AWS AgentCore Harness: Bangun Agen AI Lebih Cepat

AWS AgentCore Harness hadir untuk mengurangi pekerjaan teknis yang sering menghambat pengembangan agen AI di lingkungan produksi. Alih-alih merancang loop orkestrasi, mengelola sandbox, menyambungkan memori, mengamankan kredensial, dan membangun observabilitas dari nol, tim cukup mendefinisikan model, instruksi, tools, serta skills yang dibutuhkan. Amazon Bedrock AgentCore kemudian menangani lapisan operasionalnya sebagai layanan terkelola.

Apa Itu AWS AgentCore Harness?

AWS AgentCore Harness adalah lingkungan agen AI terkelola yang menggabungkan konfigurasi model, instruksi, tools, skills, memori, compute, identitas, dan observabilitas ke dalam satu unit yang dapat dijalankan.

Istilah harness merujuk pada semua komponen yang membuat model bahasa besar atau large language model (LLM) mampu bertindak sebagai agen. Model saja dapat menghasilkan teks. Agar dapat menyelesaikan pekerjaan bertahap, model memerlukan akses tool, pengelolaan konteks, penyimpanan state, lingkungan eksekusi aman, serta mekanisme penanganan kegagalan.

Pada pendekatan konvensional, semua bagian tersebut harus dirakit sendiri. Sebuah tim mungkin perlu memilih framework agen, menulis logic untuk memanggil model dan tools secara berulang, menyiapkan container, menyimpan riwayat percakapan, membangun integrasi IAM, lalu menambahkan logging dan tracing.

Amazon Bedrock AgentCore Harness mengubah rangkaian pekerjaan itu menjadi konfigurasi. AWS menyediakan agent loop terkelola, sementara pengembang menentukan perilaku dan kemampuan agen.

Dokumentasi resmi AWS menjelaskan bahwa Harness dapat menjalankan agen pada microVM yang terisolasi untuk setiap sesi, dengan filesystem dan shell sendiri. Arsitektur ini membuat agen mampu membaca serta menulis file, menjalankan perintah, memakai tool, dan menyimpan konteks tanpa perlu mengelola server secara langsung. Dokumentasi AWS AgentCore Harness menjabarkan komponen serta batasan implementasinya secara lebih rinci.

Mengapa Membangun Agen AI untuk Produksi Tidak Sederhana?

Membuat prototipe chatbot biasanya cepat. Tantangan meningkat ketika agen harus digunakan banyak pengguna, terhubung ke data perusahaan, memanggil API, menjalankan kode, dan mempertahankan konteks percakapan secara aman.

Agen AI produksi tidak hanya membutuhkan model yang baik. Sistem tersebut juga harus mampu mengelola:

• Orkestrasi agent loop, yaitu siklus memahami permintaan, memilih tool, menerima hasil tool, lalu menentukan langkah berikutnya.
• Session state, agar percakapan tidak kehilangan konteks di tengah proses.
• Memori lintas sesi, agar preferensi atau riwayat penting dapat digunakan kembali.
• Isolasi eksekusi, terutama saat agen dapat menjalankan shell command atau kode.
• Akses identitas dan kredensial, agar tool dapat mengakses layanan internal tanpa mengekspos secret.
• Observabilitas, agar penyebab kegagalan, biaya, latensi, dan tool call dapat ditelusuri.
• Skalabilitas serta concurrency, ketika banyak pengguna menjalankan agen secara bersamaan.
• Kontrol versi, agar perubahan prompt atau tool dapat diuji sebelum diterapkan ke seluruh trafik.

Tanpa layanan terkelola, setiap kebutuhan tersebut biasanya menjadi proyek tersendiri. Organisasi dapat memakai Amazon Bedrock untuk inferensi model, AWS Lambda atau container untuk runtime, DynamoDB untuk state, Amazon S3 untuk artefak file, CloudWatch untuk log, serta framework seperti LangGraph atau Strands untuk mengatur loop agen.

Pendekatan tersebut tetap relevan untuk kebutuhan yang sangat khusus. Namun, waktu implementasi dan beban operasionalnya cenderung meningkat, terutama pada tahap awal produk.

Posisi AgentCore Harness dalam Ekosistem AWS

Untuk memahami peran Harness, penting membedakan beberapa layanan yang sering disebut bersamaan.

AgentCore Harness berada di atas primitive AgentCore seperti Runtime, Memory, Gateway, Identity, Browser, Code Interpreter, dan Observability. Pengembang tidak perlu menyambungkan seluruh primitive tersebut satu per satu untuk kasus penggunaan standar.

Secara sederhana, Amazon Bedrock menyediakan model. AgentCore menyediakan fondasi operasional untuk agen. Harness menyediakan cara yang lebih cepat untuk menyatukan fondasi tersebut menjadi agen yang siap dijalankan.

Di balik layar, Harness didukung oleh Strands Agents, framework agen open source dari AWS. Saat konfigurasi tidak lagi cukup, sebuah Harness dapat diekspor menjadi kode berbasis Strands untuk disesuaikan lebih lanjut.

Cara Kerja AWS AgentCore Harness

Alur dasar Harness berpusat pada dua API utama:

1. CreateHarness untuk mendefinisikan agen.
2. InvokeHarness untuk menjalankan agen.

Pada tahap definisi, konfigurasi dapat mencakup model, system prompt, tools, skills, memori, batas eksekusi, serta peran IAM. Setelah Harness tersedia, aplikasi memanggilnya dengan pesan pengguna dan runtimeSessionId.

Setiap invokasi dapat memicu beberapa langkah internal:

1. Agen menerima pesan dan konteks sesi.
2. Model menganalisis permintaan.
3. Jika diperlukan, model memilih tool.
4. Harness menjalankan tool pada lingkungan yang sesuai.
5. Hasil tool dikembalikan ke model.
6. Model menentukan langkah selanjutnya atau menyusun jawaban akhir.
7. Event, trace, penggunaan token, dan data operasional dikirim ke lapisan observabilitas.

Seluruh rangkaian tersebut dikenal sebagai agent loop. Pada agen yang dibangun sendiri, loop ini ditulis dan dipelihara dalam kode. Pada AgentCore Harness, AWS menangani loop standar tersebut sebagai layanan terkelola.

MicroVM Terisolasi untuk Setiap Sesi

Salah satu karakteristik penting dari AWS AgentCore Harness adalah penggunaan environment terisolasi per sesi. Setiap sesi agen berjalan dalam microVM tersendiri yang memiliki CPU, memori, filesystem, dan shell.

Isolasi per sesi memberi beberapa manfaat praktis:

• File kerja dari satu sesi tidak tercampur dengan sesi lain.
• Agen dapat membuat dokumen, mengunduh data, atau menjalankan skrip dalam ruang kerja sendiri.
• Risiko kebocoran data antar pengguna dapat dikurangi melalui pemisahan environment.
• Proses yang membutuhkan beberapa langkah dapat mempertahankan file kerja selama sesi berjalan.

Kemampuan ini relevan untuk agen yang melakukan tugas lebih dari sekadar menjawab pertanyaan. Contohnya termasuk:

Baca juga WordPress Credits: Peluang Kontribusi bagi Mahasiswa

• Agen analisis data yang membuat file CSV dan grafik.
• Agen coding yang memeriksa repository, mengubah file, lalu menjalankan pengujian.
• Agen riset yang mengumpulkan sumber melalui browser dan menyusun laporan.
• Agen dokumen yang menghasilkan file spreadsheet, presentasi, atau laporan teknis.

Harness menyediakan akses shell dan operasi file bawaan. Tool tersebut memungkinkan model menjalankan perintah atau membaca file ketika diperlukan, tanpa harus menambahkan integrasi tool terpisah untuk fungsi dasar filesystem.

Memori Sesi dan Memori Lintas Sesi

Agen yang tidak memiliki memori akan memperlakukan setiap interaksi sebagai percakapan baru. Untuk beberapa chatbot sederhana, kondisi ini mungkin cukup. Namun, banyak aplikasi membutuhkan kesinambungan konteks.

AgentCore Harness mendukung dua konsep yang perlu dibedakan.

Memori dalam sesi

runtimeSessionId berfungsi sebagai identitas sesi. Saat aplikasi memakai ID yang sama pada beberapa invokasi, Harness dapat mempertahankan konteks percakapan dalam sesi tersebut.

Pendekatan ini berguna untuk percakapan multi-turn, misalnya:

• Pengguna meminta analisis laporan.
• Agen meminta klarifikasi mengenai periode data.
• Pengguna menjawab klarifikasi.
• Agen melanjutkan analisis tanpa perlu menerima ulang seluruh riwayat percakapan.

Aplikasi tidak perlu mengirim semua pesan lama secara manual pada setiap permintaan. Harness mengelola kesinambungan konteks berdasarkan session ID.

Memori lintas sesi

Untuk kebutuhan yang lebih persisten, Harness dapat menggunakan AgentCore Memory. Memori ini memungkinkan agen menyimpan dan mengambil konteks di luar masa hidup satu session runtime.

Contoh penggunaannya:

• Agen dukungan pelanggan mengingat preferensi pelanggan.
• Agen produktivitas menyimpan format laporan yang sering dipakai.
• Agen internal mengingat konteks proyek dari percakapan sebelumnya.
• Agen analitik menyimpan ringkasan temuan untuk digunakan dalam sesi mendatang.

Pada konfigurasi managed memory, AWS dapat menyediakan memori dengan strategi seperti semantic memory dan summarization. Memori tetap perlu dirancang secara hati-hati karena semakin banyak data yang disimpan, semakin besar pula dampaknya terhadap biaya, privasi, retensi, dan kualitas konteks.

Dukungan Multi-Model dan Perpindahan Provider

Salah satu kemampuan yang menonjol dari AgentCore Harness adalah dukungan terhadap beberapa penyedia model. Harness dapat menggunakan model yang tersedia di Amazon Bedrock, serta model dari OpenAI, Google Gemini, dan provider lain melalui LiteLLM.

Fleksibilitas ini berguna karena tidak semua tugas memerlukan model yang sama. Satu model mungkin lebih cocok untuk perencanaan, model lain mungkin lebih ekonomis untuk klasifikasi, sementara model berbeda dapat dipilih untuk penulisan kode atau ringkasan.

AWS menyatakan bahwa model dapat diganti di tengah sesi tanpa kehilangan konteks percakapan. Secara konseptual, alurnya dapat terlihat seperti berikut:

1. Model A digunakan untuk menyusun rencana kerja.
2. Model B digunakan untuk menghasilkan kode.
3. Model C digunakan untuk meringkas hasil.
4. Harness mempertahankan konteks sesi di antara perubahan tersebut.

Kemampuan ini membuat strategi model routing menjadi lebih realistis. Organisasi dapat menentukan model berdasarkan kualitas, latensi, ketersediaan, biaya, atau kebutuhan kepatuhan.

Meski demikian, pergantian model perlu diuji secara menyeluruh. Setiap model memiliki perilaku, format tool call, tingkat kepatuhan instruksi, serta kualitas reasoning yang berbeda. Perpindahan model tidak otomatis menjamin konsistensi hasil.

Tools yang Dapat Dipakai oleh AgentCore Harness

Tool adalah mekanisme yang memungkinkan agen melakukan tindakan di luar proses generasi teks. Dengan tool, agen dapat mencari informasi, memanggil API, menjalankan kode, mengakses browser, atau meminta persetujuan manusia.

AgentCore Harness mendukung beberapa tipe tool utama.

AgentCore Browser

AgentCore Browser menyediakan browser terisolasi yang dapat dipakai agen untuk membuka halaman, melakukan navigasi, mengisi formulir, mengambil screenshot, dan membaca konten web.

Tool ini sesuai untuk alur kerja seperti:

• Riset pasar berbasis sumber publik.
• Pemantauan harga atau informasi produk.
• Pengumpulan data dari situs yang tidak menyediakan API.
• Pengujian alur pada aplikasi web.
• Pembuatan ringkasan dari beberapa halaman referensi.

Browser automation tetap perlu memperhatikan syarat penggunaan situs, kebijakan akses, batas robot, serta pengelolaan data pribadi. Agen tidak seharusnya diberi akses tanpa batas ke tindakan yang berisiko, seperti pembelian, perubahan akun, atau publikasi konten.

AgentCore Code Interpreter

Code Interpreter memungkinkan agen menjalankan kode dalam sandbox. Kemampuan ini bermanfaat ketika pekerjaan membutuhkan kalkulasi, transformasi data, visualisasi, atau pemrosesan file yang tidak praktis dilakukan hanya melalui teks.

Baca juga Gemini 3.6 Flash Resmi Rilis: Fitur dan Keunggulan

Contoh tugas yang cocok:

• Membaca spreadsheet dan mencari anomali.
• Menggabungkan beberapa file CSV.
• Menghitung metrik bisnis.
• Membuat grafik batang, garis, atau pie chart.
• Membersihkan data sebelum dianalisis.
• Menghasilkan file hasil seperti XLSX atau laporan terstruktur.

Salah satu demonstrasi penggunaan Harness memadukan Browser dan Code Interpreter untuk mengumpulkan topik dari Hacker News dan dev.to, lalu mengelompokkan frekuensi topik serta menghasilkan ringkasan tren beserta grafik. Pola serupa dapat diterapkan pada pemantauan sentimen, riset kompetitor, atau pelaporan operasional.

AgentCore Gateway

AgentCore Gateway berfungsi sebagai lapisan konektivitas untuk tool dan API. Gateway dapat mengekspos target seperti OpenAPI, Lambda, Smithy, maupun server MCP, lalu membuat target tersebut tersedia bagi agen sebagai tool.

Keunggulan Gateway terletak pada tata kelola akses. Organisasi dapat menerapkan autentikasi IAM atau JWT, kebijakan per tool, serta brokering kredensial tanpa harus membocorkan secret kepada model.

Arsitektur ini relevan untuk integrasi dengan:

• CRM dan sistem tiket.
• Database internal melalui API terkontrol.
• Sistem ERP.
• Layanan pembayaran.
• Platform analitik.
• Layanan AWS seperti Amazon S3, Athena, Redshift, atau CloudWatch.
• Endpoint Lambda yang menangani logika bisnis tertentu.

Remote MCP

Model Context Protocol atau MCP adalah standar koneksi antara model, agen, dan tool. Dengan Remote MCP, Harness dapat terhubung ke server MCP melalui URL.

MCP dapat mempercepat integrasi jika organisasi telah memiliki ekosistem tool berbasis standar tersebut. Namun, koneksi langsung ke server MCP perlu dikendalikan dengan ketat. Evaluasi keamanan, autentikasi, otorisasi, logging, dan batas tool tetap diperlukan sebelum digunakan pada workload produksi.

Inline Function untuk Human-in-the-Loop

Inline Function cocok saat agen perlu meminta tindakan dari sistem pemanggil atau manusia. Ketika model memutuskan memanggil tool tertentu, Harness mengirim event tool use dan menunggu hasil dikembalikan.

Pola ini berguna untuk keputusan berisiko tinggi, misalnya:

• Persetujuan pengembalian dana.
• Persetujuan pengiriman email ke pelanggan.
• Validasi sebelum mengubah data penting.
• Persetujuan sebelum membuat purchase order.
• Konfirmasi sebelum menjalankan perubahan pada infrastruktur.

Dengan pendekatan ini, agen dapat membantu menganalisis dan menyiapkan tindakan, sementara keputusan final tetap berada di tangan proses bisnis yang berwenang.

Skills untuk Memberi Keahlian Spesifik

Skills adalah kumpulan file, instruksi, skrip, atau panduan yang memberikan pengetahuan operasional kepada agen. Skill bukan hanya prompt panjang. Skill dapat berisi prosedur, template, file pendukung, dan kode yang dapat dipakai saat tugas membutuhkannya.

AgentCore Harness mendukung beberapa sumber skill:

• AWS Skills, yaitu katalog skill terkurasi dari AWS.
• Git, untuk mengambil skill dari repository publik atau privat.
• Amazon S3, untuk mengambil bundle skill dari bucket.
• Path, untuk mengacu ke lokasi skill pada container custom.

Pendekatan skill membantu memisahkan pengetahuan kerja dari instruksi inti agen. Sebagai contoh, agen dapat memiliki kemampuan umum untuk membantu analisis, tetapi hanya memuat skill spreadsheet ketika tugas melibatkan file XLSX.

Contoh skill yang relevan:

• Prosedur membuat laporan Excel.
• Standar penulisan tiket Jira.
• Pedoman keamanan cloud.
• Template laporan insiden.
• Workflow pemrosesan dokumen.
• Instruksi penggunaan API internal.
• Prosedur deployment aplikasi.

AWS juga menyediakan katalog skill yang mencakup area seperti SDK, IAM, infrastruktur sebagai kode, CloudWatch, Amazon Bedrock, analitik, database, keamanan, networking, serverless, dan storage.

Lingkungan Runtime dan Filesystem

Tidak semua agen membutuhkan environment custom. Untuk tugas umum, environment default dengan Python dan Bash dapat memadai. Namun, agen coding atau agen yang bekerja dengan dependensi khusus sering memerlukan konfigurasi runtime yang lebih spesifik.

AgentCore Harness mendukung penggunaan custom container image. Image dapat disimpan di Amazon ECR dan dipakai sebagai environment agen. Pendekatan ini berguna saat agen membutuhkan:

• Dependensi Python atau Node.js tertentu.
• CLI internal.
• SDK khusus.
• Toolchain pengembangan perangkat lunak.
• Library pengolahan data.
• File konfigurasi standar.
• Repository atau artefak aplikasi.

Selain environment, organisasi dapat memilih strategi filesystem sesuai kebutuhan persistensi.

Managed session storage

Managed session storage cocok untuk file kerja sementara yang perlu bertahan ketika microVM sesi berhenti dan dilanjutkan. Misalnya, agen membuat file analisis pada satu invokasi lalu melanjutkan pengolahan file yang sama pada invokasi berikutnya dalam sesi tersebut.

Amazon EFS

Amazon EFS cocok untuk data yang perlu dibagikan antar sesi atau antar Harness. Contohnya adalah koleksi dokumen referensi internal, bundle skill, file konfigurasi, atau dataset bersama.

Baca juga Kimi Work: Agen AI Desktop untuk Otomatisasi Kerja

Amazon S3 Files

S3 Files memungkinkan agen bekerja dengan file melalui operasi filesystem, sementara perubahan dapat disinkronkan ke bucket Amazon S3. Pola ini cocok untuk pipeline dokumen, output laporan, artefak analitik, atau penyimpanan file yang membutuhkan durabilitas tinggi dan versioning.

Pemilihan storage sebaiknya mengikuti prinsip minimal akses. Agen hanya perlu diberi akses ke path dan bucket yang benar-benar diperlukan untuk menyelesaikan tugas.

Observabilitas Terpadu untuk Agen AI

Agen dapat gagal dengan cara yang lebih kompleks daripada aplikasi API biasa. Kegagalan dapat berasal dari prompt, model, tool, koneksi jaringan, batas token, data tool yang tidak sesuai, kredensial, timeout, atau loop yang terlalu panjang.

Karena itu, observabilitas menjadi kebutuhan inti, bukan tambahan belakangan.

AgentCore Harness mengirim trace ke CloudWatch dan menyediakan tampilan terpusat terhadap aktivitas yang terjadi selama invokasi. Organisasi dapat menelusuri:

• Urutan langkah yang dilakukan agen.
• Tool yang dipanggil.
• Durasi setiap langkah.
• Error pada runtime atau tool.
• Penggunaan token.
• Aktivitas memori.
• Latensi respons.
• Konsumsi compute.
• Log dari primitive terkait, seperti browser atau code interpreter.

Dalam lingkungan AWS, Amazon CloudWatch dapat digunakan untuk mengamati metrik, log, alarm, dan trace secara lebih luas. Meski observabilitas sudah tersedia secara bawaan, strategi operasional tetap perlu dirancang.

Beberapa metrik yang layak dipantau antara lain:

• Tingkat error per Harness.
• Jumlah invokasi.
• Latensi p50, p95, dan p99.
• Durasi tool call.
• Jumlah langkah agent loop.
• Penggunaan token input dan output.
• Kegagalan autentikasi.
• Biaya memori dan retrieval.
• Rasio tool call yang berhasil.
• Jumlah invokasi yang diblokir oleh batas eksekusi.

Evaluasi dan Optimasi Agen

Agen yang berfungsi pada demo belum tentu konsisten pada trafik nyata. Respons dapat berubah ketika data berubah, tool mengalami error, model diperbarui, atau prompt mengalami modifikasi kecil.

AgentCore menyediakan evaluasi yang dapat digunakan untuk menilai trace agen dengan evaluator bawaan maupun evaluator custom. Evaluasi dapat menilai aspek seperti:

• Helpfulness atau tingkat kegunaan jawaban.
• Faithfulness atau kesesuaian jawaban dengan sumber/tool result.
• Safety.
• Kepatuhan terhadap format.
• Kualitas penggunaan tool.
• Keberhasilan menyelesaikan tugas.

Evaluasi dapat dijalankan secara online, berdasarkan trace tertentu, secara batch pada data historis, terhadap dataset uji, atau melalui simulasi pengguna sintetis.

Fitur optimasi dapat menghasilkan rekomendasi terhadap prompt dan deskripsi tool berdasarkan hasil evaluasi. Perubahan tersebut kemudian dapat diuji melalui varian konfigurasi dan pengalihan trafik, sehingga organisasi tidak perlu langsung menerapkan perubahan ke seluruh pengguna.

Pendekatan ini lebih aman dibanding sekadar mengubah system prompt berdasarkan intuisi. Namun, evaluasi otomatis tetap perlu dilengkapi review manusia, khususnya pada sistem yang memengaruhi keputusan bisnis, pelanggan, atau data sensitif.

Versioning dan Endpoint untuk Rilis yang Lebih Aman

Perubahan agen dapat terjadi pada banyak lapisan: model, prompt, tool, skill, konfigurasi memori, environment, limit, atau identitas. Perubahan kecil pada salah satu bagian tersebut dapat menghasilkan dampak besar terhadap perilaku agen.

AgentCore Harness mendukung immutable version saat konfigurasi diperbarui. Endpoint bernama seperti PROD atau STAGING dapat diarahkan ke versi tertentu.

Pola rollout yang lebih aman dapat dilakukan seperti berikut:

1. Buat atau perbarui konfigurasi Harness.
2. Hasil pembaruan menjadi versi baru.
3. Jalankan evaluasi dan pengujian pada endpoint staging.
4. Bandingkan hasil dengan versi sebelumnya.
5. Arahkan endpoint production ke versi baru setelah validasi.
6. Kembalikan endpoint ke versi lama jika terjadi regresi.

Model ini memudahkan rollback karena perubahan tidak perlu dibongkar satu per satu. Endpoint cukup diarahkan kembali ke versi Harness yang sebelumnya stabil.

Integrasi dengan AWS Step Functions

Tidak semua proses bisnis berbentuk satu percakapan agen. Banyak workflow memerlukan urutan langkah yang deterministik, approval, retry, percabangan, dan integrasi dengan layanan lain.

AgentCore Harness dapat dipanggil melalui state InvokeHarness di AWS Step Functions. Integrasi ini memungkinkan agen menjadi salah satu tahap dalam workflow yang lebih besar.

Contoh alur:

1. Dokumen baru masuk ke Amazon S3.
2. Step Functions memvalidasi file.
3. Harness mengekstrak dan merangkum informasi.
4. Lambda memeriksa hasil terhadap aturan bisnis.
5. Jika perlu, proses mengirim permintaan approval.
6. Output akhir disimpan ke sistem dokumen atau dikirim ke aplikasi lain.

Kombinasi agen dan workflow deterministik membantu membagi tanggung jawab secara tepat. Agen menangani tugas yang membutuhkan interpretasi, penalaran, atau pemilihan tool. Step Functions menangani urutan proses, kontrol error, retry, dan integrasi workflow yang lebih tegas.

Baca juga Canva Code 2.0 Rilis: Bikin Website AI Tanpa Coding

Contoh Use Case AWS AgentCore Harness

Agen riset dan penulisan

Agen riset dapat memakai browser untuk mengumpulkan sumber publik, memproses catatan melalui code interpreter, lalu menyusun dokumen atau spreadsheet. Memori membantu menjaga konteks topik jika riset dilakukan dalam beberapa sesi.

Konfigurasi minimal dapat mencakup:

• Model bahasa.
• AgentCore Browser.
• Gateway yang mengekspos web search.
• Skill untuk dokumen atau spreadsheet.
• Storage untuk menyimpan output.

Risiko utama pada use case ini adalah kualitas sumber. Agen perlu diarahkan untuk membedakan sumber primer, dokumentasi resmi, berita, opini, dan konten yang belum terverifikasi.

Agen analitik AWS

Agen analitik dapat membantu mengambil data dari layanan seperti Amazon Athena, AWS Glue, Amazon S3, Amazon Redshift, atau CloudWatch. Setelah data tersedia, Code Interpreter dapat membantu membuat ringkasan, tabel, atau visualisasi.

Akses terhadap layanan AWS harus dibatasi melalui IAM execution role. Prinsip least privilege penting agar agen hanya dapat membaca dataset atau menjalankan query yang sesuai mandatnya.

Contoh tugas yang realistis:

• Menjelaskan kenaikan biaya layanan cloud.
• Membuat ringkasan error aplikasi dari log.
• Mengidentifikasi tren penggunaan layanan.
• Menyusun laporan KPI operasional.
• Menganalisis anomali pada data transaksi.

Agen coding

Agen coding dapat memakai custom container yang berisi toolchain, dependency, dan kode aplikasi. Dengan filesystem serta shell, agen dapat membaca repository, menyusun rencana perubahan, mengedit file, dan menjalankan test.

Untuk integrasi repository, AgentCore Gateway dapat menghubungkan tool ke GitHub, GitLab, Bitbucket, atau API internal. Namun, akses push, merge, dan deployment sebaiknya memerlukan otorisasi eksplisit atau human approval.

Tugas yang dapat dikerjakan agen coding antara lain:

• Menjelaskan struktur kode.
• Mencari penyebab error.
• Membuat unit test.
• Mengusulkan perubahan konfigurasi.
• Membuat pull request.
• Menjalankan pemeriksaan statis.
• Membantu migrasi dependency.

Agen layanan pelanggan

Agen customer support dapat mengakses knowledge base, memeriksa status pesanan melalui API, membuat tiket, atau menyusun respons yang konsisten dengan kebijakan layanan.

Memori lintas sesi dapat berguna untuk menyimpan konteks pelanggan. Namun, penyimpanan data pelanggan perlu mengikuti kebijakan privasi, retensi data, klasifikasi informasi, dan batas akses yang jelas.

Agen operasi keamanan dan cloud

Agen operasional dapat membantu meringkas alert, memeriksa log, menyusun draft laporan insiden, atau memberikan rekomendasi langkah investigasi. Agen tidak seharusnya langsung diberi hak melakukan tindakan destruktif tanpa kontrol.

Pola yang lebih aman adalah:

• Agen membaca alert dan log.
• Agen menyusun diagnosis awal.
• Agen menghasilkan rekomendasi.
• Sistem meminta approval untuk aksi perubahan.
• Tool automation menjalankan tindakan setelah persetujuan.

Kapan AgentCore Harness Tepat Digunakan?

AWS AgentCore Harness cocok untuk tim yang ingin membuat agen produksi tanpa harus membangun seluruh lapisan orkestrasi dan runtime sendiri.

Beberapa kondisi yang sesuai:

• Kebutuhan agen masih dapat diekspresikan melalui konfigurasi.
• Tool standar seperti browser, code interpreter, MCP, atau API gateway sudah cukup.
• Kecepatan dari ide ke prototipe bernilai tinggi.
• Tim ingin mengurangi pengelolaan container dan agent loop.
• Observabilitas, memori, dan identity terintegrasi dengan AWS dibutuhkan.
• Arsitektur utama sudah berada di ekosistem AWS.
• Pengujian versi serta rollback agen diperlukan.

Harness juga cocok untuk eksplorasi use case. Konfigurasi model, prompt, tool, atau skill dapat diubah tanpa menulis ulang seluruh runtime agen.

Kapan Lebih Baik Memakai AgentCore Runtime atau Framework Berbasis Kode?

Harness bukan jawaban terbaik untuk setiap kasus. Ada kebutuhan yang lebih cocok dibangun dengan kode langsung menggunakan AgentCore Runtime dan framework seperti Strands, LangGraph, atau pendekatan custom.

Pertimbangkan runtime berbasis kode jika kebutuhan meliputi:

• Orkestrasi multi-agent yang kompleks.
• State machine khusus dengan banyak aturan deterministik.
• Routing model yang sangat spesifik.
• Algoritma perencanaan custom.
• Integrasi yang membutuhkan kontrol penuh terhadap siklus eksekusi.
• Instrumentasi yang sangat disesuaikan.
• Portabilitas lintas cloud sebagai prioritas utama.
• Kebutuhan jaringan atau runtime yang tidak dapat dipenuhi konfigurasi Harness.
• Pengendalian detail terhadap retry, caching, atau scheduling.

Harness tetap menyediakan jalur transisi. Konfigurasi yang sudah dibuat dapat diekspor menjadi proyek berbasis Strands. Dengan demikian, tim dapat memulai dari konfigurasi lalu berpindah ke kode ketika kompleksitas produk bertambah.

Keamanan dan Tata Kelola Akses

Agen yang memiliki akses tool dapat memengaruhi sistem di luar model. Karena itu, keamanan tidak boleh hanya bergantung pada prompt yang meminta agen “berhati-hati”.

Baca juga Gemini Spark: Panduan Lengkap Agen AI Google 24/7

Kontrol keamanan yang relevan dalam AgentCore Harness mencakup:

• Inbound authentication, untuk menentukan siapa yang boleh memanggil Harness.
• IAM execution role, untuk menentukan layanan dan resource AWS yang dapat diakses agen.
• AgentCore Identity, untuk mengelola kredensial dan token provider eksternal.
• Gateway authorization, untuk mengatur akses per tool atau target API.
• VPC configuration, saat agen perlu mengakses resource privat.
• Tool allowlist, untuk membatasi tool yang tersedia pada invokasi tertentu.
• Invocation limits, untuk membatasi waktu, token, atau langkah agen.
• Human-in-the-loop approval, untuk tindakan penting.

Prinsip keamanan yang perlu diterapkan

1. Berikan akses minimum
   Peran IAM harus dibatasi pada action dan resource yang dibutuhkan. Hindari izin wildcard yang terlalu luas untuk agent runtime.

2. Pisahkan tool baca dan tool tulis
   Tool untuk membaca data dapat tersedia lebih luas. Tool yang mengubah data sebaiknya dibatasi, membutuhkan approval, atau menggunakan workflow tambahan.

3. Simpan kredensial di layanan identitas
   API key tidak boleh ditempatkan dalam system prompt, file teks biasa, atau output log. Gunakan mekanisme pengelolaan token dan secret yang tepat.

4. Batasi domain dan endpoint
   Browser serta remote MCP sebaiknya dibatasi sesuai kebutuhan bisnis. Akses web terbuka dapat meningkatkan risiko prompt injection dan eksfiltrasi data.

5. Validasi input dan output tool
   Tool perlu memeriksa parameter dari agen. Jangan menganggap parameter yang dibuat model selalu aman atau valid.

6. Gunakan audit trail
   Simpan log invokasi, tool call, identitas pemanggil, perubahan konfigurasi, dan error untuk keperluan investigasi.

7. Terapkan data classification
   Tentukan jenis data yang boleh diproses agen, disimpan di memori, atau dikirim ke model provider tertentu.

Risiko Prompt Injection pada Agen Berbasis Tool

Prompt injection terjadi ketika instruksi dari sumber eksternal mencoba memengaruhi agen agar mengabaikan aturan atau melakukan tindakan yang tidak semestinya. Risiko ini meningkat pada agen yang membaca halaman web, email, dokumen, tiket, atau konten pengguna.

Contoh pola berbahaya adalah dokumen eksternal yang berisi instruksi seperti meminta agen mengabaikan kebijakan, mengirim data rahasia, atau memanggil tool tertentu.

Mitigasi yang dapat digunakan meliputi:

• Memisahkan data eksternal dari instruksi sistem.
• Membatasi tool sensitif.
• Menerapkan approval sebelum tindakan berdampak besar.
• Menggunakan allowlist domain dan tool.
• Memvalidasi output model sebelum diteruskan ke API.
• Menandai konten eksternal sebagai data yang tidak tepercaya.
• Membatasi akses file dan jaringan.
• Melakukan evaluasi keamanan secara berkala.

Tidak ada satu kontrol yang sepenuhnya menghilangkan risiko prompt injection. Perlindungan perlu diterapkan pada beberapa lapisan, mulai dari desain tool hingga otorisasi aksi.

Biaya AWS AgentCore Harness

AWS menyatakan bahwa tidak ada biaya tambahan khusus untuk Harness. Biaya berasal dari capability dasar yang digunakan oleh agen.

Komponen biaya dapat meliputi:

Model biaya ini memberi fleksibilitas karena organisasi membayar sesuai pemakaian. Di sisi lain, biaya dapat meningkat jika agen terlalu sering memanggil tool, menyimpan memori berlebihan, menggunakan konteks panjang, atau melakukan agent loop yang tidak efisien.

Praktik untuk mengendalikan biaya

• Tetapkan batas maksimum token per invokasi.
• Batasi jumlah langkah agent loop.
• Gunakan model yang sesuai tingkat kompleksitas tugas.
• Hindari memberi browser pada tugas yang tidak memerlukannya.
• Ringkas konteks percakapan secara teratur.
• Atur retensi memori sesuai kebutuhan.
• Pantau tool call yang berulang.
• Buat alarm CloudWatch untuk lonjakan error dan konsumsi.
• Uji prompt agar agen tidak melakukan pencarian atau tool call yang tidak perlu.
• Pisahkan workflow deterministik dari workflow yang benar-benar membutuhkan reasoning model.

Langkah Awal Membuat AgentCore Harness

Pembuatan Harness dapat dilakukan melalui AWS Console, CLI, SDK, atau infrastruktur sebagai kode. Untuk eksperimen awal, console dan AgentCore CLI sering menjadi jalur tercepat.

Proses praktis dapat dimulai dengan urutan berikut.

1. Tentukan pekerjaan spesifik agen

Hindari memulai dari definisi “agen serbaguna”. Pilih pekerjaan yang jelas, misalnya:

• Meringkas laporan operasional.
• Menjawab pertanyaan berdasarkan dokumen tertentu.
• Membuat draft tiket dari alert.
• Menghasilkan analisis spreadsheet.
• Membantu pencarian knowledge base internal.

Batas tugas yang jelas memudahkan pemilihan model, tool, data, dan metrik evaluasi.

2. Susun system prompt yang operasional

System prompt perlu menjelaskan peran, tujuan, batasan, format output, serta aturan penggunaan tool. Instruksi harus cukup spesifik untuk mengarahkan perilaku, tetapi tidak perlu memuat seluruh pengetahuan domain jika skill atau tool dapat menyediakannya saat dibutuhkan.

Contoh struktur instruksi:

Peran: Analis operasional cloud.

Tujuan: Menjelaskan anomali biaya berdasarkan data yang diberikan.

Aturan:
- Gunakan tool analitik hanya ketika data tersedia.
- Jangan mengubah resource cloud.
- Bedakan fakta dari hipotesis.
- Berikan langkah verifikasi untuk setiap dugaan utama.
- Gunakan format tabel untuk ringkasan temuan.

3. Pilih model dan parameter inferensi

Pilih model berdasarkan kualitas reasoning, biaya, latensi, dukungan tool use, dan kebutuhan bahasa. Parameter seperti temperature, top-p, serta maksimum token perlu disesuaikan dengan tipe tugas.

Tugas yang membutuhkan konsistensi dan format ketat biasanya membutuhkan temperature lebih rendah dibanding tugas kreatif.

4. Tambahkan tool minimum yang diperlukan

Setiap tool memperluas kemampuan agen sekaligus memperbesar area risiko. Mulailah dengan tool paling sedikit yang dapat menyelesaikan pekerjaan.

Misalnya:

• Agen dokumen: filesystem dan skill dokumen.
• Agen analitik: Code Interpreter dan akses data terkontrol.
• Agen dukungan: gateway ke knowledge base dan sistem tiket.
• Agen riset: Browser dan web search melalui gateway.

5. Konfigurasi identity dan IAM

Buat execution role dengan izin minimum. Jika agen memerlukan akses API eksternal, gunakan mekanisme identitas yang aman dan jangan memasukkan secret ke dalam prompt atau kode client.

6. Tentukan strategi memori

Pilih apakah agen hanya membutuhkan konteks dalam sesi atau harus menyimpan informasi lintas sesi. Untuk informasi sensitif, definisikan dengan jelas data apa yang boleh disimpan, berapa lama retensinya, dan siapa yang dapat mengaksesnya.

Baca juga Claude Fable 5 Kembali Hadir Secara Global dengan Keamanan Lebih Ketat

7. Uji di playground dan SDK

Harness Playground dapat digunakan untuk menguji prompt, tool, dan perilaku dasar. Setelah itu, integrasikan melalui SDK untuk menguji alur aplikasi yang sebenarnya.

Contoh sederhana dengan Python dapat menggunakan pola berikut:

import boto3
import uuid

control = boto3.client(
    "bedrock-agentcore-control",
    region_name="us-west-2"
)

runtime = boto3.client(
    "bedrock-agentcore",
    region_name="us-west-2"
)

harness = control.create_harness(
    harnessName="AgenAnalitikOperasional",
    executionRoleArn="arn:aws:iam::123456789012:role/AgenAnalitikRole"
)

response = runtime.invoke_harness(
    harnessArn=harness["harnessArn"],
    runtimeSessionId=str(uuid.uuid4()).ljust(33, "0"),
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "text": "Analisis penyebab utama kenaikan biaya pada data ini."
                }
            ]
        }
    ]
)

for event in response["stream"]:
    print(event)

Contoh tersebut hanya menunjukkan pola dasar. Pada implementasi produksi, aplikasi perlu menambahkan penanganan error, pengolahan stream, validasi input, autentikasi pengguna, monitoring, serta pengendalian biaya.

Praktik Terbaik untuk Desain Agen yang Stabil

Mulai dari satu workflow bernilai tinggi

Agen yang berusaha melakukan terlalu banyak hal sejak awal sulit dievaluasi. Fokus pada satu workflow dengan input, output, tool, serta indikator keberhasilan yang jelas.

Contoh yang lebih mudah diukur:

• Mengubah alert operasional menjadi ringkasan insiden.
• Menjawab pertanyaan kebijakan dari dokumen resmi.
• Membuat laporan mingguan dari spreadsheet.
• Mengklasifikasikan tiket masuk dan mengusulkan prioritas.

Bedakan reasoning dan aksi

Agen dapat diberi kebebasan untuk menganalisis, tetapi aksi yang mengubah sistem perlu pembatasan lebih ketat. Pemisahan ini dapat dilakukan dengan tool read-only, tool write dengan approval, atau workflow Step Functions.

Rancang output yang terstruktur

Output terstruktur memudahkan integrasi dengan aplikasi lain. Selain jawaban naratif, agen dapat diminta menghasilkan format seperti JSON, tabel, daftar tindakan, atau objek yang mengikuti schema.

Namun, validasi tetap perlu dilakukan di sisi aplikasi. Jangan mengandalkan format model tanpa pemeriksaan schema.

Buat evaluasi sebelum skala penggunaan

Sebelum agen digunakan luas, siapkan kumpulan skenario uji:

• Permintaan normal.
• Permintaan ambigu.
• Input kosong atau tidak lengkap.
• Tool yang gagal.
• Data yang bertentangan.
• Instruksi berbahaya.
• Prompt injection.
• Beban konteks panjang.
• Kasus yang membutuhkan eskalasi manusia.

Skenario tersebut membantu mendeteksi kegagalan sebelum berdampak pada pengguna atau sistem produksi.

Dokumentasikan batas kemampuan agen

Setiap agen sebaiknya memiliki dokumentasi tentang:

• Tujuan utama.
• Data yang dapat diakses.
• Tool yang tersedia.
• Tindakan yang dilarang.
• Mekanisme approval.
• Batas token dan waktu.
• Jalur eskalasi jika agen tidak dapat menyelesaikan tugas.
• Metode pengukuran kualitas.

Dokumentasi semacam ini membantu tim engineering, keamanan, operasi, dan bisnis memiliki pemahaman yang sama tentang peran agen.

FAQ tentang AWS AgentCore Harness

Apa perbedaan AgentCore Harness dan AgentCore Runtime?

AgentCore Harness menyediakan agen terkelola berbasis konfigurasi. AgentCore Runtime menyediakan environment untuk menjalankan agen yang dibangun dengan kode sendiri.

Harness cocok ketika model, prompt, tools, skills, dan memori dapat dideklarasikan sebagai konfigurasi. Runtime cocok ketika orchestration custom dan kontrol kode penuh diperlukan.

Apakah AgentCore Harness hanya mendukung model Amazon Bedrock?

Tidak. Harness mendukung model yang tersedia melalui Amazon Bedrock, akses langsung ke OpenAI, Google Gemini, serta provider yang kompatibel dengan LiteLLM. Dukungan provider perlu dikonfigurasi sesuai kebutuhan autentikasi dan kebijakan organisasi.

Apakah Harness dapat mengingat percakapan?

Ya. Konteks percakapan dalam sesi dapat dipertahankan melalui runtimeSessionId. Untuk memori lintas sesi, Harness dapat menggunakan AgentCore Memory.

Apakah Harness dapat menjalankan kode?

Ya. Dengan AgentCore Code Interpreter, agen dapat menjalankan Python atau Node.js dalam sandbox. Agen juga memiliki shell dan operasi filesystem bawaan untuk kebutuhan tertentu.

Apakah AgentCore Harness aman untuk data perusahaan?

Keamanan bergantung pada konfigurasi. Harness menyediakan primitive seperti IAM, Identity, Gateway, microVM terisolasi, VPC, serta observabilitas. Organisasi tetap perlu menerapkan least privilege, pemisahan tool, validasi, retensi data, dan approval untuk tindakan berisiko.

Apakah AgentCore Harness cocok untuk workflow yang sangat kompleks?

Untuk use case dengan orkestrasi khusus, multi-agent yang rumit, atau kontrol eksekusi yang sangat detail, AgentCore Runtime dan framework berbasis kode dapat menjadi pilihan yang lebih tepat. Harness dapat menjadi titik awal, lalu konfigurasi diekspor ke Strands saat kebutuhan berkembang.

Kesimpulan

AWS AgentCore Harness menawarkan cara praktis untuk membangun agen AI yang siap digunakan tanpa harus merancang seluruh orchestration dari nol. Dengan konfigurasi untuk model, tools, skills, memori, identitas, dan observabilitas, tim dapat bergerak lebih cepat sambil tetap menjaga fondasi operasional yang diperlukan untuk lingkungan produksi.

Baca juga Claude Sonnet 5: Model Agentic Terbaru Anthropic, Setara Opus

Nilai utamanya bukan sekadar kemudahan membuat agen, melainkan kemampuan menerapkan kontrol yang jelas saat agen mengakses data atau melakukan tindakan. Pembatasan IAM, validasi output, pengujian skenario gagal, serta approval untuk aktivitas berisiko tetap menjadi bagian penting dari desain. Harness mempercepat implementasi, tetapi tidak menggantikan tanggung jawab engineering dan keamanan.

Mulailah dari satu use case yang terukur, tetapkan batas agen sejak awal, lalu evaluasi hasilnya sebelum memperluas penggunaan. Pelajari dokumentasi AWS AgentCore untuk menentukan apakah Harness adalah fondasi yang tepat bagi agen AI berikutnya.

Referensi

AWS Documentation. (2026). AgentCore harness.

AWS. (2026). Amazon Bedrock AgentCore harness is now generally available: Go from idea to production-grade agent in minutes.

ClawAWS. (2026). AgentCore Harness: Sessions, tools, files, and when to skip it.

GitHub. (2026). agentcore-samples: 01-features/01-harness.

AWS re:Post. (2026). Getting Started with Amazon Bedrock AgentCore Harness.

AWS Fundamentals. (2026). Building Agents on AWS Just Got a Lot Easier.

Terraform Registry. (2026). Resource: aws_bedrockagentcore_harness.

DEV Community. (2026). What is an Agent Harness? A Hands-On Guide With AgentCore harness.

Forbes. (2026). Why AWS AgentCore Harness Is a Big Deal for Enterprise Agents.

ClawAWS. (2026). AgentCore Managed Harness Architecture: From Config File to Production.

GitHub. (2026). agentcore-samples: 01-features/01-harness/00-getting-started.