A AWS publicou em 18 de setembro de 2026, em seu blog de machine learning, um guia técnico sobre a migração de um agente de IA multimodelo do setor de saúde. O texto descreve a saída de uma infraestrutura autogerenciada para o runtime do Amazon Bedrock AgentCore.
O ponto de partida é um ambiente em que a própria equipe configurava orquestração de contêineres, políticas de escalonamento, identidade e observabilidade. No caso, Amazon ECS com AWS Fargate.
O destino é o runtime gerenciado da plataforma AgentCore. Ele assume essas responsabilidades para que os desenvolvedores foquem no código do agente.
Por que a migração faz sentido
Segundo a publicação, times que constroem aplicações agênticas com múltiplos modelos convivem com complexidade de infraestrutura cada vez maior. Gerenciar contêineres, escalonamento, identidade e observabilidade para diferentes tipos de modelo consome tempo que poderia ir para a lógica do agente.
Quem roda frameworks agênticos em infraestrutura autogerenciada mantém controle total sobre a configuração de implantação. Conforme as cargas de trabalho evoluem e crescem, pode optar por runtimes gerenciados com gerenciamento de sessão, identidade e observabilidade embutidos.
O Amazon Bedrock AgentCore é apresentado como uma plataforma para construir, conectar e otimizar agentes em escala, com qualquer framework ou modelo. Seu runtime, a capacidade de implantação gerenciada, cuida do ciclo de vida dos contêineres, do escalonamento, da identidade e da observabilidade.
Três modelos em um único contêiner
A solução migrada preserva a lógica existente e a orquestração de três backends de modelo dentro de um único contêiner gerenciado pelo AgentCore. Também mantém a recuperação de conhecimento com vetores.
Cada consulta pode ser encaminhada ao backend mais adequado.
Para perguntas biomédicas especializadas, o sistema usa o BioM-ELECTRA-Large-SQuAD2 hospedado no Amazon SageMaker AI. Para raciocínio médico mais amplo, emprega um modelo de fundação como o Llama 3.1 70B Instruct, da Meta, no Amazon Bedrock.
A busca contextual por similaridade vetorial e a indexação de conhecimento médico ficam a cargo do Amazon OpenSearch Service. O controle de segurança e acesso é feito com o AWS Identity and Access Management (IAM).
A versão autônoma descrita em um post anterior incluía configuração manual de orquestração, escalonamento, identidade e observabilidade. A versão para AgentCore envolve a mesma lógica de agente com o padrão de decorator do runtime.
O AgentCore passa a cuidar automaticamente dessas preocupações operacionais.
Vale registrar uma diferença entre os dois materiais. O post anterior usava o Claude 3.5 Sonnet V2, da Anthropic.
O novo conteúdo adota o Llama 3.1 70B Instruct, da Meta. Segundo a AWS, isso demonstra que o runtime é agnóstico a modelos. A escolha do modelo é uma decisão de implementação, e não um requisito da plataforma.
Aplicação vai além da saúde
O exemplo usa a biblioteca de código aberto Hugging Face smolagents como implementação de referência. Isso ilustra que o runtime aceita qualquer framework agêntico.
Com a abordagem de trazer o próprio agente (bring-your-own, BYO), é possível implantar código já existente sem reescrevê-lo ou adaptá-lo a um framework específico. Segundo a AWS, esse padrão agnóstico de framework se aplica a setores como saúde, serviços financeiros e manufatura.
A publicação faz uma ressalva importante. A solução é uma implementação de amostra, para fins de demonstração.
Implantações em produção que lidam com consultas médicas ou outros dados sensíveis devem usar o Amazon Bedrock Guardrails para filtragem de conteúdo e validação de fundamentação como controle padrão.
O que observar
A mensagem central do material é menos sobre um caso de uso específico e mais sobre o padrão de migração. Manter a lógica do agente e trocar a camada de operação por um runtime gerenciado.
Para equipes que hoje sustentam agentes multimodelo em contêineres próprios, o roteiro oferece um caminho para reduzir o esforço de infraestrutura. Sem abrir mão da orquestração entre modelos distintos nem da recuperação de conhecimento baseada em vetores.
Fontes e links
- AWS
- Agentic AI with multi-model framework using Hugging Face smolagents on AWS
- Hugging Face smolagents
- BioM-ELECTRA-Large-SQuAD2
