Créer des agents IA pour WhatsApp avec Amazon Bedrock AgentCore
WhatsApp est l'une des messageries les plus utilisées en Amérique latine, en Inde et en Asie du Sud-Est, ce qui en fait un canal naturel pour déployer des agents d'IA. Mais l'intégration est bien plus ardue que l'agent lui-même, même lorsque celui-ci tourne déjà sur Amazon Bedrock AgentCore. Les messages entrants arrivent sous forme de charges utiles imbriquées, dépendantes du type, qu'il faut authentifier et normaliser. Les notes vocales, images et documents exigent chacun leur propre chaîne de traitement, et tout message envoyé plus de 24 heures après le dernier message de l'utilisateur doit utiliser un modèle approuvé par Meta. Il faut aussi une mémoire de conversation durable, des rappels planifiés et un point d'entrée authentifié pour les systèmes externes. Pour répondre à ce problème, AWS présente SMART (Social Messaging Agent Runtime Toolkit), un SDK Python open source accompagné d'une pile Terraform. Une seule commande déploie l'ensemble de l'infrastructure dans le compte AWS du client, qui fournit simplement un agent exécuté sur le runtime AgentCore.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de AWS ML Blog. Lire l'article original →
L'enjeu est considérable pour les équipes qui devaient jusqu'ici configurer plus de dix services AWS ou confier l'intégration à un prestataire tiers. SMART prend en charge la vérification des signatures des webhooks, le cycle de vie complet des médias dans les deux sens (téléchargement, transcription, stockage, nettoyage, envoi), la synchronisation des modèles de messages déclarés en YAML via une ligne de commande, ainsi que la mémoire de conversation, rattachée automatiquement à chaque numéro de téléphone. La planification s'appuie sur Amazon EventBridge Scheduler, et les tests peuvent se faire en local sans redéploiement. Le constructeur automobile en ligne Webmotors en est un exemple : prévu pour deux mois, son projet a été livré en six semaines, et l'équipe interne est passée en production contrôlée avant le lancement complet. Les développeurs conservent la maîtrise de ce qui fait la valeur de leur produit : le framework, le modèle, le prompt et la logique métier.
Le contrat entre SMART et l'agent est volontairement minimal : l'agent reçoit le message entrant et renvoie du texte, éventuellement accompagné de pièces jointes enrichies. La câblage des sessions, l'association de la mémoire et la planification des envois sont gérés par le toolkit. Cette approche repose sur deux briques d'AgentCore, plateforme pour construire, connecter et optimiser des agents à grande échelle avec n'importe quel framework ou modèle : le runtime, qui héberge et fait évoluer l'agent sans gestion d'infrastructure, et la mémoire, qui conserve l'historique entre sessions et déploiements. Le SDK reste agnostique : la mémoire est branchée automatiquement avec Strands Agents, tandis que LangGraph, Pydantic-AI ou tout autre framework donnant la main sur la boucle de conversation peuvent s'intégrer via les mêmes points d'accroche. Un fichier agent.py complet, généré après la commande d'initialisation socialagent init, suffit à définir un agent fonctionnel, par exemple avec un modèle Claude Haiku 5.5 ou tout autre modèle disponible sur Bedrock.
Les entreprises françaises et européennes peuvent déployer des agents WhatsApp dans leur propre compte AWS, mais l'article ne mentionne aucun cas d'usage ni contrainte réglementaire européenne.