# Panduan AWS Bedrock AgentCore: Runtime, Gateway, Memory, Policy

> Fungsi setiap layanan AWS Bedrock AgentCore, harness vs Runtime, deploy agent OpenAI Agents SDK, tool lewat Gateway, policy Cedar, dan alasan tim Indonesia memakai Singapura.

URL: https://www.matthewswong.com/id/blog/aws-bedrock-agentcore-guide/

- Author: Matthews Wong (https://www.matthewswong.com/id/about/)
- Published: 2026-10-01
- Updated: 2026-10-01
- Category: DevOps

> **Key takeaway:** AWS Bedrock AgentCore adalah sekumpulan layanan agent yang bisa dipakai terpisah: harness dan Runtime menjalankan loop, Memory menyimpan konteks, Gateway dan Identity membuka akses tool, Policy menegakkan aturan Cedar di luar prompt. Framework apa pun, termasuk OpenAI Agents SDK, bisa di-deploy ke Runtime. AgentCore belum tersedia di Jakarta, sehingga tim Indonesia biasanya memakai Singapura.

Bayangkan sebuah distributor di Surabaya yang sudah menjalankan integrasi ERP-nya di AWS: Lambda function di depan modul purchasing, Cognito untuk portal internal, dan CloudWatch untuk semuanya. Tim sudah punya asisten procurement yang dibangun dengan OpenAI Agents SDK di laptop developer, dan pertanyaannya adalah di mana agent itu berjalan di production tanpa harus membangun sendiri isolasi session, autentikasi tool, dan audit log. AWS Bedrock AgentCore adalah jawaban yang ditawarkan AWS, dan hal pertama yang perlu dipahami: ini bukan satu produk, melainkan sekumpulan layanan modular yang bisa diadopsi satu per satu.

Panduan ini menjelaskan fungsi setiap layanan AgentCore, kapan harness yang terkelola sudah cukup dan kapan Anda men-deploy kode sendiri ke Runtime, cara merilis agent yang framework-agnostic dengan AgentCore CLI, bagaimana perilaku session, Gateway, dan Policy, serta apa arti ketersediaan region bagi tim di Indonesia. Setiap batas dan flag di bawah berasal dari developer guide AWS, blog AWS Machine Learning, dan referensi CLI per Oktober 2026.

## Apa sebenarnya AWS Bedrock AgentCore

AWS menggambarkan AgentCore sebagai platform agentic yang layanannya bisa bekerja bersama atau berdiri sendiri, dengan framework open-source dan foundation model apa pun. Kemandirian itulah pilihan desain yang penting. Anda bisa menjalankan agent di Runtime sambil tetap memakai memory store sendiri, atau hanya memakai Gateway untuk membuka API yang sudah ada sebagai tool MCP bagi agent yang berjalan di tempat lain. Sembilan layanan yang biasanya dievaluasi lebih dulu adalah berikut ini.

| Layanan | Fungsinya | Dipakai ketika |
| --- | --- | --- |
| Harness | Agent loop terkelola: model, system prompt, dan tool dideklarasikan lewat konfigurasi, setiap session berjalan di microVM terisolasi dengan akses filesystem dan shell | Anda ingin agent yang langsung jalan tanpa menulis kode orkestrasi |
| Runtime | Hosting serverless untuk kode agent Anda sendiri, dengan isolasi microVM per session dan kontrak protokol HTTP, MCP, A2A, serta AG-UI | Anda sudah punya agent di LangGraph, Strands, Google ADK, atau OpenAI Agents SDK |
| Memory | Riwayat percakapan jangka pendek per session plus record jangka panjang yang diekstrak oleh strategi seperti semantic, user preference, summary, dan episodic | Konteks harus bertahan setelah session berakhir |
| Gateway | Mengubah spesifikasi OpenAPI, model Smithy, dan Lambda function menjadi tool MCP serta menjadi pintu depan bagi MCP server yang sudah ada | Tool Anda berupa API internal yang tidak boleh dipanggil dengan credential mentah |
| Identity | Autentikasi inbound dan outbound untuk agent, kompatibel dengan IdP yang sudah ada seperti Cognito, Okta, Entra ID, dan Auth0 | Agent bertindak atas nama user yang sedang login |
| Code Interpreter dan Browser | Sandbox untuk Python, JavaScript, dan TypeScript, serta browser cloud terkelola yang bekerja dengan Playwright dan Browser Use | Agent harus menghitung, mengolah file, atau mengoperasikan UI web |
| Observability | Trace per langkah dan metrik di CloudWatch, dalam format yang kompatibel dengan OpenTelemetry | Selalu, sejak deploy pertama |
| Evaluations | Memberi skor pada session, trace, dan span dari agent Strands atau LangGraph yang diinstrumentasi dengan OpenTelemetry atau OpenInference | Anda butuh sinyal kualitas sebelum dan sesudah rilis |
| Policy | Policy engine yang terpasang di Gateway dan mengevaluasi setiap tool call terhadap aturan yang kompatibel dengan Cedar sebelum dijalankan | Ada tool call yang menyangkut uang, approval, atau data pelanggan |

Developer guide juga mencantumkan layanan yang lebih baru di sekitar inti ini: Payments untuk transaksi x402 dan Machine Payments Protocol, Optimization untuk A/B test prompt dan deskripsi tool, serta Registry yang mengkatalogkan agent, MCP server, dan skill. Semuanya berguna nanti; tidak satu pun wajib untuk membawa agent pertama ke production. Harganya berbasis konsumsi tanpa komitmen di muka, dan compute Runtime ditagih USD 0,0895 per vCPU-jam dan USD 0,00945 per GB-jam konsumsi aktif menurut pengumuman GA harness.

## Harness atau Runtime: siapa yang memegang agent loop

Harness mencapai general availability pada 18 Juni 2026, dan ini mengubah keputusan pertama. Dengan harness Anda sama sekali tidak menulis agent. Anda mendeklarasikan model, system prompt, dan tool, lalu AgentCore menjalankan reasoning loop, eksekusi tool, memory, dan pembuatan respons. CLI membuat project harness secara default; bagian tools adalah yang paling perlu dibaca dengan teliti.

Harness mendukung model Amazon Bedrock, OpenAI API secara langsung, Google Gemini, dan provider yang kompatibel dengan LiteLLM. Default yang terdokumentasi penting karena menentukan apa yang terjadi saat sebuah field dibiarkan kosong.

- Jika konfigurasi memory dihilangkan, harness menyiapkan managed memory dengan strategi SEMANTIC dan SUMMARIZATION.
- Event memory kedaluwarsa setelah 30 hari secara default, dengan kunci enkripsi milik AWS.
- Isolasi multi-tenant di dalam memory itu ditangani dengan namespace template, bukan satu store per pelanggan.
- Skill bisa dimuat dari skill bawaan AWS, repository Git, atau prefix S3.

> Mulailah dengan harness dan pindah hanya ketika menemui batas. CLI menyediakan perintah agentcore export yang mengubah harness menjadi agent Strands di Runtime, jadi prototipe tidak berakhir buntu. Pindah ke Runtime ketika Anda butuh orkestrasi yang tidak bisa diungkapkan lewat konfigurasi, misalnya langkah approval yang deterministik di antara tool call, atau framework yang sudah rutin diuji tim Anda.

## Deploy agent OpenAI Agents SDK ke AgentCore Runtime

Runtime bersifat framework-agnostic karena kontraknya hanya HTTP biasa. Untuk protokol HTTP, server Anda listen di 0.0.0.0 port 8080, menerima POST di /invocations dengan body JSON dan mengembalikan JSON atau Server-Sent Events, serta menjawab GET di /ping dengan status kesehatan. Python SDK bedrock-agentcore sudah mengimplementasikan kontrak itu, jadi agent OpenAI Agents SDK yang sudah ada hanya butuh wrapper tipis.

AgentCore CLI sekarang berupa package npm yang membutuhkan Node.js 20 atau lebih baru, ditambah Python 3.10 atau lebih baru untuk kode agent. Perintah create menerima Strands, LangChain_LangGraph, GoogleADK, OpenAIAgents, dan VercelAI sebagai framework, serta Bedrock, Anthropic, OpenAI, dan Gemini sebagai model provider. Di baliknya, deployment memakai AWS CDK.

Dua detail menghemat waktu. Build default CodeZip mengunggah zip ke S3 dan tidak butuh Docker; jika memilih build Container, image harus ARM64, dan ini hal pertama yang perlu dicek ketika container yang jalan di laptop x86 gagal health check setelah deploy. Lalu di Windows, perintah agentcore lama dari package pip bedrock-agentcore-starter-toolkit bisa menutupi CLI npm di PATH, jadi uninstall dulu sebelum mempercayai output versinya.

## Session: 8 jam, 15 menit idle, dan ID 33 karakter

Setiap session Runtime mendapat microVM sendiri dengan compute, memory, dan filesystem terisolasi, dan microVM itu dihentikan serta memorinya dibersihkan saat session berakhir. Session berhenti setelah 15 menit tanpa aktivitas secara default atau setelah masa hidup maksimum 8 jam di microVM, yang bisa diatur antara 60 sampai 28.800 detik lewat CLI. Session ID yang dikirim minimal 33 karakter, dan memakai ulang ID itulah yang mengarahkan request kembali ke microVM yang sama dan masih hangat.

Apa pun yang disimpan agent di memori proses atau disk lokal hilang ketika microVM berhenti. Session yang sudah berhenti bisa dilanjutkan pada invoke berikutnya dengan microVM baru, tetapi hanya data di mount session storage yang dikonfigurasi yang bertahan melewati siklus itu. Riwayat percakapan dan fakta yang harus bertahan lebih lama dari session tempatnya di AgentCore Memory atau database Anda sendiri. AgentCore juga tidak menegakkan user mana yang memiliki session mana, jadi portal ERP multi-tenant harus menyimpan pemetaan itu, beserta batas session per user, di backend-nya sendiri.

> Jika agent Anda melaporkan pekerjaan background lewat endpoint ping, kembalikan HealthyBusy hanya selama pekerjaan itu berjalan, dan jangan pernah memperbarui time_of_last_update di setiap ping. Developer guide memperingatkan bahwa timestamp yang maju di setiap ping terbaca sebagai perubahan status terus-menerus, sehingga idle timeout tidak pernah terpicu, session hidup sampai batas maksimum 8 jam dan bisa menghabiskan kuota session Anda. SDK sudah menangani ping; server yang ditulis manual adalah tempat masalah ini muncul.

## Gateway dan Identity: mengubah API ERP menjadi tool MCP

Gateway adalah bagian AgentCore yang paling langsung cocok dengan infrastruktur AWS yang sudah ada. Lambda function yang sudah membungkus API purchasing menjadi tool MCP cukup dengan mendaftarkannya sebagai gateway target beserta tool schema. Di sisi inbound, gateway berperan sebagai OAuth resource server yang memvalidasi token dari IdP Anda. Di sisi outbound, target Lambda dan Smithy memakai IAM role, sedangkan target OpenAPI memakai API key atau OAuth client credentials.

Ada dua konsekuensinya. Model tidak pernah memegang credential ERP; model memegang koneksi MCP ke gateway, dan gateway yang memegang role. Karena setiap tool call kini melewati satu titik, semuanya bisa dicatat, dicari, dan diatur di satu tempat. Untuk katalog tool yang besar, gateway juga menyediakan tool bawaan x_amz_bedrock_agentcore_search, sehingga agent bisa menemukan tool yang tepat lewat query bahasa alami alih-alih memuat semua schema ke context.

## Policy: batas deterministik di luar prompt

Instruksi seperti jangan pernah membuat purchase order di atas 50 juta rupiah adalah permintaan kepada model, bukan kontrol. Policy di AgentCore memindahkan aturan itu ke gateway: policy engine dipasang di gateway dan setiap tool call dievaluasi sebelum dijalankan. Policy ditulis dalam Dogwood, bahasa open-source yang kompatibel dengan Cedar, sehingga policy Cedar biasa tetap berjalan tanpa perubahan, dan policy juga bisa dirancang dalam bahasa alami lalu divalidasi terhadap tool schema.

Model evaluasinya singkat, dan aturan ketiga adalah yang paling sering mengejutkan.

- Deny by default: request hanya diizinkan jika ada permit yang cocok, jadi engine tanpa policy menolak semuanya.
- Forbid menang: forbid yang cocok selalu menolak request meskipun ada permit yang juga cocok, dan inilah yang membuat tombol darurat insiden bisa diandalkan.
- Permit tidak saling beririsan: dua permit pada satu action adalah alternatif, jadi untuk mewajibkan dua kondisi sekaligus, letakkan keduanya dalam satu permit atau tulis batasannya sebagai forbid unless.

> Cek mode enforcement sebelum mengandalkan policy apa pun. Jika konfigurasi policy engine di gateway diset ke LOG_ONLY, keputusan dicatat tetapi tidak ditegakkan, dan setiap tool call tetap berhasil. LOG_ONLY adalah cara yang tepat untuk menguji aturan baru terhadap traffic nyata; membiarkannya aktif di production berarti batas Anda hanya ada di log.

## Realitas region untuk Indonesia: AgentCore tidak ada di Jakarta

Region Asia Pacific (Jakarta), ap-southeast-3, sama sekali tidak muncul di tabel region AgentCore. Bagi tim di Indonesia, pilihan praktisnya adalah Asia Pacific (Singapore), ap-southeast-1, yang mendukung hampir semua layanan. Untuk Runtime, cakupan Malaysia lebih luas dari dugaan banyak orang, tetapi region itu tidak punya harness dan Memory.

| Kemampuan | Singapura | Malaysia | Jakarta |
| --- | --- | --- | --- |
| Harness | Ya | Tidak | Tidak tercantum |
| Runtime di microVM | Ya | Ya | Tidak tercantum |
| Runtime di Instances, session hingga 14 hari | Ya | Tidak | Tidak tercantum |
| Memory | Ya | Tidak | Tidak tercantum |
| Gateway, Identity, built-in tools, Policy, Evaluations, Observability | Ya | Ya | Tidak tercantum |
| Agent Registry | Tidak | Tidak | Tidak tercantum |

Ada dua konsekuensi operasional. Session agent, memory record, dan trace tersimpan di Singapura walaupun database ERP tetap di Jakarta, sehingga tool call melintasi batas region dan review klasifikasi data Anda harus mencakup apa saja yang bisa dibaca agent. Selain itu, latensi dari agent ke API yang di-host di Jakarta menambah waktu setiap tool call, sehingga lebih baik memakai sedikit tool yang kasar daripada banyak tool yang cerewet. Jika data tertentu tidak boleh keluar dari Indonesia, buat tool tersebut hanya mengembalikan ringkasan atau identifier, bukan record mentah.

## Bedrock Managed Agents dan memilih jalur Anda

Di DevDay pada 29 September 2026, OpenAI menyoroti Bedrock Managed Agents, limited preview yang pertama kali diumumkan pada April, yang mengambil fitur inti OpenAI Agents API, bisa disesuaikan untuk AWS, dan terhubung langsung ke resource AWS. Ini adalah opsi ketiga di samping harness dan Runtime, ditujukan bagi tim yang menginginkan model agent hosted milik OpenAI sementara data dan tata kelolanya tetap di dalam AWS. Karena masih preview, cek daftar region-nya sebelum membuat rencana; tidak ada apa pun di tabel region AgentCore yang menandakan deployment Jakarta akan segera hadir. Urutan yang masuk akal untuk tim yang AWS-first adalah sebagai berikut.

1. Buat prototipe di harness dengan model Bedrock atau OpenAI, tool lewat Gateway, dan memory default, lalu ukur apakah loop berbasis konfigurasi itu sudah cukup.
2. Pindah ke Runtime ketika Anda butuh orkestrasi di level kode, dengan framework yang sudah biasa diuji tim, seperti OpenAI Agents SDK atau LangGraph.
3. Letakkan setiap aksi tulis di balik Gateway dengan Policy engine, uji aturannya dalam LOG_ONLY, lalu beralih ke enforcement.
4. Evaluasi Bedrock Managed Agents hanya jika Anda memang menginginkan model OpenAI Agents API di AWS dan beban kerja Anda masih sesuai dengan batasan sebuah preview.

Kesalahan yang umum adalah mengadopsi semuanya sekaligus. Runtime plus Observability sudah merupakan deployment pertama yang lengkap; Memory, Gateway, dan Policy ditambahkan ketika muncul kebutuhan yang konkret, dan desain modular memang dibuat untuk itu.

AgentCore paling mudah dipahami sebagai jawaban terpisah untuk masalah yang terpisah: harness atau Runtime untuk tempat loop berjalan, Memory untuk apa yang bertahan setelah session, Gateway dan Identity untuk cara menjangkau tool, dan Policy untuk apa yang tidak boleh dilakukan agent. Pilih set terkecil yang menjawab kebutuhan hari ini, deploy ke Singapura jika Anda berada di Indonesia, dan tegakkan batas di gateway, bukan di prompt.

## Sumber

- AWS: What is Amazon Bedrock AgentCore? (developer guide)
- AWS: Use isolated sessions for agents in AgentCore Runtime
- AWS: AgentCore supported AWS Regions
- AWS Machine Learning Blog: AgentCore harness is now generally available
- AWS Machine Learning Blog: Introducing Amazon Bedrock AgentCore Gateway
- AWS: Policy in AgentCore, action and resource scoped policies
- The Decoder: OpenAI expands Codex and its API at DevDay

## Source links

- https://docs.aws.amazon.com/bedrock-agentcore/latest/devguide/what-is-bedrock-agentcore.html
- https://docs.aws.amazon.com/bedrock-agentcore/latest/devguide/runtime-sessions.html
- https://docs.aws.amazon.com/bedrock-agentcore/latest/devguide/agentcore-regions.html
- https://aws.amazon.com/blogs/machine-learning/amazon-bedrock-agentcore-harness-is-now-generally-available-go-from-idea-to-production-grade-agent-in-minutes/
- https://aws.amazon.com/blogs/machine-learning/introducing-amazon-bedrock-agentcore-gateway-transforming-enterprise-ai-agent-tool-development/
- https://docs.aws.amazon.com/bedrock-agentcore/latest/devguide/example-policies-action-resource.html
- https://the-decoder.com/openai-expands-codex-and-its-api-at-devday-with-security-scans-a-decisions-api-and-ultrafast/

## FAQ

### Apa itu AWS Bedrock AgentCore?

AWS Bedrock AgentCore adalah sekumpulan layanan modular untuk menjalankan AI agent di production: harness dan Runtime untuk menjalankan agent loop, Memory untuk konteks, Gateway dan Identity untuk akses tool, ditambah Code Interpreter, Browser, Observability, Evaluations, dan Policy. Setiap layanan bisa dipakai sendiri atau bersama, dengan framework dan foundation model apa pun.

### Apa bedanya AgentCore harness dengan AgentCore Runtime?

Harness adalah agent loop terkelola: Anda mendeklarasikan model, system prompt, dan tool lewat konfigurasi, lalu AgentCore menjalankan orkestrasinya. Runtime meng-host kode agent Anda sendiri yang ditulis dengan framework seperti OpenAI Agents SDK, LangGraph, Strands, atau Google ADK. Mulailah dengan harness dan pindah ke Runtime ketika butuh logika orkestrasi yang tidak bisa diungkapkan lewat konfigurasi.

### Bisakah agent OpenAI Agents SDK di-deploy ke AgentCore?

Bisa. Bungkus agent dengan BedrockAgentCoreApp dari Python SDK bedrock-agentcore, daftarkan entrypoint async yang memanggil Runner.run, lalu deploy dengan AgentCore CLI memakai opsi framework OpenAIAgents. SDK tersebut sudah mengimplementasikan kontrak HTTP POST /invocations dan GET /ping di port 8080.

### Berapa lama session AgentCore Runtime bertahan?

Secara default session berhenti setelah 15 menit tanpa aktivitas atau setelah masa hidup maksimum 8 jam di microVM, sedangkan Runtime Instances mendukung session hingga 14 hari. Setiap session berjalan di microVM sendiri, dan state di memori atau disk lokal hilang saat berhenti kecuali Anda mengonfigurasi session storage. Gunakan AgentCore Memory atau database sendiri untuk data yang harus bertahan lebih lama.

### Apakah AWS Bedrock AgentCore tersedia di region Jakarta?

Tidak. Asia Pacific (Jakarta), ap-southeast-3, tidak tercantum di tabel region AgentCore. Asia Pacific (Singapore) mendukung hampir semua layanan AgentCore, termasuk harness, Runtime, Memory, Gateway, dan Policy, sehingga menjadi pilihan umum bagi tim di Indonesia.

---

- HTML version: https://www.matthewswong.com/id/blog/aws-bedrock-agentcore-guide/
- English: https://www.matthewswong.com/en/blog/aws-bedrock-agentcore-guide/
- Site index for agents: https://www.matthewswong.com/llms.txt
- Sitemap: https://www.matthewswong.com/sitemap.xml
- API description (OpenAPI): https://www.matthewswong.com/openapi.json
