Amazon Bedrock AgentCore runtimeの高速セッション起動を実現するアーキテクチャパターン
Amazon Bedrock AgentCore runtimeのplatformVersion「V2」は、作成・更新時にスナップショットを一度だけ構築し、新規セッションはそのスナップショットから直接復元する方式に変更。毎回コンテナイメージを取得する必要がなくなり、セッション起動がより高速で安定する。
Amazon Bedrock AgentCore runtimeのplatformVersion「V2」は、作成・更新時にスナップショットを一度だけ構築し、新規セッションはそのスナップショットから直接復元する方式に変更。毎回コンテナイメージを取得する必要がなくなり、セッション起動がより高速で安定する。
NVIDIA NeMo Switchyard は、AI エージェントがリクエストごとに処理するモデルを選べるようにするオープンソースライブラリである。LiteLLM との統合により、Stage ルーティング(リクエスト履歴内のツールの活動と結果を読み取り、2 つの候補モデルから選択)と Random ルーティング(重み付けで振り分けて A/B 比較)に対応する。
GS Caltexは、プロセスエンジニアがSageMaker Canvasでノーコードで構築・検証したモデルをSageMaker Pipelinesの本番ワークフローに接続し、30分ごとのバッチ推論を実現した。
AssemblyAIはAWS上で、Amazon ECSにEC2 SpotとOn-Demandを組み合わせたGPUクラスタを用いて音声認識推論を運用している。Amazon SQSキューによる再試行機構でSpotの中断を吸収し、SLAを維持しながらコストを大幅に削減している。
Hugging Faceがチュートリアルを公開。SimReady CentralのUR17Gロボットアーム、Robotiq 2F-140グリッパー、飲料缶アセットを使い、Isaac Sim 6.2でシーンを組み立ててピックアンドプレース作業を実行する方法を紹介している。
Amazon SageMaker HyperPodにData Capture機能が追加された。エンドポイント、ロードバランサー、モデルPodの3つの独立した階層でオンライン推論の入出力をAmazon S3に記録でき、モデルの可用性への影響はゼロだ。記事ではQwen2.5-3B-Instructを使った家電サポートのルーティングモデルを例に、Athenaでのクエリで新製品に対する盲点を発見し、SQLポリシーでラベル付けしてファインチューニングを実施、デプロイ後に新たに得たデータで前後の精度を比較している。
Amazon Bedrock は計装不要のコスト帰属機能を提供し、各推論呼び出しを呼び出し元の IAM プリンシパルまで追跡し、ID と組織タグを CUR 2.0 と Cost Explorer に書き込む。
GitHubがAgentスキルの実践ガイドを公開した。スキルはSKILL.mdを中心とするバージョン管理されたディレクトリで、反復可能なタスクの実行方法を記録し、エージェント間で共有できる。記事ではProof AgentとData Forgeを例に、複数のスキルがmanifestを通じてプロジェクトのコンテキストを共有し、データプラットフォームへのアクセス経路を統一し、7つの段階それぞれに人的チェックポイントを設ける様子を示している。
Amazon Bedrockのキャッシュ期間、サービス階層、推論強度、maxTokensという4つのリクエスト単位の設定は、モデルやプロンプトを変えずに推論コストへ影響する。Claude Sonnet 5とClaude Opus 5を例にすると、5分キャッシュの書き込みは入力価格の1.25倍、1時間の書き込みは2倍、キャッシュ読み取りは0.1倍で課金され、1時間キャッシュは毎時3回以上のリクエストがないと割に合わない。
AWSは、Amazon Bedrock Application Inference ProfilesとLiteLLMを組み合わせたセルフサービス型LLMゲートウェイの構成を紹介した。BedrockをOpenAI互換APIとして包み込み、開発者は単一のベースURLと専用APIキーでClaude SonnetやClaude Haikuなどのモデルに接続できる。
AWSは、Amazon Bedrock上のエージェント費用を「トークン単価」ではなく「タスク単価」で測ることを提唱し、キャッシュ、ルーティング、出力制約などのコスト削減手段を示した。例では、リスト価格が2倍のModel Bが、トークナイザーの効率と簡潔な出力、1ターンでの完了により、タスク単価$0.00145となり、Model Aの$0.0042より65%低くなった。記事はさらに、人手によるベースライン、ホールドアウト実験、5次元のスコアカードでエージェントのROIを測る方法を示している。
AWSが、コードを書かずにIAMプリンシパル別にAmazon Bedrockの生成AI支出を追跡・制限する方法を提示した。Bedrockは推論リクエストごとにIAMユーザーまたはロールの身元を自動記録し、プリンシパルタグやセッションタグと組み合わせることで共有ロール下の個別ユーザーも区別できる。
AWSはAgent Development Lifecycle(Agent DLC)を提唱した。1つのライフサイクル、2つのループ、統一された受け入れ基準によって、エージェントの各変更がリリース可能かどうかを判断する。
エージェントがユーザーの代わりに社内文書を検索する際の権限逸脱リスクに対し、この方案は Amazon Bedrock AgentCore Gateway のツール層でリクエストインターセプターを用いて検証済み JWT から userContext を注入し、Managed Knowledge Base の ACL awareness がユーザー権限に応じて文書をフィルタリングする。
AWSはA2Aプロトコルに基づくマルチエージェントのリファレンスアーキテクチャを公開した。LangChainベースの企業向けオーケストレーターと、Strands Agentsで構築したSaaSコンプライアンスエージェントが、AWSアカウントと組織の境界を越えて連携する。双方は相手のフレームワークやSDKに依存せず、秘密情報も共有しない。
Hugging Faceは3D生成モデルTRELLIS.2のファインチューニング用スクリプトとコンテナを公開した。ローカルでもHugging Face Jobs上でも実行できる。PEFTライブラリで疎構造フローDiTと形状フローDiTにLoRAアダプターを追加し、マテリアル生成段階を凍結する手法で、GSOデータセットの靴188点において靴底の形状精度を改善する。
Amazon SageMaker HyperPodは、PyTorch DDPの学習ループに3つのチェックを追加することでサイレントデータ破損(SDC)を検出する。非有限勾配チェックでNaN/Infを捕捉し、リングリプレイ監査で別ノードが再計算したlossと勾配のフィンガープリントを照合し、重みフィンガープリントの照合でオプティマイザのステップや保存された重みに生じた破損を発見する。
オープンソースエンジンは反単一化(anti-unification)を用いてe-graph上で2つの形式ポリシーの最も具体的な共通パターンを計算し、共通部分を一度だけ表示し、差異部分を並べて保持することで、連言項の並べ替えや等価な述語といった構文上のノイズを除去する。
OpenAI CodexはAmazon Bedrockを通じてGPT-5.6 Solなどのモデルを呼び出して推論を実行でき、企業が既存で使うAWS IAM、リージョン、可観測性の体系をそのまま活用できる。
JavaチームはSpring AIとAmazon Bedrock AgentCoreを活用し、計画立案、ツール呼び出し、複数ターンの会話記憶を備えた自律型AIエージェントを構築できる。記事では2つの例を示す。単一エージェントの旅行アシスタントでツール呼び出しと記憶を実演し、マルチエージェントのインテリジェント文書処理(IDP)システムはLawyer、Mortgage、Insurance、Tax、Generalの5つの専門エージェントがルールエンジンとアラートを伴って動作する。
AWSは、CloudTrail、EventBridge、Lambdaを使ってMCPサーバーのツールとスキーマの変更をAWS Agent Registryに自動同期するイベント駆動型アーキテクチャを提案した。
AWS Generative AI Innovation Center(現在はAWS Frontier AI Engineering & Servicesに所属)は、RAGパイプラインや文書処理、エージェントの足場(スキャフォールディング)などを含む本番品質の再利用可能な資産23点のカタログを公開した。開発期間を数カ月から数週間に短縮できる。
AWS QuickはAI-PDLCフレームワークを発表した。製品開発の上流にあたるDiscover、Decide、Design、Prototypeの4段階を6つの専用エージェントでカバーし、各段階に人間の承認ゲートを設けている。
Hugging Faceのブログが、多ベクトル埋め込みモデル向けのToken Pooling対応トレーニングを紹介している。pool_factor=4で文書ベクトルを4分の1に削減した場合、通常のトレーニング済みモデルは未プーリング時のNanoBEIR nDCG@10の94.6%を維持するが、対応トレーニングでは維持率が97.8%に向上する。
Amazon Bedrock AgentCoreのWeb Search APIが利用可能になった。1回のAPI呼び出しで、タイトル、URL、公開日、要約を含むリアルタイムのウェブ検索結果を返す。クエリはAmazonが自社構築したインデックスで処理され、サードパーティの検索エンジンを経由しない。
Amazon Bedrock AgentCore Evaluations は、組み込み、DeepEval、AutoEval の3種類の評価器を提供する。組み込み評価器は AWS が作成し品質テストを経た16種類で、応答品質、タスク完了、ツール使用、スキル、安全性の5つの次元をカバーする。
AWS は Amazon Bedrock の呼び出しを観測するデータレイクのソリューションを公開した。CloudWatch のログ購読で複数アカウントのモデル呼び出しログを中心アカウントに集約し、Data Firehose で Parquet に変換して S3 に書き込み、Athena で統合的にクエリする。
CrossnoKayeはAmazon Bedrock AgentCoreを基盤に産業用フィジカルAIシステムAURAを構築し、ソフトウェア定義自動化プラットフォームATLASと連携させた。100以上の産業施設と13,000台の制御対象設備をカバーする。
AWS は Pluggable Agentic AI Framework を発表した。Amazon Bedrock AgentCore 上で動作する7層の組み合わせ可能なエンタープライズ向け Agentic AI 参照アーキテクチャで、データと知識、モデルと推論、オーケストレーション、セキュリティとガードレールなどの層をカバーする。
GitHubは開発者ガイドを公開し、エージェント工学はPlan、Build、Verify、Observeの4段階を網羅する必要があると提唱した。GitHubの週間コミット数は12億件を超え、前年比400%超の増加。Faros AIの調査によると、チームのAI採用率が低から高になると、PRレビューにかかる時間が441%増加した。
サンプルプロジェクトsample-remote-coding-agentは、Claude CodeをリモートエージェントとしてAmazon Bedrock AgentCore上で実行する。各タスクは独立したAgentCore runtimeセッションのmicroVM内で処理され、最終的にレビューとマージ用のGitHub pull requestを返す。
Okta Cross App Access(XAA)と Amazon Bedrock AgentCore を組み合わせ、どのエージェントがどのユーザーに代わってどのアプリにアクセスできるかを IdP 側で決める。
AWSはチュートリアル第2部を公開し、Amazon Bedrock AgentCore上でGatewayを統一エントリポイントとして導入し、Oktaの認可をGatewayが一括で交換する仕組みを示した。第1部で各MCPサーバーが個別に検証していた方式を置き換える。
AmazonのNASCチームは、AIエージェントが企業データレイクにアクセスするための集中ゲートウェイとして、Amazon ECS Fargate上にサーバーレスMCPサーバーを構築した。新しいデータセットの追加にはJSONメタデータファイルが1つあればよく、次回のパイプライン同期時にサービスが自動的に検出するため、データセットごとの統合コードを書く必要はない。このアーキテクチャでは、任意のMCP互換クライアントが同じツール群を呼び出せ、権限管理はMCPサーバー層で集中的に実施される。テストではエンドツーエンドの対話レイテンシーは15〜20秒に保たれた。
AWS Quickチームは、エージェントの作業をWhen、What、Who、Howの4つの問いで分解し、トリガー、エージェント、ケイパビリティの3層構造に対応させるエージェントプリミティブの分類体系を提案した。トリガーは人間による起動、エージェントによる委任、定時、イベント駆動の4種類に分かれる。エージェントは持続的に学習する実行者と定義され、指示、ケイパビリティ、学習コンテキストで構成される。ケイパビリティはツール、スキル、ワークフローを含み、エージェントの自律度と決定性の度合いに応じて並べられる。
Amazon Marketplaceは視覚言語モデル(VLM)を使い、商品詳細ページ全体を1枚のスナップショットとしてレンダリングして総合的な品質評価を行う。さらにVLMの意味的スコアとOCRの可読性シグナルを、専門家の注釈で学習したCatBoost分類器に入力し、SHAPでスコアを説明して改善提案を生成する。このマルチモデル融合の仕組みは、データ取り込みから注釈付け、モデルのホスティング、本番監視までをAmazon SageMaker AI上でエンドツーエンドに実現する。
AWSチームは、オープンソースのマルチエージェントデータ分析ソリューションDeep Insightを参照実装として、本番環境AIエージェントのコンテキストエンジニアリングを4層に分解した。マルチエージェント構成でコンテキストを分離し、プロンプトで出力を制限し、重い内容をファイルシステムに外部化し、独立したエージェントとフォールバック機構で検証する。
Amazon Bedrock AgentCore Evaluationsは、コードベースの評価器を通じて決定モデルを組み込める。評価入力を決定モデルへのリクエストに変換し、確率を評価結果に戻す仕組みだ。例としてTypeSafeのマネージド決定モデルJevと、Strands Agentsチームがオープンソース化した2BパラメータモデルStrands Decider 2Bを接続しており、両モデルはnoul、choice、scoreの3種類の質問に対応する。
EDB Postgres AI で AIDB 拡張機能を使ってセマンティックレイヤーを構築し、Amazon Bedrock AgentCore 上で動作する Strands Agents のエージェントが MCP エンドポイント経由でこのレイヤーに問い合わせ、顧客 360 の質問に答える方法を解説する。
Amazon Bedrock AgentCore Gateway に on-behalf-of(OBO)トークン交換を設定すると、AI エージェントが ServiceNow REST API を呼び出す際に、リクエストを開始したユーザーの ID を保持できる。