
LES AGENTS D'INTELLIGENCE ARTIFICIELLE DANS AWS AVEC BEDROCK AGENT CORE
Découvrez comment AWS Bedrock Agent Core révolutionne l’IA agentique. Cet article définit les concepts clés (GenAI vs Agents) et détaille le framework d’orchestration de Bedrock. À travers une analogie avec Kubernetes, explorez les composants critiques : Runtime sécurisé, Gateway (MCP, APIs), Memory persistante et outils intégrés (Code Interpreter). Un guide complet pour architecturer, sécuriser et industrialiser vos agents autonomes sur AWS. Par Frédéric de Lavenne.
Depuis quelque temps maintenant l'IA générative et l'IA agentique sont omniprésentes dans l'actualité technologique. Prenons le temps de redéfinir ces notions avant d'aborder le vif du sujet :
- Generative AI : génération de contenu à partir de modèle entrainé avec ou sans interface conversationnelle
- Agentic AI : il s'agit d'un ou plusieurs agents qui peuvent collaborer ou non, mais surtout de façon autonome, planifiés, qui peuvent faire appel à des outils et à de la mémoire et qui ont un raisonnement itératif
Le mot clé dans l'environnement AWS va être Bedrock. Effectivement c'est là que sont regroupés les différents outils/services autour de l'IA agentique, mais pas uniquement.
Le service Bedrock Agent Core est un framework d'orchestration d'agents. Pour explorer Agent Core, nous commencerons par voir comment créer un agent avec Bedrock Agent, puis nous détaillerons les capacités d'orchestration avancées qu'offre Agent Core.
Concentrons-nous d'abord sur Bedrock Agent qui va nous permettre de créer rapidement des agents IA
Bedrock Agent
Créer un agent avec Bedrock Agent est assez simple. Il faut d'abord définir si l'on souhaite travailler en collaboration multi-agent. Puis il faudra choisir le modèle (LLM) que l'on souhaite utiliser. Il y a actuellement plus de 200 modèles disponibles sur AWS selon les différentes régions.
Il vous faudra ensuite donner à l'agent ses instructions (décrire par des phrases et des exemples quel est son rôle, ou quelle tâche il doit effectuer). Il est également possible de lui ajouter de la mémoire en nombre de jours et nombre de sessions. Enfin nous pouvons lui associer une base de connaissances (Knowledge Base). Il est possible d'ajouter la partie Guardrail (garde-fous) et une fonction multi-agent.
Pour résumer, afin de créer un simple agent, il faut choisir le modèle avec lequel on souhaite travailler, définir le rôle de l'agent, ajouter de la mémoire persistante ou non, donner accès à une base de connaissances ou non, et nous avons un agent fonctionnel.
Nous allons maintenant voir comment gérer nos agents avec Bedrock Agent Core
Bedrock Agent Core
Il s'agit d'un framework permettant d'orchestrer et d'exécuter des agents d'intelligence artificielle, tout en offrant un haut niveau de personnalisation des couches d'exécution déjà présentes dans Bedrock Agents.
Agent Core permet notamment de définir finement l'hébergement, la sécurité, l'orchestration, la mémoire, les outils et l'observabilité des agents.
On peut faire une analogie fonctionnelle avec Kubernetes : de la même manière que Kubernetes orchestre et exécute des conteneurs sans se soucier de leur logique applicative, Agent Core orchestre et exécute des agents sans intervenir sur le modèle de raisonnement lui-même.
Le diagramme que l'on retrouve dans la console illustre bien cette architecture :

source: AWS Console
Décomposons maintenant les différents composants de cette architecture.
RUNTIME
Le Runtime correspond à l'environnement d'hébergement et d'exécution des agents ou des outils. Il s'agit d'un environnement serverless, sécurisé et spécifiquement conçu pour exécuter des agents d'intelligence artificielle.
Dans cette section, nous définissons où et comment l'agent est exécuté. Le code de l'agent peut être fourni directement via la console, stocké dans un bucket S3 ou packagé sous forme d'image Docker hébergée dans Amazon ECR.
Agent Core Runtime est agnostique du framework : il permet de déployer aussi bien des agents développés avec des frameworks populaires (LangGraph, CrewAI, Strands, etc.) que des agents personnalisés, sans dépendance à un framework spécifique.
Chaque session utilisateur s'exécute dans une microVM dédiée, avec une isolation complète des ressources (CPU, mémoire, système de fichiers). Cette isolation garantit la séparation des sessions, empêche toute contamination inter-session et sécurise les processus de raisonnement stateful. À la fin d'une session, la microVM est détruite et la mémoire est nettoyée.
Le Runtime supporte aussi bien des interactions temps-réel que des exécutions longues, pouvant aller jusqu'à plusieurs heures, ce qui permet de traiter des raisonnements complexes, des workflows asynchrones ou des scénarios multi-agents.
Il est également possible de configurer :
- l'authentification entrante (Inbound authentication),
- le déploiement de l'agent sur une zone publique ou dans un VPC,
- des variables d'environnement,
- ainsi que l'authentification sortante pour accéder à des services tiers.
Enfin, le Runtime applique un modèle de facturation à la consommation, facturant uniquement les ressources réellement utilisées, et intègre des capacités natives d'observabilité permettant de tracer les étapes de raisonnement, les appels d'outils et les interactions avec les modèles.
GATEWAY
Comme son nom l'indique, c'est un portail pour communiquer avec le monde extérieur ; cela va nous permettre de connecter des ressources supplémentaires à notre agent. Nous allons essayer de rester assez simples dans cette section qui peut vite être complexe.
Il faut d'abord configurer l'authentification sur la partie entrante, par défaut en utilisant un token type JWT, mais il est aussi possible d'utiliser IAM Permission. Il y a une option pour utiliser une KMS key personnalisée afin d'encrypter tout le trafic.
Vient enfin la partie target qui est vraiment l'endroit où l'on définit ce que nous souhaitons connecter et là 5 choix sont possibles : MCP serveur, Lambda ARN, REST API, API Gateway, Integrations.
Je souhaite apporter un peu de détails ici car cette partie permet d'amener une vraie plus-value à un agent.
Le MCP nous permet de nous connecter à un serveur MCP pour rappel, le MCP permet de faire de l'échange normalisé avec d'autres systèmes, comme un serveur de documentation, ou d'interagir avec GitHub, etc. (il s'agit d'une source d'information fiable externe à l'agent). Pour l'anecdote, MCP a été développé pour permettre de normaliser les échanges car avec les APIs il n'y a pas de norme standard (pour interagir avec un agent) chaque entreprise développe de façon personnalisée.
Lambda ARN : cette target (ou cible en français) est un connecteur vers une fonction Lambda. Cela peut permettre par exemple de donner comme paramètre à un agent : "pour effectuer telle tâche, cela peut être fait par la Lambda X ou Y", et l'agent prend l'output de la Lambda pour le raisonnement de son objectif.
REST API : cela va nous servir si justement on veut communiquer avec une API REST. L'agent va communiquer en MCP vers l'API et la Gateway va transformer cet appel MCP en requête HTTP API.
API Gateway : permet exactement la même chose que REST API mais en passant par une API Gateway.
Integrations : Permet de se connecter avec un fournisseur externe comme Amazon, Microsoft, Jira, SAP, etc. Pour simplifier, ici en fournissant une API key vers l'un de ces fournisseurs, la Gateway Agent Core va transformer en protocole MCP les appels vers ces fournisseurs.
MEMORY
Parlons maintenant de la partie mémoire, car effectivement un agent avec de la mémoire c'est quand même plus intéressant et là encore AWS nous permet de personnaliser les paramètres. Celle-ci va nous permettre de garder en mémoire du contexte, des connaissances et des préférences utilisateurs au travers des différentes sessions.
Pour créer de la mémoire il va nous falloir premièrement définir un nom pour celle-ci.
Il est possible de choisir une rétention entre 7 jours et 1 an.
Il est possible d'encrypter la mémoire avec une clé KMS personnalisée. Si elle n'est pas spécifiée, une clé par défaut sera utilisée par AWS.
Ensuite nous pouvons définir une stratégie pour la mémoire selon le tableau suivant :

source: AWS Console
5 possibilités sont offertes :
- Stratégie prédéfinie par AWS.
- Remplacer le traitement de la mémoire via un modèle de fondation et des modèles de prompt.
- Stratégie auto-gérée : Définir la logique de traitement de la mémoire dans votre propre environnement.
Détaillons un peu les stratégies prédéfinies :
- Summarization : Cette stratégie va générer un condensé en temps réel de chaque conversation, cela va permettre à l'agent de récupérer le contexte très rapidement.
- Semantic : Se base sur des faits et apprend par des exemples.
- User preferences : Va retenir les préférences utilisateur, apprend au fil du prompt pour retenir les préférences de l'utilisateur.
- Episodic : Transforme ce qui s'est passé (actions, contexte, résultat) en un épisode structuré puis tire des leçons pour faire mieux la prochaine fois.
POLICY
La partie policy est pour le moment en mode preview ; elle assure une application déterministe en temps-réel afin de garantir que les agents restent dans les limites définies sans les ralentir.
Ici cela nous permet de créer un moteur de policy (entendez ici une suite de règles). Les règles s'appliquent à une ou toutes les Gateway (vu plus haut).
Quand on crée une nouvelle règle, il y a deux façons de faire : soit en langage naturel, soit en suivant un questionnaire.
Le détail est bien expliqué dans la documentation officielle.
Ce que nous importe de retenir ici c'est que nous avons la possibilité de donner des autorisations ou interdictions à un agent.
IDENTITY
Cette partie va nous permettre de mettre en place de l'authentification en amont et/ou en aval d'un agent.
Inbound auth et outbound auth et ceci va pouvoir se faire par un OAuth client ou une API Key.
Pourquoi en amont ? Pour permettre une authentification avant de pouvoir utiliser l'agent, l'appelant à l'agent s'authentifie.
Puis en aval pour que l'agent puisse avoir accès à certains outils comme une Gateway (comme nous avons vu précédemment), une ressource externe ou bien encore un autre service AWS via IAM.
BUILT IN TOOLS OU OUTILS INTÉGRÉS
Deux outils disponibles ici : Browser (ou navigateur) et Code Interpreter.
Pour le navigateur : il sert à ce que l'agent puisse utiliser un navigateur Chrome managé et sécurisé, exécuté dans l'environnement Agent Core Runtime. Il est possible d'utiliser celui fourni par AWS déjà disponible par défaut ou alors de créer un nouveau navigateur. Par ailleurs, en créant un nouveau navigateur, il est possible d'ajouter un S3 bucket pour avoir les logs de navigation et pouvoir accéder au replay.
Pour le Code Interpreter : il s'agit d'un bac à sable où l'agent peut exécuter du code Python de manière sécurisée soit sur une sandbox, soit sur l'environnement du VPC ou alors public pour avoir accès à internet par exemple.
TEST
Agent sandbox : Dans la console, cela nous permet directement d'interagir avec un agent Bedrock afin de tester des prompts.
ASSESS
Nous retrouvons deux items ici qui sont Observability qui va nous renvoyer vers CloudWatch afin de pouvoir accéder aux métriques de Bedrock Agent Core, et evaluations qui vont nous permettre de créer des profils d'évaluation pour l'agent.
L'évaluation pourra porter sur les items suivants :
- Exactitude
- Utilité
- Concision
- Respect des instructions
- Fidélité
- Pertinence de la réponse
- Cohérence
- Refus
CONCLUSION
Nous avons exploré les différents composants de Bedrock Agent Core, un framework d'orchestration qui offre un contrôle granulaire sur l'exécution des agents IA. De la gestion du Runtime à la configuration de la mémoire, en passant par les Gateway et les outils intégrés, AWS met à disposition une architecture modulaire et flexible.
L'analogie avec Kubernetes que nous avons évoquée prend tout son sens : de la même manière qu'EKS a démocratisé l'orchestration de conteneurs, Bedrock Agent Core se positionne comme l'orchestrateur d'agents IA. Cette approche permet de construire des agents autonomes avec des capacités avancées : observabilité complète, mémoire persistante, sécurité renforcée et intégration avec l'écosystème AWS. La possibilité de composer ces briques selon les besoins ouvre la voie à des architectures multi-agents sophistiquées, capables de gérer des workflows complexes de manière scalable.
Bedrock Agent Core s'impose ainsi comme une solution robuste pour industrialiser le déploiement d'agents IA en production, tout en conservant la flexibilité nécessaire pour s'adapter aux évolutions rapides de cette technologie.
À propos de l'auteur :
Frédéric de Lavenne : Passionné par l'IA et les architectures Cloud. Retrouvez-moi sur LinkedIn pour échanger sur vos projets ou poser vos questions !
Enjoyed reading this content? Let the author know!
Your likes, comments, shares, and saves help creators reach more builders.
Loading recommendations
Loading article