Amazon Bedrock запустил код-интерпретатор для ИИ-агентов защиты от спама

Amazon запустил в составе платформы Bedrock AgentCore функцию Code Interpreter — управляемое облачное окружение для выполнения кода ИИ-агентами. Компания Abnormal AI, занимающаяся защитой от угроз в электронной почте, одной из первых развернула это решение в production-среде. Её ИИ-агенты обрабатывают миллиарды писем в день, используя Code Interpreter для анализа угроз в реальном времени — прямо перед тем, как сообщение попадёт в папку входящего. Abnormal AI защищает более четверти компаний из списка Fortune 500 и уже дошла до этапа, когда 80 процентов изменений своего кода команда пишет с помощью ИИ-агентов, причём 40 процентов код генерируется полностью без человеческого участия.

Code Interpreter работает как API-сервис, что позволяет гибко интегрировать его в существующие системы, не переделывая всю архитектуру. Агент может вызвать интерпретатор, запустить скрипт, загрузить файлы и получить результаты — это даёт ИИ то, что большим языковым моделям не хватает: способность выполнять вычисления, анализировать данные и верифицировать собственные ответы, когда одного рассуждения недостаточно.

В системе защиты Abnormal реализована трёхуровневая архитектура. На первом уровне работают лёгкие фильтры и эвристики — они обрабатывают миллиарды писем в день и отсеивают очевидный спам с минимальными затратами. Сомнительные случаи идут на второй уровень, где их анализируют полноценные машинные модели, обученные на поведенческих сигналах. Самые сложные угрозы, которые раньше требовали работы аналитика, попадают на третий уровень — к ИИ-агентам с Code Interpreter. Агенты получают данные об угрозе, динамически пишут скрипты для анализа, проверяют, соответствуют ли результаты поведенческой модели, и принимают решение. Параллельно работает отдельная система, которая учит ошибки классификации и улучшает результаты всех уровней.

Abnormal выбрала вариант Code Interpreter с полной изоляцией (без выхода в сеть) из соображений безопасности: так исключается риск, что вредоносный код проведёт боковую атаку или экспортирует данные. Сам интерпретатор использует временные виртуальные машины, которые удаляются после сеанса. Из практики эксплуатации в production компания выделила несколько важных принципов: агенты работают эффективнее, если им дать общие направления, а не жёсткий алгоритм; они дают качественнее результаты, когда могут самостоятельно проверять код и данные через unit-тесты прямо в песочнице; для долгих операций (например, обучение моделей свыше 30 минут) можно использовать файловую систему как контрольную точку — агент сохраняет состояние, запускает внешний процесс, а потом вновь вызывает интерпретатор для обработки результатов.

Для HoReCa это решение потенциально актуально в двух сценариях: во-первых, защита от фишинга и спама в корпоративной почте, если заведение имеет собственную IT-инфраструктуру или облачные сервисы; во-вторых, анализ больших объёмов данных (паттерны заказов, жалобы гостей, цепочки поставок), когда одной семантики недостаточно и нужны вычисления. Решение платное (AWS не раскрывает цены в статье) и требует интеграции с Bedrock. Главный риск — эффективность зависит от того, насколько хорошо агент обучен не переусложнять логику и от качества исходных данных, которые ему скармливают. Издание не раскрывает, какие затраты на вычисления несёт Abnormal при таком масштабе, и это важный вопрос для оценки применимости в среднем бизнесе.