Amazon Bedrock AgentCore e Kiro viabilizam fluxos práticos de desenvolvimento orientado por inteligência artificial
A Amazon Web Services publicou uma referência técnica detalhada sobre a aplicação prática do ciclo de desenvolvimento orientado por inteligência artificial, conhecido como AI-DLC, utilizando o Amazon Bedrock AgentCore e ferramentas locais de codificação agentic. O material apresenta duas implementações funcionais que demonstram como transformar conceitos de integração entre humanos e agentes de IA em sistemas operacionais dentro de fluxos de engenharia de software.
O Amazon Bedrock AgentCore é um serviço voltado para a construção, conexão e otimização de agentes de IA em escala, funcionando com diferentes frameworks e modelos de linguagem. Já a metodologia AI-DLC reposiciona a inteligência artificial como colaboradora central em todas as etapas do desenvolvimento, assumindo tarefas rotineiras de execução enquanto as equipes humanas mantêm a supervisão das decisões críticas. A publicação tem como objetivo justamente preencher o vácuo existente entre frameworks conceituais e código funcional.
A primeira implementação apresentada gera diagramas de relacionamento entre entidades, conhecidos como ER diagrams, no formato Mermaid, a partir de esquemas SQL. O sistema utiliza o AgentCore Runtime, capacidade do Amazon Bedrock AgentCore, e opera por meio de uma arquitetura orientada a eventos. Quando um arquivo SQL é carregado em um bucket do Amazon S3, uma função AWS Lambda é acionada e invoca o agente no AgentCore Runtime. Esse agente analisa a DDL, que é a linguagem de definição de dados usada para descrever a estrutura do banco, identificando tabelas, colunas, restrições e chaves estrangeiras, e gera um arquivo de diagrama salvo de volta no S3. O sistema lê apenas metadados do esquema, jamais os dados armazenados nas tabelas, o que reforça a segurança da abordagem.
A autenticação entre serviços é feita por meio do Amazon Cognito, que utiliza o protocolo OAuth2 em fluxo machine-to-machine, com credenciais armazenadas no AWS Systems Manager Parameter Store. A memória persistente é garantida pelo AgentCore Memory, que mantém o contexto das análises por até 90 dias e habilita busca semântica. O modelo utilizado para a geração dos diagramas é o Claude Sonnet 4, acessado por meio do Amazon Bedrock, e toda a operação é instrumentada com traces de OpenTelemetry para garantir observabilidade.
A segunda implementação aborda a análise automatizada de segurança de código. Trata-se de uma arquitetura multiagente que escaneia códigos em Python ou Java em busca de vulnerabilidades, riscos de CVE, que são vulnerabilidades publicly conhecidas em bibliotecas, e violações de políticas organizacionais. O gatilho é o envio de código por meio de um pipeline do GitLab para o Amazon S3, momento em que uma função Lambda inicia o fluxo de análise. Um agente baseado no framework Strands utiliza os modelos Claude Sonnet da Anthropic no Amazon Bedrock para revisar o código em múltiplas dimensões, como estrutura, qualidade lógica, segurança e aderência a boas práticas.
O sistema também chama ferramentas externas por meio do AgentCore Gateway, que utiliza o Model Context Protocol, abreviado como MCP, padrão aberto para conectar agentes a ferramentas. Essas ferramentas incluem uma função Lambda específica para verificação de conformidade com políticas internas e outra para consulta a bases de dados de vulnerabilidades conhecidas. Os resultados, que incluem notas de qualidade de 1 a 10 e recomendações detalhadas, são armazenados no AgentCore Memory e disponibilizados em um painel web com sessões individuais, protegido por autenticação via Cognito e monitorado pelo CloudWatch.
A publicação também discute a integração com ferramentas locais de codificação agentic. O Kiro, ambiente de desenvolvimento da própria AWS, contribui nas fases iniciais do AI-DLC ao transformar requisitos em linguagem natural em especificações estruturadas com critérios de aceitação. Já o OpenAI ChatGPT Codex conta com uma integração via servidor MCP local que permite acesso a esquemas de bancos MySQL e Amazon Aurora MySQL, sem expor dados das tabelas. Por fim, o Claude Code atua como agente local de linha de comando para prototipagem rápida, geração de infraestrutura como código e revisão preliminar antes do envio para pipelines automatizados.
Entre as boas práticas recomendadas pelos autores, destacam-se a separação de responsabilidades entre agentes, o uso consistente do AgentCore Memory para continuidade de contexto, a instrumentação com OpenTelemetry desde o início do projeto, o armazenamento de configurações sensíveis no Parameter Store e a integração dos agentes com eventos de repositório por meio de pipelines de integração e entrega contínua, em vez de uploads manuais. Os autores também sugerem o uso do Amazon Bedrock Guardrails em ambientes produtivos para aplicar filtros de conteúdo e validações de aderência aos dados de origem, evitando respostas inseguras ou alucinações em referências a CVEs.
O conteúdo foi elaborado pelos arquitetos de soluções da AWS Arghya Banerjee, Ram Pathangi, Kunal Ghosh e Ananth Kommuri, e está disponível nos repositórios públicos da empresa名为 sample-to-create-mermaid-entity-diagrams-from-sql-using-agentic-ai-on-agentcore e sample-agentic-secure-software-handoffs.
