← Financial Cloud Cloud クラウドクラブ · Amarathon 2025 振り返り

極点マクロ|Financial Cloud Cloud · AWS Amarathon 2025

極点マクロ|Amarathon 2025 振り返り 36:クラウドコスト分析をよりスマートに: StrandsとAgentCoreによるFinOpsインテリジェントエージェントの構築

登壇者: Xiaofei Li

セッション: 36

セッション
Summit Dev Lounge2026 Re:cap
01 アーキテクチャを Steering として記述し、AI Agent を導く
02 Agent Harness こそ真のエンジニアリングの堀
03 平易な言葉で可観測性データを尋ねる
04 Bedrock AgentCore で Serverless AR ゲームを構築する
05 AgentCore 上のマルチ Agent クオンツ・バックテスト
06 3 分でブログをスライドにする——Kiro で
AWS Community Day Hong Kong 2025 Re:cap
02 TerraformによるAWSコンプライアンス
03 初心者からビルダーへ――素晴らしいクラウドの旅
04 LaravelとBrefによるチームファーストのサーバーレスエンジニアリング
05 イベント開会式
06 AWS 上で相互運用可能な AI を構築する
07 別のテレメトリデータを AI エージェントで活用し、改善を加速する
08 Kiro による仕様駆動開発
09 MCP と AI エージェントを活用した自動テスト
10 機械学習を活用したアプローチ
11 RAGとMCP
12 TAKとAWSを活用した災害・緊急対応
13 テストの観点からサーバーレスアプリケーションのワークフローを再考する
14 クラウド成功のための実践的なAWS FinOps
15 リスク調整後資産リターンの革新
FSI Recap
01 Modern Trade Lifecycle: Trading to Settlement
02 Goldman Sachs: Fast Track your applications onto Cloud - AWS Re:cap Q1/2023
03 Zurich Insurance Group: Building an Effective Log Management Solution on AWS
04 FSI Meetup 2025 Q4 - Brex Database Disaster Recovery
05 FSI Meetup 2025 Q4 - A Graviton Migration Success Story
06 FSI Meetup 2025 Q4 - Stifel Modern Data Platform
07 FSI Meetup 2025 Q4 - Financial Transaction Data Reconciler PayPal
08 FSI Meetup 2025 Q4 - Scaling Resilience
09 Maximizing AI Inference Cost Efficiency: Strategic Adoption of AWS GPU Instances
10 Advanced Agentic AI Design Patterns
11 Build New Modern Apps on AWS
AWS re:Invent 2025
01 Coinbase re:Invent の要約 (IND3312)
02 AI と AWS を活用した未来の取引プラットフォームの構築
03 トレーディングイノベーション: Amazon Bedrock (IND3315) の Jefferies AI アシスタント
04 FSI がエージェント型 AI で HFT 分析に革命をもたらした方法 (GBL302)
05 Nasdaq をフィーチャーした Amazon Time Sync による分散システムの改善
06 Amazon Aurora HA および DR グローバル復元力のための設計パターン (DAT442)
07 エージェントの構築 AI: Amazon Nova Act および Strands エージェントの実践 (DEV327)
08 Amazon Aurora とそのイノベーションの詳細 (DAT441)
09 Amazon S3 の詳細解説 (STG407)
10 Nasdaq:グローバル金融サービス向けのレジリエントなインフラストラクチャを構築する (HMC327)
11 AWS Lambda の新機能 (CNS376)
12 Kiro によるスペック駆動開発 (DEV314)
13 Amazon の FinOps: 世界的な E コマース大手から学ぶクラウドコストの教訓 (AMZ308)
14 AWS 上のティック・トゥ・トレード低レイテンシ取引プラットフォーム
Government data
01 The AI Era: The Boundary Between Development and Design Is Disappearing
02 On-Device Multimodal AI and Smart-City Practice
03 Large-Model Capability Evaluation and a Method for Landing AI Projects
04 Controlled End-to-End Automation of Government Development with Cloud Agents
05 A New Software Ecosystem for the Agent Era, Seen Through Multi-Agent Systems
06 AI-Driven Macro Quantitative Research and Smart Governance
07 Authorized Operation of Public Data and Smart-Government Practice
08 Putting Data Assetization into Practice: Rights, Compliance, Engineering Governance, and Digital-Government Cases
09 AI for Mental-Health Public Welfare: Governance, Architecture, and Practice of a Trustworthy Platform
Amarathon 2025 振り返り
01 エージェント向けアーキテクチャ設計への開発者ロードマップ
02 Amazon Bedrock Data Automation
03 AgentCore 上のマルチエージェント
04 Nova Act と Strands Agents を実践で活用したエージェント型 AI の構築
04 仕様駆動開発と Kiro で移行プロジェクトを加速
06 「マッチング」から「理解」へ: AgentCore Memory が実現するパーソナライズド AI 検索の実践
07 観測から最適化へ – LLM オブザーバビリティから AIOps へ、リアルタイムの洞察をインテリジェントな自動化に変える
08 TEAM の導入と最高のエンジニアリングチームの構築
09 いわゆるサーバーレスデータベースの5年間から得た5つの厳しい教訓
14 AI が私の仕事をしたらどうなるか Q Developer CLI と Kiro が私の日常業務をどう変えたか
16 警戒を保ちながら迅速に:Amazon Bedrock エージェント開発に不可欠なセキュリティ
26 1 台の H100 で OSS LLM をよりスマートに、低コストで、高速に実行
28 最新の統合メタデータアーキテクチャ:データサイロを解消する新たなアプローチ
29 サーバーレス MediaOps:Amazon Web Services 上の AI による動画ワークフローの自動化
30 大規模パフォーマンステストによる効率性と信頼性を重視したアーキテクチャ設計
31 オープンソースで世界をつなぐ: テクノロジー、コミュニティ、グローバルな開発者関係をめぐる実践の旅
33 リアルタイム物流分析のためのストリーミング Iceberg テーブルの構築
34 大規模ロボット戦略トレーニングの高速化: Kiro、Trainium、EKS に基づく自動クローズドループアーキテクチャ
35 仕様駆動開発で「Vibe」から実用レベルへ
36 クラウドコスト分析をよりスマートに: StrandsとAgentCoreによるFinOpsインテリジェントエージェントの構築
37 CNCF Kagent、K8sGPT、Nova Sonicを使用したK8s向け対話型エージェントAIOpsの変革

2025年は「AIエージェント元年」と呼ばれており、その年まであとわずか二か月である。

● ユーザーはすでに独自のAIエージェントを開発している。

● プログラミングエージェントはAIエージェントの一種である。

● AIエージェントとは、AIを活用したさまざまな「賢そうなアプリケーション」である。

● 例として、議事録作成エージェント、面接準備エージェント、プログラミングエージェントがある。

LLM時代の「AIエージェント」の特徴

● ロールプロファイリング: 役割や人格を定義し、パーソナライズされた振る舞いと応答を実現できる。

● 計画と振り返り: 目標を達成するため、エージェントは計画を策定し、実行結果に基づいて調整できる。

● 長期記憶: 人間のように、長期的なやり取りの情報や経験を保持できる。

● ツール実行: テキストを生成するだけでなく、さまざまな外部ツールやAPIを呼び出して操作を実行できる。

● AIエージェントは、コスト分析エージェントなど、実際の問題解決に役立つ。

● Amazon Web Servicesを使用してコスト分析エージェントを開発する方法。

AIエージェントの構築方法

● Bedrock Agents

● AgentCore: 独自開発したエージェントをサーバーレス方式でデプロイし、認証、ツール、オブザーバビリティなどの機能を提供する。

● Strands Agents: 最短3行の非常に簡潔なコードだけでAIエージェントを実装できるPython向けフレームワーク。

● Strands AgentsでFinOpsエージェントを構築する。

オープンソースのAIエージェントフレームワーク—Strands Agents

● わずか3行のPythonコードでAIエージェントを作成

● 利点: シンプル、軽量、優れた開発体験

● Amazon Q Developerなど、Amazon Web Servicesに適用

● Strandsの中核概念: 「モデル」と「ツール」の組み合わせ

● LLMの能力向上により、AIエージェントの構築ではモデルとツールを指定するだけでよい

● エージェントの作成: LLMとシステムプロンプトを設定し、プロンプトを与えて呼び出す

● エージェントにツール機能を持たせる: Strandsは、計算やファイル操作などの組み込みツールを提供する

● Python関数に@toolを追加して独自のツールを作成できる

● MCPサーバーが提供するツールを取得でき、ローカルとリモートのMCPサーバーに対応

● 複数のエージェントを構築: Agent as Tools、Swarm、Graphs、Workflows

● Agent as Toolsの例: 上司・部下モデル。上司エージェントがサブタスクを割り当て、サブエージェントを呼び出して実行させ、結果を要約する

● MCPに続く注目のトレンド: A2A(Agent to Agent)のサポート

● StrandsにおけるA2Aの構築例: Tool Useを使用してリモートエージェントを呼び出せる専用クラスがある

● エージェントのデプロイ: Bedrock AgentCoreを通じて迅速にデプロイ


AIエージェントのデプロイにおける問題

● 複雑なデプロイプロセス

● 認証と認可の問題

● 保守とモニタリングの課題

● 実行コストの問題

● ストリーミング出力に対応しているか

Bedrock AgentCoreとは?

● AIエージェント専用の「便利なコンポーネントセット」である

● Runtime(サーバーレスインフラストラクチャ)、Memory(メモリ管理)、Gateway(ツール統合)、Identity(認証/認可)、Observability(保守とモニタリング)などの機能を含む

● 任意のエージェントフレームワークと組み合わせ、必要に応じて機能を選択でき、APIを通じて容易に統合できる

システム全体の中核はRuntime

● AIエージェントの開発にどのフレームワークを使用しても、サーバーレス環境へ容易にデプロイできる

● AIエージェント専用に用意された、コンテナ化Lambdaのようなもの

● 専用のCLIツールキットを利用して、デプロイ操作を容易に完了できる

● バックエンド部分が完成したら、次にフロントエンドの実装計画を検討する

フロントエンドページで選択できるテクノロジー

● 初心者に優しい

● 本番レベルの開発スイート

● Pythonで美しいインターフェースを簡単に作成できる

● Next.jsやReactなどのコードリポジトリを関連付けるだけで、自動デプロイを実現できる

● JavaScriptに習熟していないバックエンドエンジニアに適した選択肢

● Gen2バージョンでは、大幅な進化とパフォーマンス向上を実現している。


Key Takeaway

● クラウドコスト分析は企業と個人の双方にとって極めて重要である。AIエージェント元年には、Amazon Web Servicesのテクノロジースタックを使用して、クラウドコストの分析を支援するAIエージェントを迅速に構築できる。

● Strands Agentsは、マルチエージェントシステムを柔軟に構築するためのフレームワークであり、わずか3行のPythonコードでAIエージェントをセットアップできる。極めてシンプルで、高い拡張性を備えている。

● Strands AgentsはMCPおよびA2Aプロトコルをサポートし、エージェント間の連携とツール共有を可能にする。

● Strands AgentsはBedrock AgentCoreとシームレスに統合し、本番レベルのデプロイを実現できる。

● AgentCoreを使用すると、デプロイと保守のプロセスを簡素化できる。Runtimeコンポーネントは、自動スケーリングを備えたサーバーレスランタイム環境を提供する。

● Memory、Identity、Gateway、Observabilityなどのコンポーネントは、メモリ、認証、ツール統合、モニタリングの統合機能を提供する。

● CLIによる自動パッケージングとデプロイにより、本番環境へ迅速に移行できる。


Amazon Bedrock AgentCoreのアーキテクチャ

コアサービス

● AgentCore Runtime: AIエージェントまたはツールのコードをホストする、安全なサーバーレス実行環境。セキュリティのためにセッションを完全に分離し、最長8時間の長時間非同期タスクをサポートする。

● Framework: 一般的なオープンソースのエージェントフレームワーク(LangGraph、CrewAIなど)と、あらゆる基盤モデルをサポートする。

● Agent Instructions: エージェントの振る舞いと機能を定義する。

● Agent Local Tools: タスクを実行するための、特定のエージェントにローカルなツール。

● Agent Context: 会話内の一時的なセッション固有の状態を管理する。

● AgentCore Gateway: エージェントがツールやリソースを検出して接続するための安全な方法を提供する。既存のAPI(Lambda関数やOpenAPI仕様など)をエージェント対応ツールへ変換し、カスタム統合作業を最小限に抑えられる。

● AgentCore Memory: 短期記憶と長期記憶の両方を管理し、エージェントがコンテキストを認識した会話を行えるようにする。会話のコンテキストを保存し、セッションをまたいだユーザー設定などの永続的な知識を抽出する。

● AgentCore Identity: エージェント向けに、安全でスケーラブルなIDおよびアクセス管理を提供する。認証と認可を処理し、エージェントがユーザーに代わってAWSリソースやサードパーティサービスへ安全にアクセスできるようにする。

● CloudWatch GenAI Observability(AgentCore Observability): 本番環境におけるエージェントのパフォーマンスについて、包括的なモニタリング、トレース、デバッグ機能を提供する。

Amazon CloudWatchとOpenTelemetry互換のテレメトリを活用し、エージェントのワークフローに関する詳細な運用インサイトを提供する。組み込みツール

● AgentCore Code Interpreter: データ分析や計算などの複雑なタスクのため、分離されたサンドボックス環境でエージェントがコードを安全に記述、実行できるようにする。

● AgentCore Browser: エージェントが大規模にWebサイトを操作して情報を抽出できる、高速で安全なクラウドベースのブラウザランタイムを提供する。

外部とのやり取り

● App & Models: エージェントシステムは、ユーザーアプリケーション、およびAmazon Bedrockやその他のプロバイダーが提供するさまざまな基盤モデル(FM)と連携してタスクを実行する。


Amazon Bedrock AgentCoreスターターツールキット

● Code: プロセスはAIエージェントのソースコードから始まる。

● Build: ツールキット内の「agentcore launch」コマンドがAWS CodeBuildプロジェクトを自動的に起動する。

● Container: CodeBuildがエージェントコードをコンテナイメージにコンパイルし、環境(ARM64アーキテクチャなど)に合わせて最適化する。

● ECR(Elastic Container Registry): 構築されたコンテナイメージがAmazon ECRリポジトリへ「プッシュ」され、そこがイメージの永続ストレージとして機能する。

● AgentCore Runtime: 続いてイメージが、AIエージェントの実行環境である安全なサーバーレスのAmazon Bedrock AgentCore Runtimeへデプロイされる。

● X-Ray: システムはオブザーバビリティのためにAWS X-Rayと統合され、本番環境でのエージェントのパフォーマンスに関するトレースとデバッグ機能を提供する。

● Automation: 下部のテキストは、agentcore-starter-toolkitがこれらの設定とデプロイの手順を自動的に処理することを示している。