Bedrock AgentCore: soporte multi-agente con memoria

Por qué los equipos multi-agente siguen fallando en producción

El patrón es siempre el mismo. Un cliente escribe a tu bot de soporte, el agente de triaje lo clasifica y lo pasa a un especialista. El especialista pregunta qué integración estaba fallando. El cliente ya lo dijo, en el mismo hilo, hace cuarenta segundos. Desde su lado es una sola conversación con una sola empresa. Desde el workflow son dos agentes y el segundo arrancó sin contexto.

Las dos salidas típicas no son buenas. Pasar el transcript completo a cada especialista funciona hasta que la conversación supera la ventana de contexto del modelo. Mover el historial a una base vectorial funciona, pero ahora operás un pipeline de embeddings además de tu producto. Amazon Bedrock AgentCore, la plataforma de AWS para construir, conectar y optimizar agentes a escala, propone una tercera vía: que la memoria viva en el harness, no en el agente.

Qué es Amazon Bedrock AgentCore harness y por qué importa

AgentCore es la plataforma de AWS para construir, desplegar y operar agentes a escala con cualquier framework o modelo, según recoge CRN en su ranking de productos agentic de 2026. Su pieza clave, el AgentCore harness, ahora disponible de forma general (GA), envuelve un modelo como una capacidad gestionada: defines el agente en configuración — modelo, herramientas, instrucciones, skills — y el harness arma el loop por ti.

Dos propiedades de ese harness hacen viable un equipo de especialistas:

• Managed memory con scope por actor y sesión. Si el Actor ID identifica al cliente y no a un agente puntual, todos los especialistas leen y escriben el mismo historial, y ese historial sobrevive a una ejecución individual del workflow.
• Herramientas por invocación, no por agente desplegado. El modelo, las herramientas y las instrucciones viajan en cada llamada, así un solo agente cubre los cuatro roles del equipo en lugar de provisionar cuatro agentes separados. Las definiciones de herramientas cuentan como tokens de input aunque el agente no las use, así que este detalle también es cuestión de costos.

Cómo armar el equipo en n8n sin operar infraestructura

La integración oficial llega a n8n como nodo verificado de la comunidad bajo el nombre @aws/n8n-nodes-agentcore. Cuatro agentes corriendo sobre el mismo harness, ningún vector store que aprovisionar, ningún contenedor que construir. La plantilla publica un caso real de soporte con tres especialistas y un triaje.

El recorrido del cliente, según la guía técnica de n8n:

• When Chat Message Received recibe la pregunta.
• Set Customer Context convierte la sesión de chat en un identificador de cliente que cada agente envía como Actor ID y Session ID.
• Triage Agent clasifica la consulta y devuelve JSON con la categoría.
• Read Triage Decision la parsea y Route To Specialist la envía al especialista correspondiente.
• Format Reply y Post Answer To Slack publican la respuesta con la etiqueta del especialista que la produjo.

Los tres especialistas disponibles son: Analysis Specialist (con el AgentCore Code Interpreter como herramienta), Architecture Specialist (con el catálogo de skills de AWS) y Research Specialist (con las herramientas built-in de shell y file_operations). Cada herramienta se concede por invocación, no por agente, lo que mantiene cada llamada barata y especializada.

La división de responsabilidades entre n8n y AWS

Un punto clave que la propia documentación AWS señala: importa tanto dónde corre cada cosa como qué hace. La división es clara.

• n8n maneja el trigger, la decisión de routing y la respuesta final.
• AgentCore ejecuta el loop del agente y la memoria que sobrevive al workflow run, además de aislar cada sesión en su propio Firecracker microVM sin estado compartido ni filesystem compartido.

El resultado operativo: diez nodos en el canvas, dos credenciales y un solo recurso harness en lugar de cuatro. El tráfico es outbound, por lo que no necesitas exponer tu instancia de n8n a internet: las llamadas se firman con SigV4 y se dirigen a AWS. El ejemplo de la plantilla detalla que la primera ejecución toma dos o tres minutos mientras AWS aprovisiona el agente; las siguientes responden en segundos.

Por qué la memoria compartida por cliente cambia el体验 de soporte

La memoria de cada cliente se acumula sin que tengas que pegar cinco números de nuevo en la misma conversación. La plantilla lo demuestra con un ejemplo verificable: el cliente envía los volúmenes diarios de llamadas a la API (41.200, 38.900, 52.300, 61.800, 58.400) para una disputa de facturación. El Analysis Specialist ejecuta Python en el Code Interpreter, calcula la media de 50.520 y le responde que sí, está por encima del plan de 50.000 por 520 llamadas al día, un uno por ciento.

Cuando ese mismo cliente pregunta al siguiente mensaje cómo reestructurar su uso, un especialista distinto —Architecture Specialist con el catálogo de skills de AWS— responde usando esos mismos volúmenes. Nunca recibió los números. Los leyó de la memoria del cliente, que ambos agents comparten porque comparten Actor ID.

Sobre el coste, la propia documentación de AWS aclara que el harness no tiene cargo separado: se paga por las capacidades de AgentCore usadas, y la managed memory incurre en cargos estándar por eventos de corto plazo, registros de memoria de largo plazo y peticiones de retrieval. La plantilla crea un solo harness para los cuatro agentes; conviene eliminarlo al terminar para evitar cargos continuos.

Qué significa esto para tu startup

Si hoy tu soporte靠 multi-agente depende de pegar transcripts en cada handoff, esta arquitectura elimina la fricción del cliente y la carga operativa de mantener un vector store. Adoptarla antes que tu competencia es una decisión de retención.

Acciones concretas que puedes implementar esta semana:

• Mapea un caso real de soporte donde varios especialistas pisan la misma información ya entregada por el cliente. Identifica ese Actor ID y qué datos deberían persistir entre agentes.
• Prueba la plantilla verificada de n8n con @aws/n8n-nodes-agentcore en un entorno de staging. La instalación es desde Settings > Community Nodes > Install; la búsqueda del nodo es por "Amazon Bedrock AgentCore". Habilita el modelo de Claude que vayas a usar en la consola de Bedrock antes de la primera ejecución, ya que el acceso a modelos es opt-in por cuenta y región.
• Audita los costos de herramienta por invocación. Las definiciones de tools cuentan como tokens de input aunque el agente no las use, según advierte la propia documentación. Conceder herramientas solo cuando son necesarias reduce la factura sin tocar el código.

Contexto: dónde encaja Bedrock AgentCore en 2026

Amazon Bedrock AgentCore se ha consolidado como la apuesta de AWS para mover agentes de prueba de concepto a producción con ciberseguridad integrada, según el ranking de CRN sobre los 10 productos agentic más relevantes de 2026. AWS lanzó en 2026 capacidades como AgentCore Web Search (búsqueda web sin levantar infraestructura, con datos dentro del entorno del cliente) y Bedrock Managed Knowledge Base sobre AgentCore, además de la integración con Bedrock Guardrails para evaluar cada acción del agente frente a prompt injection, contenido dañino y exposición de datos sensibles.

MIT Technology Review, en un análisis patrocinado por Intel publicado en julio de 2026, señala que la mayoría de los harnesses agentic actuales están limitados y no miden el rendimiento global del sistema. La métrica útil, según ese análisis, no es la utilización promedio de CPU sino la latencia P95 de las tareas, porque los agentes alternan esperas de modelo con ráfagas cortas de cómputo intensivo. Para el caso de n8n + AgentCore, eso significa vigilar el tiempo de respuesta por especialista y dimensionar la flota por densidad de agentes por vCPU, no por conteo bruto.

La combinación n8n + AgentCore se sitúa en una capa práctica poco cubierta por los marcos de los hyperscalers: da a un founder o a un equipo pequeño una plantilla production-ready sin tener que operar Kubernetes, embeddings ni pipelines de retrieval. Es la diferencia entre un demo y un producto, y en 2026 esa diferencia se paga en retención y en CAC.

Fuentes

• Build multi-agent teams that remember every customer with Amazon Bedrock AgentCore
• The 10 Hottest Agentic AI Agents, Tools And Products Of 2026 (So Far) - CRN
• Building the enterprise environment for agentic AI - MIT Technology Review