AIエージェントを開発しよう！-AgentCore活用の勘所-

2026/2/7 JAWS-UG京都での登壇資料です。

Transcript

1. 2026/2/7(土) @_YukiOgawa AIエージェントを開発しよう！ -AgentCore活用の勘所- JAWS-UG京都 Bedrock AgentCoreで始めるAIエージェント開発
2. 2 自己紹介 • Awards • Community • Name, Attribute • 小川 雄喜 （おがわ ゆうき） • 製造業＠京都 • Favorite AWS Service
3. 3 • AIエージェントを展開・運用するためのマネージドサービス • インフラ管理を排除し、エージェントロジック構築に集中できる環境 Amazon Bedrock AgentCoreとは？ • Runtime：AIエージェントの実行環境 • Identity：認証機能 • Gateway：MCPツール集約、 • 外部サービスのMCPツール化 • Memory：記憶機能 • Observability：AIエージェントの挙動を可視化 • Evaluations：AIエージェントの評価機能 • Built in tools • Code Interpreter：コード実行環境 • Browser：ブラウザ実行環境
4. 4 AgentCoreユースケース チャットから自動でプレゼン資料を作成 ブラウザ拡張機能に独自機能を追加 出展：https://qiita.com/nasuvitz/items/58bfff56a5240e22c8a8 出展：https://github.com/minorun365/marp-agent AIエージェントに資料の内容を伝えるだけで、Web検索 後にMarkdown+Marpでプレゼン資料を自動で作成 Chromeの拡張機能として、ブラウザ中の選択した文章を APIを通じてエージェントで翻訳＋要約して表示
5. 5 実際にChrome拡張エージェントをデモ 参考：https://docs.aws.amazon.com/bedrock/latest/userguide/kb-how-data.html
6. 6 • 2024年 RAGブーム到来！ • 社内文書検索のRAGチャットボットが大流行！ • チャットボットと文書RAGが１：１となり、ツールの切り替えが煩雑に・・・ • 2026年 作成したRAGをAIエージェントで活用する時代へ！ • 1つのAIエージェントが、複数のRAGをツールとして利用できる • 各種サービスをMCP互換ツールとして利用でき、開発の幅が広がる • 既に公開されているRemote MCP Server • 独自開発したLambda関数やWeb API • Slack、GitHubなどの統合サービス RAGチャットボット → AIエージェントの時代へ
7. 7 個人的な推しポイント：Memory 今まで これから ユーザーごとの過去のやり取りや傾向を覚えてもら うには、独自にDBを構築＆やり取りを要約しておき、 LLM側に渡すような設計が必要だった Memoryを作って、 エージェントにHookするだけ！ AgentCoreリリース前に作った長期記憶を実現するエー ジェントシステム例。この時は過去1時間ごとにDynamoDB にある会話履歴を取得して、LLMで要約後にGraphDBに 突っ込んでいた。 # モデルを設定 model = BedrockModel( model_id="us.amazon.nova-2-lite-v1:0", max_tokens=4096 ) # メモリー設定を作成 memory_config = AgentCoreMemoryConfig( memory_id="memory_XXXXX-XXXXXXXXXX", session_id="handson", actor_id="me" ) # セッションマネージャーを作成 session_manager = AgentCoreMemorySessionManager( agentcore_memory_config=memory_config ) # エージェントを作成 agent = Agent( model=model, session_manager=session_manager ) # エージェントを起動 agent(input("質問：")) 事前にマネコンで Memoryを作成しておく。 もちろん、IaCも可能。
8. 8 個人的な推しポイント：Gateway 今まで これから ユーザー属性ごとに利用できるツールやRAGを切り 替えるために、エージェント側で管理する必要があっ た。属性の追加がある場合、プロンプトを含めて修正 量が大きくなりがち。 ユーザー属性ごとにGatewayを作成し ておき、ログイン時のユーザー属性に合 わせてGatewayを切り替える # Identityでのトークン取得は省略 # MCPクライアントを作成 mcp_client = MCPClient( lambda: streamablehttp_client( "https://xxxx.com/mcp", headers={"Authorization": f"Bearer {access_token}“} ) ) # エージェントを作成 agent = Agent( model=model, tools=[mcp_client] ) # エージェントを起動 agent(input("質問:")) 作成したGatewayリソースURLを設定するだけ。 ユーザー属性でリソースURLを変更するロジックを 作ってもよい。 出展：https://dev.classmethod.jp/articles/amazon-bedrock-agentcore-2025-summary/
9. 9 個人的な推しポイント：Runtime 今まで これから エージェントをコンテナで管理する場合、ECSなどの コンテナの知識が必要。サーバーレスで実現する場合、 Lambdaなどの実行時間15分の制約あり。 コンテナ初心者でもStarter Toolkit を使うことで、数コマンドでエージェント をコンテナでデプロイできる！ # Starter Toolkitで設定ファイルを自動作成 agentcore create # ローカル環境でテスト agentcore dev # Runtimeにデプロイ agentcore deploy createコマンドで、デプロイ設定ファイル（.bedrock_agentcore. yaml)や依存関係（pyproject.toml）が自動で生成される。 Devコマンドでローカル環境でテストもでき、 deployコマンドでRuntimeにデプロイができてしまう。 サーバーレスから入ったエンジニアだと、 コンテナはややとっつきにくい印象あり・・・ また、リポジトリやdockerfileも準備する必要がある。
10. 10 • RAGチャットボット → AIエージェント を作る時代へ • 生成AIに教えてもらうだけでなく、AIエージェントに様々なツールを使わせるこ とで、面倒な作業をもっと自動化できる • 昔作ったRAGは、AIエージェントにToolとして使ってもらう • AgentCoreを活用すれば、簡単に好きなAIエージェントが作れる！ • Memory：以前の質問内容や自分の好みを記憶してもらう！ • Gateway：Toolが増えた時の管理やユーザー属性での切換えを簡単に！ • Runtime：エージェントを数コマンドでデプロイする！ まとめ