amazon CloudWatch para logs e métricas. O OpenClaw entra como substrato do agente, oferecendo o laço de execução, o uso de ferramentas e o sistema de habilidades.
Contrato de contêiner e escolhas de modelo
O runtime impõe um contrato mínimo ao contêiner: escutar na porta 8080, expor GET /ping para verificação de saúde e POST /invocations como porta de entrada do agente, conforme o contrato de protocolo HTTP do AgentCore. A imagem é linux/arm64 e construída em estágios múltiplos, a partir da imagem oficial do OpenClaw mais uma camada em Python.
Na inicialização, o server.py dispara o comando openclaw gateway run como subprocesso e verifica sua saúde, com o GET /ping respondendo saudável rapidamente.
Entre os pré-requisitos, a AWS lista acesso ao AgentCore runtime e à memória, liberação de modelos (Claude Haiku 4.5 para texto e Claude Sonnet 4.5 para visão, ou equivalentes disponíveis na conta), Docker com suporte a build linux/arm64 e AWS CLI configurada, um token de bot do Telegram obtido no BotFather e familiaridade básica com orquestração de agentes e CloudFormation.
O que isso custa e por que importa
A cobrança do AgentCore runtime é por consumo: paga-se pelo compute que o agente efetivamente usa, não pelo tempo de relógio ligado, e não há cobrança pela espera de I/O, como a resposta de um modelo. Para um assistente pessoal usado em rajadas curtas, a AWS estima um patamar de cerca de US$ 1 a US$ 2 por mês, contra aproximadamente US$ 35 mensais de uma instância Amazon EC2 sempre ligada.
São estimativas para uso pessoal leve, com valores de julho de 2026, e a recomendação é consultar a página de preços do AgentCore para taxas atuais.
Para quem constrói produtos, o recado que fica é duplo. De um lado, memória estruturada com filtros por metadados deixa de ser recurso acessório e passa a definir a sensação de continuidade que usuários esperam de um assistente.
De outro, empacotar entrada (webhook e agendador), raciocínio (runtime) e persistência (memória e S3) em um só template reduz o atrito de colocar um agente em produção — mesmo que o exemplo do post seja doméstico, a lógica se aplica a qualquer assistente que precise lembrar.
Fontes e links
- Building a context-aware AI assistant on AgentCore and OpenClaw, AWS
- OpenClaw
- Contrato de protocolo HTTP do AgentCore runtime
- Preços do Amazon Bedrock AgentCore
