Para montar um assistente de IA com contexto usando AgentCore e OpenClaw, o exemplo de jardinagem Sprout descrito pela AWS combina o AgentCore Runtime, o AgentCore Memory e duas entradas — Telegram e tarefas agendadas — que chegam ao mesmo agente. A AWS publicou o tutorial da implementação em 6 de outubro de 2026. O padrão é voltado a quem avalia uma implementação em nuvem e quer entender como as conversas podem alimentar a memória de sessões futuras.
Antes de começar
A implementação descrita exige acesso ao AgentCore Runtime e ao AgentCore Memory, além de acesso aos modelos escolhidos no Amazon Bedrock e um token de bot do Telegram. Também pressupõe familiaridade com orquestração e AWS CloudFormation. Para criar uma imagem personalizada, são necessários Docker com suporte a builds linux/arm64 e AWS CLI configurada.
O Sprout é um exemplo de assistente de jardinagem com recursos como clima, lembretes e anotações sobre plantas. OpenClaw fornece o ciclo do agente, ferramentas, habilidades e estado da sessão; os serviços do AgentCore sustentam a execução e a memória de longo prazo.
Como duas entradas chegam ao mesmo agente
As mensagens do Telegram seguem por uma API Gateway e uma função AWS Lambda que recebe o webhook. Já as tarefas programadas passam pelo Amazon EventBridge Scheduler e por outra Lambda, destinada a trabalhos agendados. Os dois caminhos invocam o mesmo agente no AgentCore Runtime.
Essa separação permite que uma conversa iniciada pelo usuário e uma tarefa agendada cheguem ao mesmo ponto de execução sem compartilhar a mesma entrada. Dentro do contêiner, um wrapper chamado server.py atende ao contrato HTTP do runtime: escuta na porta 8080, oferece GET /ping para verificação de saúde e recebe solicitações em POST /invocations. A documentação da AWS para o contrato HTTP do runtime detalha essa interface.
O contrato do runtime e as rotas dos modelos
No exemplo, Claude Haiku 4.5 atende às solicitações de texto por meio do gateway do OpenClaw. As solicitações com imagens seguem outra rota: server.py envia os bytes da imagem diretamente ao Amazon Bedrock, que usa Claude Sonnet 4.5. A mesma persona e o mesmo prompt de memória são usados nos dois caminhos.
A rota direta para imagens contorna uma característica da compilação do OpenClaw descrita pela AWS: ela descartava partes de conteúdo image_url. Por isso, o exemplo não encaminha essas solicitações pelo gateway; envia a imagem diretamente ao Bedrock.
Como os eventos da conversa viram memória de longo prazo
O AgentCore Memory registra os turnos da conversa como eventos de curto prazo. No fluxo descrito, os registros usam o identificador do chat do Telegram como actorId e também incluem um sessionId. A extração de informações para memória de longo prazo usa as estratégias USER_PREFERENCE, SEMANTIC e SUMMARIZATION, e ocorre de forma assíncrona. Uma informação recém-mencionada pode, portanto, ficar disponível para recuperação em uma sessão posterior.
Quando chega uma nova solicitação, o exemplo busca registros de longo prazo relacionados à mensagem e os inclui no prompt do sistema. A recuperação tem orçamento de 3 segundos e pode consultar até 50 registros; na montagem do contexto, preferências explícitas recebem prioridade sobre informações inferidas. Se a recuperação falhar ou exceder o tempo disponível, o agente ainda pode responder sem os registros recuperados.
Launch Stack ou imagem personalizada?
A AWS descreve duas rotas de implantação. A escolha depende de você preferir usar a imagem pública da amostra ou construir e enviar uma imagem própria.
| Caminho | Imagem | O que você precisa | O que a rota faz |
| Launch Stack | Imagem pública no Amazon ECR | Token de bot do Telegram | Usa o Launch Stack do CloudFormation para implantar a pilha. |
| Imagem personalizada | Imagem linux/arm64 criada para a implantação e enviada a um repositório privado no Amazon ECR | Docker com suporte a builds linux/arm64 e AWS CLI configurada | scripts/deploy.sh valida o modelo do CloudFormation, cria e envia a imagem, implanta a pilha e registra o webhook do Telegram. |
A primeira rota evita a etapa de construir uma imagem personalizada. A segunda inclui essa construção e o envio ao ECR privado, além da implantação e do registro do webhook. A arquitetura do contêiner usa uma imagem em linux/arm64.
Operação e limpeza
No exemplo, os namespaces de memória são organizados por identificador de chat do Telegram. A arquitetura também inclui AWS KMS para criptografia, AWS Secrets Manager para guardar o token do bot, Amazon CloudWatch para logs e métricas e Amazon S3 para armazenamento do espaço de trabalho.
Na etapa de limpeza descrita, a pilha é removida e o armazenamento de memória e seus namespaces são excluídos. Assim, a memória persistente faz parte do ciclo operacional do assistente: além de configurar a recuperação, é preciso incluir a remoção desses dados no processo de encerramento.
