AWS Builder Center

Builder Center

AWS Expands Its Agentic AI Microcredentials: Two New Hands-On Credentials for Builders

AWS Expands Its Agentic AI Microcredentials: Two New Hands-On Credentials for Builders

AWS has added two new hands-on microcredentials focused on securing agent identities and building the data layer for Agentic AI applications. Here is what they cover and what you should study before attempting them.

AWS Expands Agentic AI Microcredentials

AWS amplió su ecosistema de formación en Agentic AI con dos nuevas microcredenciales prácticas disponibles en AWS Skill Builder:
  • AWS Securing Agent Identities Demonstrated
  • AWS Databases for Agentic AI Demonstrated
A diferencia de una certificación tradicional, estas evaluaciones se realizan en un entorno AWS real, con desafíos técnicos, tiempo limitado y sin pistas.
AWS Certification → demuestra lo que sabes
AWS Microcredential → demuestra lo que puedes hacer

1. AWS Securing Agent Identities Demonstrated

Esta microcredencial se enfoca en la seguridad, identidad y permisos de los agentes de IA.
Un agente puede interactuar de forma autónoma con:
  • APIs
  • Bases de datos
  • Herramientas
  • Servicios AWS
  • Sistemas externos
  • Otros agentes
Por eso es fundamental controlar:
1
2
3
4
5
Quién es el agente
↓
Qué puede hacer
↓
A qué recursos puede acceder

Qué debes hacer

Trabajas con agentes basados en Amazon Bedrock AgentCore y debes detectar y corregir problemas relacionados con identidad y acceso.

Principales tareas

  • Configurar workload identities
  • Aplicar Least Privilege
  • Configurar permisos
  • Implementar autorización mediante JWT
  • Aplicar controles basados en tags
  • Proteger accesos entrantes
  • Configurar auditoría
  • Resolver problemas de autenticación y autorización

Tecnologías importantes

  • Amazon Bedrock AgentCore
  • AWS IAM
  • Amazon Cognito
  • AWS CloudTrail
  • Amazon CloudWatch
  • AWS Systems Manager
  • JWT
  • AWS Signature Version 4
  • Workload Identities
  • Tag-Based Access Control
  • Least Privilege

Authentication vs Authorization

Authentication

Responde a la pregunta:
Who are you?
Verifica la identidad del:
  • Usuario
  • Servicio
  • Aplicación
  • Agente

Authorization

Responde a la pregunta:
What are you allowed to do?
Determina qué recursos y acciones puede utilizar esa identidad.
En Agentic AI:
1
2
3
4
5
6
7
Authentication
↓
Verificar quién es el agente

Authorization
↓
Determinar qué puede hacer

JWT

JWT — JSON Web Token permite intercambiar información de identidad y autorización entre sistemas.
Puede utilizarse para controlar acceso a:
  • APIs
  • Agent endpoints
  • Aplicaciones
  • Servicios externos

Principio importante

Un agente solo debería acceder a los recursos necesarios para completar su tarea.

AWS Signature Version 4

AWS Signature Version 4 — SigV4 autentica solicitudes hacia servicios AWS.
1
2
3
4
5
6
7
SigV4
↓
AWS-native authentication

JWT
↓
Token-based authentication / authorization

2. AWS Databases for Agentic AI Demonstrated

Esta microcredencial se enfoca en la capa de datos de los agentes de IA.
Los agentes pueden necesitar acceso a:
  • Datos empresariales
  • Perfiles de usuarios
  • Historial de conversaciones
  • Memoria
  • Documentos
  • Embeddings
  • Knowledge Bases

Qué debes hacer

El objetivo es restaurar y solucionar problemas de un agente de inteligencia de clientes.
Trabajas con:
  • Amazon Aurora PostgreSQL
  • Amazon DynamoDB
  • pgvector
  • Amazon Bedrock Knowledge Bases
  • Agent Memory
  • RAG
  • Embeddings
  • MCP
  • Consultas SQL
  • Troubleshooting
La combinación principal es:
1
2
3
4
5
6
7
8
9
Databases
+
Agentic AI
+
RAG
+
Embeddings
+
MCP

Tecnologías principales

  • Amazon Aurora PostgreSQL
  • Amazon DynamoDB
  • Amazon Bedrock
  • Amazon Bedrock Knowledge Bases
  • AWS Lambda
  • AWS Secrets Manager
  • Amazon CloudWatch
  • PostgreSQL
  • SQL
  • pgvector
  • Embeddings
  • Vector Search
  • RAG
  • Model Context Protocol

Arquitectura de datos para agentes

No todos los datos deberían almacenarse de la misma forma.

Datos relacionales

1
2
3
4
5
6
Customers
Orders
Transactions
Products
↓
Aurora PostgreSQL
Ideal para:
  • Clientes
  • Pedidos
  • Transacciones
  • Productos
  • Información empresarial

Agent State / Memory

1
2
3
4
5
Session State
Conversation Metadata
Agent Memory
↓
DynamoDB
DynamoDB es útil para:
  • Estado de sesión
  • Memoria del agente
  • Metadata
  • Información que necesita baja latencia

pgvector + Embeddings

pgvector permite almacenar vectores directamente dentro de PostgreSQL.
1
2
3
4
5
6
7
Document
↓
Embedding Model
↓
Vector
↓
pgvector
Cuando llega una pregunta:
1
2
3
4
5
6
7
Question
↓
Embedding
↓
Vector Similarity Search
↓
Relevant Documents
Esto permite implementar arquitecturas de Retrieval-Augmented Generation — RAG.

Retrieval-Augmented Generation — RAG

RAG permite que un modelo consulte información externa antes de responder.

Ingesta

1
2
3
4
5
6
7
Documents
↓
Chunking
↓
Embeddings
↓
Vector Store

Consulta

1
2
3
4
5
6
7
8
9
User Question
↓
Retrieve Information
↓
Add Context
↓
Foundation Model
↓
Grounded Response
Es especialmente útil para:
  • Documentos internos
  • Información actualizada
  • Documentación técnica
  • Datos de clientes
  • Knowledge Bases

Amazon Bedrock Knowledge Bases

Permite conectar modelos fundacionales con información externa.
1
2
3
4
5
6
7
8
9
Documents
↓
Embeddings
↓
Vector Store
↓
Bedrock Knowledge Base
↓
Foundation Model
El agente puede recuperar información relevante antes de generar una respuesta.

Model Context Protocol — MCP

MCP — Model Context Protocol proporciona una forma estandarizada de conectar agentes de IA con:
  • Tools
  • APIs
  • Databases
  • Services
  • Data Sources
Arquitectura simplificada:
1
2
3
4
5
AI Agent
↓
MCP
↓
Tools / APIs / Databases
Esto es importante porque los agentes modernos no solo generan texto.
También pueden:
  • Interactuar con sistemas
  • Consultar herramientas
  • Ejecutar acciones
  • Acceder a datos externos

Cómo se complementan las microcredenciales

AWS Agentic AI Demonstrated

Enfoque: construcción y operación de agentes.
1
2
3
AWS Agentic AI Demonstrated
↓
Build Agents

AWS Databases for Agentic AI Demonstrated

Enfoque: datos, memoria, RAG y búsqueda vectorial.
1
2
3
AWS Databases for Agentic AI Demonstrated
↓
Build Data Layer

AWS Securing Agent Identities Demonstrated

Enfoque: identidad, autenticación y permisos.
1
2
3
AWS Securing Agent Identities Demonstrated
↓
Secure Agents

Arquitectura moderna de Agentic AI

Un sistema real de agentes necesita mucho más que un Foundation Model.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
Foundation Model
+
Agent
+
Identity
+
Permissions
+
Databases
+
Memory
+
RAG
+
Tools
+
MCP
+
Observability
+
Security
+
Governance
Las nuevas microcredenciales se enfocan en llevar agentes desde:
1
2
3
Prototype
↓
Production

Ruta de aprendizaje

Una posible ruta de aprendizaje sería:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
AWS Certified AI Practitioner
↓
AI / ML / GenAI Fundamentals
↓
AWS Agentic AI Demonstrated
↓
Build Agents
↓
AWS Databases for Agentic AI Demonstrated
↓
Data + Memory + RAG
↓
AWS Securing Agent Identities Demonstrated
↓
Security + Identity + Permissions
En resumen:
1
2
3
4
5
6
7
Understand AI
↓
Build Agents
↓
Connect Data
↓
Secure Agents

Qué estudiar

Para AWS Securing Agent Identities Demonstrated

Estudiaría especialmente:
  • AWS IAM
  • IAM Roles
  • IAM Policies
  • Least Privilege
  • Authentication
  • Authorization
  • Amazon Cognito
  • JWT
  • AWS SigV4
  • Tag-Based Access Control
  • Amazon Bedrock AgentCore
  • AWS CloudTrail
  • Amazon CloudWatch

Para AWS Databases for Agentic AI Demonstrated

Estudiaría especialmente:
  • PostgreSQL
  • SQL
  • Amazon Aurora PostgreSQL
  • Amazon DynamoDB
  • pgvector
  • Embeddings
  • Vector Search
  • RAG
  • Amazon Bedrock Knowledge Bases
  • AWS Secrets Manager
  • AWS Lambda
  • Amazon CloudWatch
  • MCP

Lo más importante

Estas microcredenciales son hands-on.
No basta con conocer la teoría.
Debes practicar con:
  • AWS Management Console
  • IAM Policies
  • Bases de datos
  • CloudWatch
  • CloudTrail
  • Troubleshooting
  • Integraciones entre servicios
  • Debugging de configuraciones
El objetivo es pasar de:
I know how it works
a:
I can build it,
secure it,
debug it,
and operate it.

Conclusión

Agentic AI está evolucionando desde simples interfaces conversacionales hacia sistemas capaces de:
  • Utilizar herramientas
  • Consultar bases de datos
  • Recuperar documentos
  • Mantener memoria
  • Ejecutar acciones
  • Interactuar con APIs
  • Conectarse con otros sistemas
Por eso, construir agentes preparados para producción requiere dominar:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
AI Models
+
Agents
+
Identity
+
Security
+
Databases
+
Memory
+
RAG
+
MCP
+
Observability
+
Governance
Las nuevas microcredenciales de AWS permiten validar estas habilidades mediante desafíos prácticos en entornos AWS reales.
En esencia, el camino es:
1
2
3
4
5
6
7
8
9
10
11
12
13
Learn the fundamentals
↓
Build agents
↓
Connect enterprise data
↓
Add memory and RAG
↓
Secure identities and permissions
↓
Observe, debug and operate
↓
Production-ready Agentic AI
# aws-certification# amazon-bedrock-agents# amazon-bedrock-agentcore# generative-ai# retreival-augmented-generation
Any opinions in this article are those of the individual author and may not reflect the opinions of AWS.
Enjoyed reading this content? Let the author know!

Your likes, comments, shares, and saves help creators reach more builders.

Loading recommendations

Loading article