Amazon Bedrock AgentCoreで始めるAIエージェント活用

Slide 1

Slide 1 text

Slide 2

Slide 2 text

© 2025 Classmethod, Inc. 自己紹介 2 簡単な自己紹介をさせていただきます。本日はどうかよろしくお願いいたします。名前神野雄大（Jinno Yudai）/@yjinn448208 所属クラスメソッド株式会社クラウド事業本部コンサルティング部ソリューションアーキテクト資格 ● Japan All AWS Top Engineers 2025 好きなサービス ● Amazon Bedrock AgentCore ブログはこのアイコンで書いています！

Slide 3

Slide 3 text

© 2025 Classmethod, Inc. 対象と目的 3 本日はAIエージェントについてあまり知らない方に、AIエージェントの可能性を理解いただきたく思います。少しでも興味が沸いたら嬉しく思います。対象対象と目的 ● AIエージェントといった言葉は知っているけど理解しきれていない ● AIエージェントに興味があるが、どうやって作るのか分からない目的 ● AIエージェントについて概要から理解する ● Amazon Bedrock AgentCoreを使った簡単なAIエージェントの作り方を理解する

Slide 4

Slide 4 text

Slide 5

Slide 5 text

© 2025 Classmethod, Inc. LLM ? RAG ? ツール利用? AIエージェント? 5 生成AIを取り巻く様々な技術用語が飛び交っていますが、正直なところ混乱されている方も多いのではないでしょうか。 LLM、RAG、ツール利用、AIエージェント...これらの違いと関係性をこれから順を追って整理していきます。 LLMのみユーザー xxxについて教えて LLM xxxは~ RAG LLM ユーザーデータソース質問クラスメソッドの社内規定について教えて質問参照クラスメソッドの社内規定はxxxです。引用元は yyy.pdfです。ツール利用 LLM ユーザー大阪の天気情報を取得して質問天気情報APIによると明日は晴れです。利用天気情報API AIエージェントユーザー韓国旅行の予約をお願いエージェントわかりました！まずは計画から考えて実行します！調査予約メール

Slide 6

Slide 6 text

© 2025 Classmethod, Inc. 世の中は生成AIを活用する時代になってきています。皆様もChatGPT、Gemini、 ClaudeなどのLLM (Large Language Model)を日々利用されているかと思います。 LLMは自然言語で対話できる大規模言語モデルで、生成AI活用の基盤となる技術です。 LLM 6 ChatGPT Gemini Claude LLM 代表的なモデル ChatGPT ● GPT-5 Gemini ● Gemini 2.5 Pro Claude ● Sonnet 4.5 ● Haiku 4.5

Slide 7

Slide 7 text

© 2025 Classmethod, Inc. LLMは非常に便利ですが、学習済みデータの範囲内でしか回答できないという課題があります。そこで登場したのがRAG（Retrieval-Augmented Generation：検索拡張生成）です。外部のデータソースを参照することで、最新情報や企業独自の情報にもアクセスできるようになりました。 RAG（Retrieval-Augmented Generation：検索拡張生成） 7 LLMのみ RAG 生成AIが保持している知識でしか回答ができないデータソースの範囲からも回答可能にユーザー LLM クラスメソッドの社内規定について教えてクラスメソッドの社内規定は存じません。一般的な社内規定だと〜ユーザー LLM クラスメソッドの社内規定は xxxです。引用元はyyy.pdfです。データソース質問質問参照※ ※わかりやすさのため抽象的に記載しております。詳細な説明は次のスライドでご説明いたします。クラスメソッドの社内規定について教えて

Slide 8

Slide 8 text

© 2025 Classmethod, Inc. RAGにおけるユーザーの質問から回答生成までの流れを、ベクトルデータベースを中心としたアーキテクチャで実現します。具体的なRAGのイメージ 8 ドキュメント加工済みのドキュメント前処理ベクトルデータベースファイルを分割/ ベクトル化ユーザー質問 LLM 質問を解釈してクエリ作成問い合わせ LLM 検索結果となるドキュメントを取得検索結果となるドキュメント + 質問を加味して回答を生成準備利用マークダウンなどにするケースが多いです

Slide 9

Slide 9 text

© 2025 Classmethod, Inc. ベクトルデータベースは、テキストや画像などのデータを数値ベクトル（数字の配列）として保存し、意味的な類似性に基づいて高速に検索できるデータベースです。従来のデータベースはキーワードの完全一致で検索しますが、ベクトルデータベースは「意味の近さ」で検索できます。例えば、「犬」と検索すると「ペット」「動物」「愛犬」なども関連情報として取得できます。ベクトルデータベースについて 9 ユーザー犬の〜埋め込みモデル質問ベクトルデータベース（イメージ図）ラーメンペット犬愛犬類似質問をベクトルに変換して検索犬=[0.02, -0.45, 0.89, ...]

Slide 10

Slide 10 text

© 2025 Classmethod, Inc. RAGが「情報取得」を可能にしたのに対し、ツール利用（Tool Use / Function Calling）は「アクション実行」を可能にしました。LLMが外部のAPI、関数、システムを呼び出すことが可能です。ツール利用 10 LLMのみツール利用生成AIが保持している知識でしか回答ができない外部へのアクションも可能にユーザー LLM 大阪の天気情報を取得して（調べずに）明日は晴れです。ユーザー LLM 大阪の天気情報を取得して天気情報APIによると明日は晴れです。質問質問利用天気情報API

Slide 11

Slide 11 text

© 2025 Classmethod, Inc. Anthropicが提唱したMCP（Model Context Protocol）は、LLMとツールを接続するための共通プロトコルです。この標準化により、ツールの再利用性が高まり、エコシステム全体の発展が加速しています。 MCP（Model Context Protocol） 11 MCPクライアント（ex.Claude Desktop） MCP MCP Server MCP Server MCP Server データ取得/ 書き込みデータベース AWS環境リソース情報取得 /更新などローカルファイル取得/更新

Slide 12

Slide 12 text

© 2025 Classmethod, Inc. MCPサーバーは外部サービスへの「橋渡し役」を担います。AWS Documentation MCP サーバーを例に考えてみます。AWS Documentationの場合は薄くラップしていて実態は検索システムへ問い合わせしています。その結果をLLMがいい感じに解釈して回答してくれます。 MCP Serverの例 12 MCP Clinet AWS Documentation MCP Server 質問ツール実行 LLM MCPツール実行検索システム検索クエリ実行検索結果返却 LLMが検索結果をいい感じに解釈して返答全体フロー

Slide 13

Slide 13 text

© 2025 Classmethod, Inc. ここまでLLM、RAG、ツール利用と進化してきましたが、AIエージェントはさらに一歩進んだ存在です。単にツールを使うだけでなく、タスクをこなすための計画を立て、実行し、評価し、自己管理することができます。 AIエージェント 13 ユーザーエージェント韓国旅行の予約をお願いわかりました！まずは計画から考えて実行します！検索ツールで航空券・ホテル情報を収集カレンダーツールで予定の空き状況を確認予約システム APIで航空券・宿泊を確保メールツールで予約確認書を送信実行計画

Slide 14

Slide 14 text

© 2025 Classmethod, Inc. AIエージェントとは、自律的に判断・行動できるAIシステムのことです。ユーザーの指示を理解し、必要なツールを自身で計画を立てて使いながらタスクを実行します。まさに人間の代理として計画的に作業を行うからエージェントなんですね。 AIエージェントのイメージ 14 私旅行会社の人今まで AIエージェントを活用した結果私 AIエージェント調査ツールツール実行 1/1に韓国旅行にいきたい 1/1の13時のフライトはいかがですか？ 1/1に韓国旅行にいきたい（自分でツール選択&調査した結果） 1/1の13時のフライトはどうですか？

Slide 15

Slide 15 text

© 2025 Classmethod, Inc. AIエージェントを特徴づける2つの中核的な特性が、自律性と知性です。自律性により、エージェントは人間の指示を待たずに目標に向かって自ら動き続けることを可能にし、知性により、複雑な状況を理解し、推論し、最適な判断を下すことを可能とします。 AIエージェントが持つ特性 15 ⾃律性 Success！⾃分⼀⼈で最後までやり遂げる！知性 xxxについて教えて資料によると yyyですこの質問なら、この資料を読んで判断して返事するか必要に応じて外部環境を活用参照

Slide 16

Slide 16 text

Slide 17

Slide 17 text

© 2025 Classmethod, Inc. ● 実行計画 ● 自己修正 ● タスク管理特に「自律性」の有無が、エージェントとそれ以前の技術を分ける大きな境界線となっています。 LLM/RAG/ツール利用/AIエージェントの比較 17 LLMのみ RAG ツール利用 AIエージェント自律性特徴 ● 対話 ● Web上の知識 ● 指示理解 ● 構造化出力 ● クエリ作成 ● データソース検索 ● 検索結果をベースにした回答 ● リランキング ● ツール利用 ● API連携 ● MCP Serverによるツール利用

Slide 18

Slide 18 text

Slide 19

Slide 19 text

Slide 20

Slide 20 text

© 2025 Classmethod, Inc. チャットボットやRAGは効果的な技術ですが、静的なデータへの依存と、曖昧なクエリへの対応不足という2つの問題が存在します。この問題がAgentic RAG（エージェント型 RAG）が求められる背景となります。従来のRAGについて 20 静的なデータへの依存ユーザー LLM データソースこの質問ならWeb からのリサーチも含めて欲しいなぁ・・・質問参照して回答を生成曖昧な質問ユーザー LLM データソース質問参照して回答を生成うちの環境で使えそう？うちって何？？ベースのドキュメントにはないけど・・・データソースからは下記情報を取得しました！ xxx

Slide 21

Slide 21 text

© 2025 Classmethod, Inc. Agentic RAG（エージェント型RAG）は、単なる「検索→生成」の一方通行ではなく、「計画→実行→評価→修正・再実行」という自律的な調査プロセスを可能とします。複数のデータソースを動的に使い分け、自ら検証と再試行を繰り返すことで、信頼性の高い回答を実現します。 Agentic RAG 21 ユーザーデータソースA 質問うちの環境で使えそう？データソースB エージェント Web 1.環境理解 2.情報収集 3. Webでの追加調査うち = 自社のことだからまずは自社情報を取得して、その後別のデータソースから情報収集する、最後に Webでの追加調査も実施

Slide 22

Slide 22 text

© 2025 Classmethod, Inc. Agentic RAG で解消を図る実際にAgentic RAGを使うケースを考えてみます。例えば、社内規定や労務などに問い合わせしたり自分がどう申請するのかどうか、検討するのは手間かと思います。ユースケースのイメージ 22 従業員育休を取得したい・・・どんな申請が必要なんだっけ。そもそも有給はどれぐらい残っていたのだろうか。上司への承認も必要なのだろうか、うーん・・・同僚同僚に聞くポータルサイト/ 勤怠管理システム社内規定労務色々と聞いたけど自分でどう申請するかも考えないと。コスト高いな・・・労務に問い合わせ参照参照

Slide 23

Slide 23 text

© 2025 Classmethod, Inc. Agentic RAGがどのように動作するのか、実際のデモでご覧いただきます。エージェントが複数のデータソースから情報を収集し、評価し適切にアドバイスをする例を今からお見せします。 DEMO:Agentic RAGの動作 23 ユーザー DEMO エージェント来月から3ヶ月の育休を取りたいです。申請期限、必要書類、私の有給日数を教えてください。上司の承認は必要ですか？質問データソース社内規定/FAQ を検索属性や有給日数を取得人事マスタ就業規則を検索実行計画 FAQ検索有給日数を取得まず計画を考えます。計画に基づいて実行した結果の回答サマリーはxxxです。 ~~~ 失敗しても分析してリトライなどの最適な行動を選択する

Slide 24

Slide 24 text

Slide 25

Slide 25 text

© 2025 Classmethod, Inc. コールセンターにおける返品対応を考えてみます。問い合わせを受けた商品を調べて、返品ラベルを作成して、メールを作成して・・・といったフローを行います。コールセンターにおける返品対応を考える（ASIS） 25 エンドユーザー発注ID#12345の商品を返品したいですオペレーター発注ID#12345の状況をまずは確認しますね・・・電話発注情報DB 1. 商品の情報・ステータスを確認返品ポリシー 2. 返品ポリシーに適しているか確認返品ラベル管理システム 3. ポリシーに適していれば返品ポリシーを作成返品可能でしたので、返品ラベルをお送りします。ラベルに従って返品してください。

Slide 26

Slide 26 text

© 2025 Classmethod, Inc. コールセンターにおける返品対応を例に、AIエージェントの自律的な動作を実際のデモでご覧いただきます。エージェントは「プロセスの自律的対応」を実現します。コールセンターにおける返品対応を考える（TOBE） 26 エンドユーザー発注ID#12345の商品を返品したいです電話発注情報DB 1. 商品の情報・ステータスを確認返品ポリシー 2. 返品ポリシーに適しているか確認返品ラベル管理システム 3. ポリシーに適していれば返品ポリシーを作成オペレーターお調べいたしますね。エージェント対応しますね。 DEMO

Slide 27

Slide 27 text

© 2025 Classmethod, Inc. AIエージェントは強力ですが、すべてを自動化すべきでしょうか？重要な判断、高額な取引、顧客に大きな影響を与える決定では、人間の承認を求めるべき場面があります。Human in the Loop（人間参加型）のアプローチにより、AIの効率性と人間の判断力を最適に組み合わせることができます。人間をプロセスに介入される（Human in the loop） 27 DEMO エンドユーザー発注ID#99999の商品を返品したいです電話発注情報DB 1. 商品の情報・ステータスを確認返品ポリシー 2. 返品ポリシーに適しているか確認 3. 高額商品のためマネージャーに承認をリクエストオペレーターお調べいたしますね。エージェント承認が必要とわかったため承認をリクエストするマネージャー ¥90,000 と判明 ¥50,000以上の場合は承認が必要承認プロセス

Slide 28

Slide 28 text

© 2025 Classmethod, Inc. AIエージェントは何でも出来る分、どこまで自動化させるのかエージェントに委ねるのかは今後の設計課題として挙げられる印象があります。論点としてAIエージェントに委ねて問題ない作業か、精度100%を要求するような作業ではないかがチェックポイントかと思います。人間をプロセスに介入される（Human in the loop） 28 ユーザーエージェントどこまでAIエージェントに作業を委ねるか必要に応じて人間に確認

Slide 29

Slide 29 text

Slide 30

Slide 30 text

© 2025 Classmethod, Inc. これほど強力なAIエージェントですが、AWS上でプロトタイプから本番環境へ移行する際には多くの課題が立ちはだかります。セキュリティ、スケーラビリティ、複雑性...これらの課題が導入を阻んできます。Amazon Bedrock AgentCoreなら、これらの課題をシンプルに対応できます。それをどう実現するか 30 今まで Amazon Bedrock AgentCore を使った場合どこにAIエージェントを作成・展開したらいいんだろう？？ AWSならECS？Lambda? Bedrock Agents？ユーザーエージェント Bedrock ユーザー開発・デプロイ利用 AgentCoreでAIエージェントを開発して、デプロイするぞ！！！

Slide 31

Slide 31 text

Slide 32

Slide 32 text

© 2025 Classmethod, Inc. Amazon Bedrock AgentCoreはAIエージェントを展開・運用するために最適なマネージドサービスとなります。マネージドサービスによりインフラ管理を排除し、開発者がエージェントのロジック構築に集中できる環境を提供します。 Amazon Bedrock AgentCore とは 32 Amazon Bedrock AgentCore ● AIエージェントのホスティング ○ Strands Agents、LangGraphなど多様なエージェントフレームワークに対応 ● 便利なマネージドサービス ○ AIエージェントを使用する上で認証・ツール連携など便利な機能がマネージドサービスとして提供（IdentityやMemoryなど）特徴

Slide 33

Slide 33 text

© 2025 Classmethod, Inc. Amazon Bedrock AgentCoreはRuntime、Identity、Memory、Gateway、Built-in Tools、Observabilityという6つのサービスが、それぞれ本番運用の具体的な課題を解決します。組み合わせても使用できる柔軟性を持っており、ニーズに応じた最適な構成を選択できます。 Amazon Bedrock AgentCoreの機能 33 Amazon Bedrock AgentCore Identity Gateway Built in tools Memory Runtime Identity

Slide 34

Slide 34 text

© 2025 Classmethod, Inc. Runtime機能は、AIエージェントを実行するための「身体」（LLMが「脳」）として機能します。サーバーレスで自動スケールし、ユーザーセッションごとに専用のマイクロ VMを提供することでセキュアな実行環境を実現します。 Amazon Bedrock AgentCore Runtime 34 Amazon Bedrock AgentCore ユーザー Strands Agents Bedrock LLM エージェントに質問 AIエージェント Bedrockを使用

Slide 35

Slide 35 text

Slide 36

Slide 36 text

© 2025 Classmethod, Inc. Strands Agentsは生成AIがタスクを達成するために実行計画を立て適切なツールを使うための仕組みであるエージェンティックループ（Agentic Loop）が存在します。LLMの実行、ツールの選択、ツールの実行結果を返却といったループを簡単に実装可能です。 Strands Agents 36 Strands Agents AIエージェントユーザータスクを依頼 Bedrock LLM 指示を入力 Tool MCP Server 状況に応じてツール利用失敗してもタスクが成功するまで自動で反復して実行可能 Agentic Loop

Slide 37

Slide 37 text

Slide 38

Slide 38 text

© 2025 Classmethod, Inc. データ分析ツールツールもエージェント化することも可能です。Agent As Toolsと呼ばれます。エージェント同士で協調して、自律的に判断したい時に便利です。 Strands Agents 38 Strands Agents メインエージェントデータ分析エージェントレポート作成エージェントレポート作成ツールこのデータを分析して情報をわかりやすくまとめて

Slide 39

Slide 39 text

© 2025 Classmethod, Inc. AgentCore Runtimeの強みは柔軟性にあります。Strands Agents、LangGraph、 Mastraなど、どんなエージェントフレームワークでも選択でき、LLMもBedrock、 OpenAI、Geminiなど自由に組み合わせられます。 Amazon Bedrock AgentCore Runtime 39 Amazon Bedrock AgentCore ユーザー Mastra Azure OpenAI LLM エージェントに質問 AIエージェント Azure OpenAI を使用

Slide 40

Slide 40 text

© 2025 Classmethod, Inc. デプロイはシンプルです。3つのコマンド（configure、launch、invoke）だけで、AWS 環境へのデプロイが完了および利用できます。まずはAgentCoreの設定をするconfigure コマンドから確認します。 Amazon Bedrock AgentCore Runtime 40 agentcore confiure Dockerfile .bedrock_ agentcore.yaml ● デプロイ方法の選択（Zipかコンテナイメージ） ○ 推奨はZip ● IAMロールの設定（自動作成も可能） ● ECRの設定（自動作成も可能） ● 認証の設定（デフォルトはIAM） ● メモリーの設定（オプション） .dockerignore コンテナだった場合

Slide 41

Slide 41 text

Slide 42

Slide 42 text

© 2025 Classmethod, Inc. Amazon Bedrock AgentCore Runtime 42 デプロイしたエージェントはagentcore invokeコマンドで簡単に呼び出せます。 PythonやCurlなどでももちろん呼び出し可能です。 Amazon Bedrock AgentCore ユーザー Strands Agents Bedrock LLM エージェントに質問 AIエージェント Bedrockを使用 agentcore invoke

Slide 43

Slide 43 text

Slide 44

Slide 44 text

© 2025 Classmethod, Inc. Amazon Bedrock AgentCore Runtime 44 サンプルアプリケーションのアーキテクチャとなります。下記のような構成で実現可能です。※あくまで1例です。フロントエンドをどうするか悩ましいですよね。手軽さでApp Runnerにしました。 AgentCore Runtime Strands Agents AIエージェント Bedrock LLM 頭脳として利用 App Runner フロントエンド OpenSearch DynamoDB S3 ベクトルデータユーザー質問を記入質問を送信ツール利用で必要に応じて参照

Slide 45

Slide 45 text

Slide 46

Slide 46 text

© 2025 Classmethod, Inc. AIエージェントに「記憶」を持たせることで、より賢く、よりパーソナライズされた対応が可能になります。AgentCore Memory機能は、短期記憶（会話履歴）と長期記憶（重要な情報の抽出）の両方をマネージドで提供します。開発者は複雑な記憶管理の実装に悩むことなく、エージェントに学習能力と文脈理解能力を付与できます。 Amazon Bedrock AgentCore Memory 46 Amazon Bedrock AgentCore ユーザー Strands Agents Bedrock LLM エージェントに質問 AIエージェント Bedrockを使用 Memory ● 会話履歴 ● サマリー ● 客観的事実

Slide 47

Slide 47 text

© 2025 Classmethod, Inc. AgentCore Identity機能は、Inbound Auth（エージェント自体への認証）とOutbound Auth（外部サービス呼び出しの認証）の2つを提供します。Cognito、Okta、Auth0などの既存IdPと連携し、APIキーやOAuth認証情報をSecrets Managerで安全に管理可能です。 Amazon Bedrock AgentCore Idnetity 47

Slide 48

Slide 48 text

© 2025 Classmethod, Inc. 既存のAPI、Lambda関数、MCP Server、各種サービスをMCP（Model Context Protocol）互換のツールに変換して、AIエージェントから簡単に呼び出せるようにしてくれるサービスです。 Amazon Bedrock AgentCore Gateway 48 Runtime Gateway Smithyモデル Lambda関数 OpenAPI仕様のAPI /mcp ツールとして呼び出し MCPに変換して実行 /MCP Toolsを中央集権的に管理 MCP Server

Slide 49

Slide 49 text

© 2025 Classmethod, Inc. Semantic Search（セマンティック検索）は、Gatewayが提供するインテリジェントなツール検索機能です。使用するツールが増加した際に適切なツールを見つけるための便利機能です。Gatewayが中央集権的にMCPツールを管理するからこそこの機能は便利ですよね。 Amazon Bedrock AgentCore Gateway 49 引⽤：https://catalog.us-east-1.prod.workshops.aws/workshops/015a2de4-9522-4532-b2eb-639280dc31d8/en-US/30-agentcore-gateway/34-gateway-search-tools

Slide 50

Slide 50 text

Slide 51

Slide 51 text

© 2025 Classmethod, Inc. Code Interpreterは、AIが生成したコードを完全に隔離されたサンドボックスで安全に実行し、Browserはブラウザ操作による自動化を可能にします。データ分析からWeb調査まで、エージェントの適用範囲を大きく広げる強力な機能です。 Amazon Bedrock AgentCore Built-in Tools（Code Interpreter & Browser） 51 AgentCore Code Interpreter AgentCore Browser 引⽤：https://catalog.us-east-1.prod.workshops.aws/workshops/015a2de4-9522-4532-b2eb-639280dc31d8/en-US/60-agentcore-tools/62-browser-tool/01-browser-with-novaact 引⽤：https://catalog.us-east-1.prod.workshops.aws/workshops/015a2de4-9522-4532-b2eb-639280dc31d8/en-US/60-agentcore-tools/61-code-interpreter

Slide 52

Slide 52 text

Slide 53

Slide 53 text

© 2025 Classmethod, Inc. 生成AIがブラウザを操作するための実行環境を提供するサービスです。下記のような操作可能なブラウザをLLMがPlaywriteやBrowser-useなどを活用して操作します。 Amazon Bedrock AgentCore Built-in Tools（Browser） 53 Browser AgentCore Runtime Strands Agents AIエージェント操作

Slide 54

Slide 54 text

Slide 55

Slide 55 text

Slide 56

Slide 56 text

© 2025 Classmethod, Inc. 本日は、AIエージェントの「何ができるのか」と「どうやって実現するのか」を、 Amazon Bedrock AgentCoreをベースに解説してきました。AIエージェントの可能性と実装方法を理解していただいたところで、次は皆様の番です。AgentCoreの便利な機能を活用して、インフラ管理ではなくビジネス価値の創造に集中していきましょう！まとめ 56