Agentes de IA na AWS: memória, segurança e sistemas multiagentes

Agentes de IA na AWS: arquitetura e infraestrutura - Introdução

Apresentando o instrutor e o curso

Olá! Sejam muito bem-vindos ao curso de Inteligência Artificial Agêntica implementada na AWS. Para quem não me conhece, eu sou Vinícius Caridat, conhecido como Vini ou como Caridat. Atualmente, sou especialista em Dados e IA no Itaú Unibanco e também professor em alguns cursos de MBA, além de participar ativamente da comunidade técnica, como a do Google e também da AWS. No momento, sou o único AWS Hero na área de IA. É um prazer estar aqui com vocês, ministrando este curso e falando de um tema de que gosto muito. Vamos entender o que conheceremos ao longo do curso.

Para que me conheçam melhor, também sou pai da Olivia, minha filha, que já tem contato com Inteligência Artificial desde bebê. Atualmente, ela tem 1 ano e 4 meses e já conta com uma coleção de livros sobre redes neurais e Inteligência Artificial. Recentemente, estávamos estudando um pouco de computação quântica e estatística. Isso é um passatempo para nós, e é uma grande alegria poder compartilhar um pouco desse interesse com ela. Obviamente, ela poderá escolher o que quiser no futuro, mas menciono isso para que me conheçam mais: ela e minha esposa são as paixões da minha vida.

Recapitulando fundamentos do curso anterior

Para quem não fez o curso anterior desta trilha de Bedrock, recomendamos pausar agora e voltar ao curso anterior, porque lá apresentamos toda a base fundamental para avançarmos neste curso. Nessa base, vimos como os modelos de linguagem, os grandes modelos de linguagem, os LLMs (Grandes Modelos de Linguagem), são treinados; exploramos a etapa de pré-treinamento e a etapa de pós-treinamento ou alinhamento; entendemos como palavras ou frases se transformam em vetores, ou embeddings (vetores de incorporação). Também estudamos tudo sobre prompts (instruções), desde o prompt de sistema até o de pessoa usuária, e como adicionar mais informações ao ecossistema de um agente sem precisar reentreinar o modelo desde o zero.

Além disso, abordamos técnicas clássicas, como RAG (Geração Aumentada por Recuperação) e In-Context Learning (Aprendizado no Contexto), compreendendo passo a passo como funcionam, e realizamos implementações na AWS usando, no Bedrock, a ferramenta de agentes. Trata-se de uma ferramenta low-code (baixo código), ou seja, não colocamos as mãos no código: fizemos tudo pela interface, mas conseguimos testar vários tipos de prompt, configurar o fluxo de RAG e entender por que uma resposta funciona e por que outra não, de forma simples. Ferramentas low-code são importantes não apenas para treinamentos, mas também para viabilizar provas de conceito de maneira ágil. Isso fez parte do que vimos no curso anterior desta trilha.

Para quem não acompanhou o curso anterior, recomendamos retornar a ele, pois esses conceitos serão fundamentais para darmos o próximo passo, que é o que veremos aqui neste curso.

Transicionando para high-code e introduzindo horizontes de agentes

A partir do conceito inicial, avançamos para conhecer mais sobre uma arquitetura multiagentes, memória, conceitos de chamada a ferramentas, ou o que chamamos de tool calling (chamada a ferramentas), e como colocar esse agente em produção. Saímos de uma ferramenta low-code (baixo código) e vamos para uma ferramenta high-code (alto código). Aqui vamos, de fato, colocar a mão no código e instalar alguns softwares, porque agora vamos para um ambiente simulado, um ambiente produtivo de uma empresa real. Isso não significa que o curso anterior não faça sentido; pelo contrário, ele foi a base inicial, e usamos a ferramenta low-code (baixo código) para consolidar esses conceitos. Agora, vamos para uma ferramenta high-code (alto código) para implementar, na prática, conceitos mais avançados e colocar agentes em produção dentro da AWS.

O que é importante ressaltar? Quando falamos da evolução dos horizontes dos agentes, temos, de maneira geral, quatro grandes evoluções. No horizonte zero, temos os agentes que chamamos de agentes restritos, que, até certo ponto, foi o que vimos no primeiro curso da trilha: criamos um agente simples, contido em si mesmo, que resolve um problema específico.

Aprofundando os horizontes de agentes e posicionando o curso

Depois, avançamos para agentes mais autônomos. Nesse momento, ainda estamos diante de um monólito; não está componentizado, mas já começa a executar algumas ações dentro de ambientes isolados. Em seguida, passamos ao horizonte dois, que contempla agentes com memória compartilhada e com contexto.

No curso anterior desta trilha, ficamos entre os agentes do horizonte zero e do horizonte um. Agora, começamos a avançar para os agentes dos horizontes dois e três, chegando a alguns conceitos do horizonte quatro que, até onde sabemos, ainda não foram implementados na prática por nenhuma empresa. São agentes muito mais complexos, que permanecem no âmbito de pesquisa e desenvolvimento. Ainda assim, vamos repassar conceitos importantes para que você tenha esse repertório.

Detalhando componentes do Agent Core e objetivos práticos

Nos horizontes dois e três, passamos a trabalhar com function calling (chamada a funções), tool calling (chamada a ferramentas), gestão de memória, validação, acesso e segurança — e tudo isso em uma plataforma high-code (alto código). Também vamos utilizar o Agent Core dentro da AWS e implementar ponto a ponto até o final do curso. Ao concluir, teremos um agente completo implementado, desde o runtime (tempo de execução) do agente até toda a camada de memória, identidade, ações, os modelos — isto é, os grandes modelos de linguagem (LLMs) —, bases de conhecimento, além de toda a parte de Responsible AI (IA Responsável) e observabilidade.

Teremos todos esses componentes implementados dentro da ferramenta Agent Core da AWS, motivo pelo qual o conhecimento prévio é fundamental. Também vamos revisar algumas ferramentas da AWS. Como vamos implementar isso em produção de forma mais detalhada, veremos outras soluções, com foco em Amazon Bedrock, principalmente no que está dentro do Agent Core: runtime (tempo de execução), gateway (porta de entrada) de segurança, memória, observabilidade e validações dos agentes. Em resumo, tudo o que estiver dentro desse conjunto do Agent Core será amplamente explorado ao longo deste curso.

Encerrando a aula e compartilhando próximos passos

Para finalizar esta Aula 1, sempre gostamos de deixar uma mensagem importante: quando criamos agentes e trabalhamos com grandes modelos de linguagem, temos a responsabilidade de construir soluções que potencializem, reflitam e ampliem as melhores partes da nossa natureza. Se queremos deixar uma sociedade melhor para nossa família e para as futuras gerações, isso é o mais importante.

Para quem quiser manter contato, disponibilizamos um QR Code para conexão nas redes sociais e, principalmente, para acessar o GitHub, onde estará todo o código que vamos usar durante este treinamento.

É isso! Esperamos que você esteja com entusiasmo para começar este curso na trilha de Amazon Bedrock. Eu vejo você na próxima aula! [♪]

Agentes de IA na AWS: arquitetura e infraestrutura - Conceitos gerais sobre agentes e implementação

Dando boas-vindas e contextualizando a aula 2

Olá! Sejam muito bem-vindes à Aula 2 do curso de Inteligência Artificial Agêntica implementado na AWS.

Como comentamos na nossa primeira aula, agora vamos revisar todas as grandes etapas e todos os componentes que envolvem um agente completo, desde a criação do Runtime (tempo de execução) do agente. Esse Runtime incluirá a parte de raciocínio, as Skills (competências), as Tools (ferramentas) — no sentido de to use (usar) —, além de todo o registro do agente, as ações, os modelos de IA, a base de conhecimento, a identidade, a memória, Responsible AI (IA Responsável), responsabilidade e observabilidade.

Ao longo do curso, nós vamos percorrer cada um desses componentes. Nós vamos explicar toda a teoria por trás, sempre deixando referências, incluindo artigos científicos completos, para quem quiser se aprofundar em cada tema, pois há muitos detalhes. Aqui, nós apresentaremos uma visão geral e vamos implementar cada um deles, de modo que vocês terão conhecimento teórico e prático sobre cada componente. Vamos implementar um agente completo até o final do curso.

Adotando abordagem high-code e simulando ambiente real

Diferentemente do curso anterior desta trilha, em que utilizamos uma ferramenta Low-Code (baixo código), que foi muito útil para aprender os conceitos iniciais, aqui vamos utilizar uma abordagem High-Code (alto código). Nós vamos precisar programar, porque agora vamos colocar o modelo em produção.

Portanto, precisamos simular um ambiente real e, em ambientes reais, precisamos instalar softwares e garantir configurações. Essa parte é mais complexa, mas faz parte da evolução do aprendizado e é fundamental e muito importante.

Detalhando a arquitetura do agente na AWS

Todos esses blocos ou componentes da anatomia de um agente de IA serão traduzidos, ao final deste curso, para uma implementação nesta arquitetura, na qual teremos o navegador — um front-end (interface web), um site em execução no navegador. Para que isso funcione, vamos realizar uma implementação utilizando ferramentas da AWS, neste caso o S3 e o CloudFront. Teremos uma API implementada para que esse navegador possa chamar nosso agente dentro do Bedrock Agent Core. Assim, teremos uma API REST e um gateway (porta de entrada) de acesso. Quando acessarmos esse agente, faremos isso pelo seu runtime (tempo de execução) e, a partir desse runtime, acessaremos todos os componentes, incluindo as chamadas de tools (ferramentas), que serão nosso Code Interpreter (Interpretador de Código) e as Browser Tools (Ferramentas de Navegação) — ferramentas que vamos implementar. Em seguida, passaremos à parte de memória, também um conceito muito importante, e percorreremos toda a camada de MCPs, segurança, identidade, gestão de tarefas e, por fim, observabilidade, implantação e monitoramento desse agente em produção.

Esses são todos os componentes completos; teremos esse agente final executando dentro da AWS, operando em produção.

Iniciando a implementação e preparando o ambiente

Para começar, iniciaremos pela primeira implementação, que será o runtime (tempo de execução) do agente, nossa primeira etapa de implementação. Antes disso, faremos o passo a passo: vamos instalar todos os softwares necessários para realizar essa implementação.

Para isso, seguiremos toda a implementação que já realizamos e testamos, para garantir que tudo esteja funcionando durante esta gravação. Ela está no nosso GitHub; o link está no slide (apresentação) e também na descrição do vídeo. Vamos abri-lo agora e, na próxima aula, faremos, passo a passo, essa implementação em conjunto, tanto na máquina local quanto, em seguida, no console (painel) da AWS, realizando todas as configurações.

Antecipando o assistente final e encerrando a aula

Antes de finalizar, deixaremos uma visualização rápida: este é o link para o GitHub. A partir dele, há o passo a passo de tudo o que vamos implementar e, ao final, construiremos a área, que será um assistente virtual completo, personalizado para você, com o qual será possível conversar e personalizar; ele terá memória. Portanto, vamos criar nosso próprio assistente virtual executando no nosso agente, dentro do Bedrock Agent Core da AWS.

Estes são os detalhes principais. Agora vamos encerrar; foi apenas uma visão rápida. Seguiremos para a próxima aula para realizar todo o setup (configuração inicial) e começar este curso, que será muito bom, com conceitos interessantes e, além deles, uma prática de alto nível para implementar este agente de ponta a ponta. Acompanhe a próxima aula. [♪]

Agentes de IA na AWS: arquitetura e infraestrutura - Download e instalação dos softwares

Apresentando os objetivos da aula

Sejam bem-vindas e bem-vindos à Aula 3. Como dissemos na aula anterior, neste primeiro momento precisamos realizar a configuração inicial para ter todo o ambiente preparado e, em seguida, abordar os conceitos e começar a implementá-los.

Aqui está o link do GitHub onde está o projeto com tudo o que vamos desenvolver durante o curso. Ao rolar a página, logo abaixo, veremos a seção de pré-requisitos. Nessa seção estão todos os programas e ferramentas necessárias que precisaremos instalar, porque, como já mencionamos, vamos construir um agente em produção e ambientes produtivos exigem programas com configurações específicas. Não usaremos uma ferramenta low-code (baixo código), e sim uma ferramenta high-code (alto código).

Instalando o VS Code e orientando sobre a IDE

O primeiro passo é instalar essas ferramentas. Vamos fazer tudo passo a passo. Quem tiver alguma preferência — por exemplo, nós usamos o VS Code — e tiver uma IDE preferida, não precisa ficar vinculada ou vinculado ao VS Code, mas recomendamos seguir o passo a passo para que tudo funcione. Depois, é possível migrar para outra ferramenta com a qual se tenha mais afinidade. Recomendamos que, pelo menos na primeira vez em que fizer o curso, a instalação seja feita exatamente como mostraremos para que tudo execute 100% sem problemas.

Vamos começar instalando o VS Code, que é a IDE onde vamos desenvolver. Acessamos o link, clicamos e será aberto o site de downloads. No nosso caso, usamos Windows, então vamos baixar a versão mais recente para Windows. Clicamos em salvar e aguardamos o download.

Com o download do VS Code concluído, vamos instalá-lo, seguindo sempre a sequência correta indicada na página de pré-requisitos: primeiro instalamos o VS Code. Basta dar duplo clique no instalador, aceitar os termos, clicar em avançar sucessivamente, marcar a opção de criar um ícone na área de trabalho e instalar. Ao finalizar, passaremos para a instalação do Python. VS Code instalado e aberto.

Instalando o Python e configurando o PATH

Agora vamos baixar e instalar o Python, que é a linguagem de programação que vamos usar na implementação do nosso agente. Acessamos a página de downloads; no nosso caso, Windows. Vamos à seção de downloads para Windows e selecionar a versão 3.12. Observamos também as versões 3.13 e 3.14; vamos verificar para garantir que escolhemos a versão correta. Se necessário, voltamos e confirmamos a seleção. Escolhemos a variante “Windows x64” da versão desejada (3.12 ou 3.13), clicamos para baixar e salvar.

Durante a instalação do Python, marcamos a opção “Add Python to PATH” (Adicionar Python ao PATH) e prosseguimos com a instalação. Perfeito, instalação concluída.

Instalando o Node.js e a AWS CLI e conectando à conta da AWS

Vamos ao próximo item, que é o Node.js. Baixamos para Windows e instalamos. Lembrando que todas as ferramentas são open source (código aberto), não há nada pago para instalar. Como vamos executar um agente em produção dentro da AWS, será necessário ter uma conta na AWS, e essa conta consumirá computação e alguns serviços; portanto, poderemos ter algum custo. Falaremos sobre isso em breve no console da AWS, porque usaremos serviços realmente em produção.

Concluída a instalação do Node.js, vamos instalar o AWS CLI. Baixamos a versão mais recente do AWS CLI para Windows e executamos a instalação. Instalação concluída.

Nesta máquina da Alura são solicitadas algumas validações de segurança; em sua máquina isso não ocorrerá.

Com a CLI (Interface de Linha de Comando), conectaremos todo o código que desenvolveremos no VSCode (Visual Studio Code) à nossa conta da AWS (Amazon Web Services), para colocar os serviços em produção. Etapa concluída.

Instalando o AWS CDK e ajustando a política de execução

Já instalamos o VSCode (nossa IDE — Ambiente de Desenvolvimento Integrado), o Python (linguagem de programação) e o Node.js (ambiente de execução JavaScript). Também instalamos a CLI e agora vamos instalar o AWS CDK (Kit de Desenvolvimento em Nuvem). Para isso, copiaremos o comando e, dentro do VSCode, no Terminal, se não houver um Terminal aberto, selecionaremos a opção Terminal para abri-lo e colaremos o comando.

No terminal, execute o instalador global do AWS CDK:

npm install -g aws-cdk

Esse comando instala, de forma global, a ferramenta de linha de comando do AWS CDK, que usaremos para provisionar infraestrutura na AWS via código.

Se ocorrer um erro de políticas de acesso semelhante ao mostrado aqui, será necessário executar get execution policy. Esse comando indicará que o modo está restrito, motivo pelo qual a instalação não pôde ser realizada. Em seguida, utilizaremos outro comando para alterar essa política. A primeira tentativa foi negada. Tentaremos o comando completo. Antes, o estado era “restrito”; após executar set execution policy scope current user, a política foi alterada. Tentaremos novamente.

Para verificar a política de execução atual no PowerShell:

Get-ExecutionPolicy

Esse comando retorna, por exemplo, “Restricted”, indicando que scripts não podem ser executados.

Uma primeira tentativa comum é alterar a política para RemoteSigned no escopo padrão:

Set-ExecutionPolicy RemoteSigned

Se essa tentativa for negada devido a políticas corporativas, aplique a alteração apenas para o usuário atual, especificando o escopo:

Set-ExecutionPolicy -Scope CurrentUser RemoteSigned

Com a política ajustada para o usuário atual, tente novamente a instalação do CDK:

npm install -g aws-cdk

Esse passo pode ser necessário caso o equipamento tenha essa restrição. Normalmente um computador pessoal não apresenta essa limitação; em um equipamento corporativo, ela pode existir. Caso haja essa restrição, basta executar set execution policy -scope current user e, em seguida, npm install. A instalação do que queríamos — o AWS CDK — foi concluída.

Instalando a Agent Core CLI e configurando dependências do Python

Prosseguindo, já instalamos o CDK e agora vamos utilizar a Agent Core CLI (Interface de Linha de Comando do Agent Core). Vamos copiar e colar (Ctrl+C, Ctrl+V). Todo o conteúdo está no GitHub (plataforma de hospedagem de código), com o passo a passo e todos os links, e estamos executando o procedimento conjuntamente para identificar possíveis problemas.

Para instalar a Agent Core CLI globalmente via npm:

npm install -g @aws/agentcore

Esse comando disponibiliza a CLI do Agent Core no seu PATH, permitindo usá-la em qualquer diretório.

A instalação completa para deixar o ambiente 100% configurado é relativamente complexa, mas importante, pois simula um ambiente real. Em um contexto real, precisamos de garantias de pacotes, instalações e versionamento para implantar e desenvolver sistemas em produção.

Agora será instalado o Agent Core (núcleo do agente). Esse processo levará mais tempo, pois há diversos pacotes a instalar. A instalação de aproximadamente 700 pacotes foi concluída.

Em seguida, vamos instalar o gerenciador de pacotes do Python, que é o uv (gerenciador de pacotes para Python), via pip install. Tudo instalado.

Para isso, use o pip:

pip install uv

Esse comando instala o uv no ambiente Python, permitindo gerenciar dependências de forma rápida.

Instalando o Docker e o Jupyter e finalizando a preparação

Agora vamos instalar o Docker (plataforma de contêineres), que será utilizado para criar o contêiner da nossa aplicação. Acessaremos o Docker Desktop (aplicativo do Docker para desktop), faremos o download para Windows (sistema operacional), e, com o download concluído, iniciaremos a instalação do Docker Desktop, selecionando “Load Windows Container”. O Docker é mais pesado e pode demorar um pouco para instalar, mas em alguns minutos a instalação é concluída. Instalação completa; é solicitado reiniciar o Windows.

Não reiniciaremos agora; vamos instalar o Jupyter (ambiente interativo) antes de reiniciar. Utilizaremos pip install. A instalação ainda não foi concluída; está finalizando. Instalação completa.

Execute:

pip install jupyter ipykernel

Esse comando instala o Jupyter e o kernel do IPython, permitindo criar e executar notebooks interativos.

Com isso, concluímos todas as instalações necessárias. Precisamos garantir que temos uma conta na AWS para a execução posterior, preferencialmente na região US East 1 (região da AWS), para evitar problemas de disponibilidade de infraestrutura. Falaremos melhor sobre isso após finalizarmos todas as instalações. Como o Docker exige reiniciar a máquina, vamos reiniciar agora. Façam o mesmo e nos encontramos no próximo vídeo para continuarmos com a implementação inicial.

Sobre o curso Agentes de IA na AWS: memória, segurança e sistemas multiagentes

O curso Agentes de IA na AWS: memória, segurança e sistemas multiagentes possui 252 minutos de vídeos, em um total de 37 atividades. Gostou? Conheça nossos outros cursos de Engenharia de LLMs & Agentes em Inteligência Artificial, ou leia nossos artigos de Inteligência Artificial.

Matricule-se e comece a estudar com a gente hoje! Conheça outros tópicos abordados durante o curso:

• Agentes de IA na AWS: arquitetura e infraestrutura
• Tool Calling na AWS: construindo agentes autônomos
• Memória em agentes de IA: personalização e contexto
• Segurança e observabilidade de agentes
• Sistemas multiagentes na AWS: integração, MCP e governança