A AWS publicou em 16 de setembro de 2026, em seu blog de machine learning, um artigo técnico sobre o otimizador de system prompts do Amazon Bedrock AgentCore. O recurso foi apresentado no anúncio de lançamento do AgentCore optimization.
O texto complementa o post de lançamento: explica como o motor de recomendação funciona e traz resultados de avaliação em benchmarks públicos.
O problema que o recurso ataca é conhecido de quem opera agentes em produção. Melhorar um agente com desempenho ruim sempre foi um processo manual e caro.
Revisar rastros extensos para descobrir onde a execução descarrilou. Ajustar um a um os componentes: prompts, descrições de ferramentas, habilidades.
Rodar novas avaliações para verificar se houve ganho.
Com o AgentCore optimization, rastros de produção viram mudanças de configuração sugeridas. Elas passam por avaliação offline em lote e por testes A/B com tráfego real antes que as vencedoras sejam promovidas.
É uma esteira de melhoria contínua, e não um ajuste pontual.
Um refletor com acesso direto aos rastros
O cérebro do otimizador é um refletor agêntico. Ele revisa o comportamento já avaliado dos agentes, identifica padrões que separam execuções bem-sucedidas das malsucedidas e propõe alterações pontuais na configuração.
Cada proposta vem com uma explicação sobre por que aquelas mudanças deveriam elevar a qualidade.
Rastros de agentes são longos. Algumas dezenas deles já ultrapassam a janela de contexto de um modelo.
Em vez de truncar ou pré-resumir o material, a AWS decidiu disponibilizar o corpus completo ao refletor por meio de um sistema de arquivos.
O desenho é minimalista. Um avaliador pontua uma coleção de rastros e grava tudo em um diretório acessível ao refletor.
Ele recebe uma ferramenta de shell e a instrução de propor atualizações examinando padrões de sucesso e de fracasso.
O refletor pode listar arquivos, buscar com grep, ler com cat, comparar saídas com diff e escolher quais execuções examinar. Não existe pipeline fixo de extração de sinais ou de resumo de rastros.
O próprio refletor decide quais evidências importam e como convertê-las em mudanças de configuração. Toda proposta precisa passar por guardrails de plataforma, e considerações de IA responsável fazem parte do fluxo de trabalho descrito pela companhia.
Da recomendação ao teste a/b
O otimizador combina os rastros registrados na observabilidade do Amazon Bedrock AgentCore com um sinal de recompensa para produzir um system prompt melhor.
No caso do agente de tendências de mercado usado como exemplo, a recomendação coloca o prompt atual ao lado da versão revisada e explica quais padrões de rastro motivaram cada mudança. A interface foi pensada para revisão humana: a equipe lê o raciocínio do sistema antes de decidir se vale testar a sugestão.
O fluxo completo apoia-se em recomendações, pacotes de configuração e validação por testes A/B.
Benchmarks e comparação
O artigo também traz resultados de avaliação do Single Agent Reflector e do Sub-Agent Reflector em dois benchmarks públicos. O Sub-Agent Reflector é experimental e de código aberto.
A comparação inclui o GEPA e o MIPROv2, otimizadores já conhecidos de quem trabalha com engenharia de prompt automática. Ao longo do material, a AWS usa como exemplo ilustrativo o agente de tendências de mercado, disponibilizado entre os exemplos de código do AgentCore.
Por que isso importa
Para times que colocam agentes em produção, o gargalo raramente está em escrever o primeiro prompt. Está em mantê-lo bom enquanto o comportamento do sistema, as ferramentas e os dados mudam.
Ao transformar rastros em propostas revisáveis e ao exigir validação antes da promoção, o AgentCore desloca a otimização de prompt de um exercício artesanal para um ciclo mensurável, com critérios de comparação explícitos.
A publicação também reforça uma aposta de arquitetura que vem se consolidando: dar ao próprio modelo acesso a ferramentas e arquivos, em vez de tentar empacotar todo o contexto dentro do prompt. A diferença aqui é que essa lógica é aplicada à tarefa de melhorar o próprio agente que está sendo observado, com a explica ção das mudanças exposta ao time responsável.
Fontes e links
Optimizing agent system prompts with Amazon Bedrock AgentCore — AWS
Introducing agent quality optimization in AgentCore, now in preview, AWS
GEPA, repositório do otimizador
MIPROv2, documentação do otimizador
