AWS Hong Kong Summit 2026 · Developer Lounge 振り返り · 全 6 本中 第 2 本

AWS Magazine · ビクトリア・ハーバーからの現地レポート

---

ハイテクがハーバーフロントのラグジュアリーと出会う：Developer Lounge の空気感

AWS Hong Kong Summit 2026 Developer Lounge に足を踏み入れると、エネルギーが肌で感じられた。床から天井までのガラスがビクトリア・ハーバーのパノラマを切り取り、正午の陽光を映す水面を流線型のヨットが滑る。室内では、香港らしいラグジュアリーと超モダンなクラウドイノベーションがシームレスに溶け合っていた。サンフランシスコ、東京、ロンドン、シアトルから飛来したエンジニア、創業者、国際テックリーダーが、ベルベットのラウンジチェアに沈み込み、ハンドクラフトのローカルエスプレッソをすすりながら、光る画面に身を乗り出していた。

ここはステッカーをもらったり録画デモを見るだけの場所ではない。活発なビジネス協業と濃密な技術交流の震源地だ。メインフロアを囲むガラス張りの VIP ブースでは、ベンチャーキャピタリストとスタートアップ創業者がプライベートミートアップを行っていた。会話は高リスクな財務ダイナミクスに満ち——シードラウンド（money in）と本番インフラのバーンレート（money out）が並んで議論される。ホワイトボード壁では、スタッフアーキテクトと独立ビルダーが複雑なシステムトポロジを描き、生のモデル知能をエンタープライズ級ソフトウェアへどう変えるかを詰めていた。

+-----------------------------------------------------------------------------------+
AWS HONG KONG SUMMIT 2026 DEVELOPER LOUNGE

[ ハーバービュー VIP コーナー ]     [ ホワイトボード・アーキテクチャゾーン ]
  - プライベートミートアップとピッチ  - モデル支出 vs harness の堀
  - Money in / money out             - ライブコードとアーキテクチャトーク

[ ハンズオン Lab と Espresso Bar ]  [ メインステージとライトニングトーク ]
  - Managed memory と CLI セットアップ - Trista Pan agent harness 基調
  - ハンズオン AWS AgentCore GA      - グローバルスピーカーパネル
+-----------------------------------------------------------------------------------+

---

開幕：Lounge がデモから本番へシフトする

2025 年の香港 AWS AI シーンが、派手な agent プロトタイプ、毎週のデモ、生のモデル能力を見せる SNS スクリーンショットの連続花火だったとすれば、AWS Summit Hong Kong 2026 は運用成熟の到来を示した。Lounge に響く核心の問いは、もはや「モデルに何ができるか見て」ではなく、本番の決定的な問いだった：agent をどう安全に本番へ載せるか？

Developer Lounge では、その問いの焦点が Trista Pan の立ち見満員ライトニングトークに集まった。エンジニアとコンサルティングパートナーがホワイトボードの周りに群がり、中心命題を議論した：モデル支出は money out；harness engineering は複利で効く金だ。

原典エッセイ（builder.aws.com）： Agent Harness: Where Engineers Add Value When Models Keep Getting Smarter

トークと同時期に、AWS は Amazon Bedrock AgentCore Harness の一般提供（GA）を発表した——モデル単独では吸収できない本番運用レイヤーを提供するマネージドサービスだ。

GA 発表： Amazon Bedrock AgentCore harness is now generally available

---

AI モデルが成熟するにつれ、エンジニアリングのレバレッジは生のモデルから agent harness——価値をユーザーとビルダーへ向ける周囲の足場——へ移っている。2025 年、産業は高速プロトタイプで agent の能力を証明した。2026 年、焦点は運用統制と信頼性へ成熟した。アナリスト Aakash Gupta の要約どおり、「2025 was agents；2026 is agent harnesses。」真の価値は、agent を本番で確実に動かすことから来る。

---

空気の変化：From「できるか？」to「運用できるか？」

AI モデルがますます有能になるにつれ、エンジニアリングのレバレッジは周囲の足場へ移る——価値を 外へ顧客向け に向けるか、内へビルダー向け に向けるかだ。

● 昨年、agent はあらゆる産業でブレイクし、毎週新しいデモが伴った。

● 2025 年の支配的な問いは「X をできる agent を作れるか？」であり、答えはほぼ常に yes だった。

● 今年、問いは成熟した：単純な agent を立ち上げるのは容易だが、週末プロトタイプから本番システムへの移行には 信頼性と運用統制 が必要だ。

テックアナリスト Aakash Gupta の要約：「2025 was agents；2026 is agent harnesses。」

---

公式：Agent = Model + Harness

Vivek Trivedy の The Anatomy of an Agent Harness の枠組みを借りると、現代 AI アプリケーションの核心的アーキテクチャ同一性は、単純な公式で表せる：

Agent = Model + Harness

コンポーネントがコア基盤モデルそのものでなければ、それは harness に属する。ツール、メモリ、prompt engineering、オーケストレーション、可観測性、ガードレール、ルーティング、デプロイ——すべて harness engineering だ。この harness を体系的に設計し、運用失敗を恒久的なシステム修正へ変える——Mitchell Hashimoto が強調してきた方法——が harness engineering という規律を定義する。

Lounge で刺さった自動車アナロジー

初心者にも直感的にするため、Lounge のスピーカーは古典的な自動車アナロジーを使った：

● モデルはエンジン：動力、推論、計画、生の駆動力を生む。

● しかしガレージの床に置いた生のエンジンをドライバーに渡せない。

● 公道を走れる車には、シャーシ、ステアリング、ブレーキ、ダッシュボード、シートベルト、ヘッドライトが要る。

● エンジンは動力を生むが、harness がその動力を日常利用に耐える安全で信頼できる車へ変換する。

高性能モデルは成功する本番 agent を保証しない。強力なエンジンだけでは安全な自動車を保証しないのと同じだ。

ラグジュアリーホスピタリティのアナロジー

香港の一流料理店は高級コンロだけに頼らない。成功は予約管理、厨房連携、品質管理、ゲストホスピタリティにかかっている。AI アーキテクチャでも同様で、モデルは炎、harness はより広い運用管理を表す。

---

Harness には二つの半面がある

Agent harness の責務は、ビルド時能力とランタイム運用に均等に分かれる：

Martin Fowler のチームは、この技術規律を正式に harness engineering と呼ぶ。アプリケーション能力を分類すると、モデルに直接属するのはごく一部で、大半は harness 層に属する。

---

実証拠：同じモデル、優れた Harness

「より賢い基盤モデルを待てばいい」という懐疑派への答えとして、発表者は モデルは変えず harness インフラだけを最適化した実証ベンチマークを共有した：

1. Vercel の v0 — より少ないコンテキスト、より高い効率

大きなコンテキストウィンドウは、古い情報による性能劣化を防ぐため能動的管理が要る。Vercel の v0 チームはアクティブなツールセットを 15 から 2 つのコア primitive（bash とファイルシステム操作）へ削減した。

● 精度： 80% から 100% へ上昇。

● Token 支出： 約 37% 減少。

● レイテンシ： 応答が 3.5 倍 高速化。

2. LangChain on Terminal Bench 2.0

明示的な harness コンポーネント——自己検証ループ、完了前チェックリスト、ループ検知ロジック——を加えることで、同一モデルバックエンド上で性能が向上：

● ベンチマークスコア： 52.8% から 66.5% へジャンプ。

● 順位： おおよそトップ 30 からトップ 5 へ。

3. より小さなモデルがフラッグシップを上回る

● Hebia： 専用の金融・法務 harness に GPT-5.4 mini を載せ、未 harness のフラッグシップより高い合格率とよりきれいな出典帰属を、より低い token コストで達成。

● MIT CSAIL の Recursive Language Models： GPT-5-mini を、ファインチューニングなしでコンテキスト断片上で自らを再帰呼び出しするアーキテクチャで包み、はるかに大きなモデル構成に対し 64.9% vs 30.3% のベンチマークを達成。

---

モデルは Harness を吸収するか？

よくある開発者の懸念は、基盤モデルの急速な進歩が harness engineering を不要にするかどうかだ。

モデルが吸収しつつあるもの

特定の低レベルタスクは、新しいモデルにネイティブで扱われることが増えている：

● コンテキスト処理： 拡大するコンテキストウィンドウが手動チャンキングのオーバーヘッドを減らす。

● 計画： 高度な推論モデルが、複雑な手動スプリント分解なしに長地平線の一貫性を維持する；Addy Osmani は、これが context-anxiety 失敗モードを大幅に減らすと指摘した。

● 基本的な自己訂正： 拒否パターンと基本的な出力検証が、生のモデルにますます組み込まれている。

なぜ運用レイヤーは不可欠のままか

Harness はソフトウェアスタックの上位へ移動することで進化する。モデルルーティング、インフラスケーリング、コスト追跡、セキュリティ強制、テレメトリといった核心運用責務は、生のモデル知能とは別物のままだ。

キーテイクアウェイ： モデルは、自らのマルチプロバイダルーター、インフラスケーラー、コストガバナンスエンジンにはなれない。

+-----------------------------------------------------------------------------------+
EVOLUTION OF THE AGENT HARNESS STACK

Operations Layer（成長）
  - マルチモデルルーティングとコスト最適化
  - ガードレール強制と決定的な権限
  - 分散トレーシングと CloudWatch 可観測性

Model Layer（低レベルタスクを吸収）
  - 拡張コンテキストウィンドウと基本計画
  - ネイティブ関数呼び出しと基本的な自己訂正
+-----------------------------------------------------------------------------------+

コンポーネント進化分析

---

AI エンジニアリングチーム向け戦略方向

開発者とスタートアップは、次の二つの主要戦略のいずれかに意図的にコミットすることが推奨される：

1. 方向 A — 外へ顧客向け： プロダクト設計、ユーザー体験、ドメイン問題解決に集中する。マネージド harness とフロンティアモデルを組み合わせることで、小チームがより少ない人員で洗練されたアプリを出荷できる。

2. 方向 B — 内へビルダー向け： 再利用可能な開発者ツール、カスタムミドルウェア、評価ループ、ドメイン固有ルーティングインフラを構築する。複数のモデル世代をまたいで持続する長期価値を生む。

---

深掘り：Amazon Bedrock AgentCore Harness GA

Amazon Bedrock AgentCore Harness の一般提供により、AWS は agent の本番デプロイを合理化するマネージドインフラ抽象を提供する。

+-----------------------------------------------------------------------------------+
AMAZON BEDROCK AGENTCORE HARNESS (GA)

API サーフェス：CreateHarness / InvokeHarness

Harness 下の primitive
  - Runtime       コンピュート
  - Memory        意味的状態
  - Gateway       API / MCP ツール
  - Browser       Web サンドボックス
  - Interpreter   Python / Node サンドボックス
  - Identity      認証情報ボールト

可観測性：CloudWatch 統一 harness トレーシング
+-----------------------------------------------------------------------------------+

---

アーキテクチャ概要と主要能力

Simon Willison の根本定義——「LLM agent は目標達成のためにツールをループで実行する」——を土台に、AgentCore Harness は周囲の運用オーバーヘッドを簡素化する。ローカルの agent ループをプロトタイプするのは容易だが、本番環境のデプロイは伝統的に、サンドボックスコンピュート、ネットワーク分離、アイデンティティボールト、セッション永続化、分散トレーシングの管理を要する。AgentCore Harness は、カスタムインフラセットアップを二つの中心 API——CreateHarness と InvokeHarness——によるマネージド抽象へ置き換える。

1. マルチモデル柔軟性とプロバイダ切替

AgentCore Harness は agent 設定を単一モデルベンダーから切り離す。開発者はデフォルトモデル設定を定義し、呼び出しごとに動的に上書きしたり、会話状態を保ったままセッション途中でモデルプロバイダを切り替えたりできる。

モデルプロバイダサポートには以下が含まれる：

● bedrock：Amazon Bedrock 上のモデルへのネイティブアクセス——Anthropic Claude、Amazon Nova、Meta Llama、DeepSeek、Qwen、Kimi、MiniMax、Cohere、Mistral、および Bedrock 上の OpenAI GPT-5.5・GPT-5.4 エンドポイント。

● openAi：OpenAI API エンドポイント（api.openai.com）への直接接続。

● gemini：Google Gemini API の直接統合。

● liteLlm：Azure OpenAI、Vertex AI、Cohere、カスタム自前ホストエンドポイントを含むサードパーティエンドポイントへの汎用統合。

外部モデルプロバイダ用 API キーは AgentCore Identity の token vault で管理され、認証情報が生のモデルコンテキストへ露出しないようにする。

2. 宣言的ツール統合

ツールは harness 作成時に tools 配列内の構造化宣言で定義する：

"tools": [
  { "type": "agentcore_browser" },
  { "type": "agentcore_code_interpreter" },
  { 
    "type": "remote_mcp",
    "name": "X_tool",
    "config": { "remoteMcp": { "url": "https://mcp.X_tool/mcp" } } 
  },
  { 
    "type": "agentcore_gateway",
    "name": "Y_tool",
    "config": { "agentCoreGateway": { "arn": "arn:aws:bedrock-agentcore:us-west-2:123456789012:gateway/gw-xyz" } } 
  }
]

すべての実行セッションは、手動のツールラッピングなしでネイティブの shell と file_operations へ自動アクセスできる。特定ツールは、InvokeHarness の allowed_tools 上書きパラメータでランタイムに選択的に許可または制限できる。

3. マネージドセッションメモリ

CreateHarness 時に明示的な memory フラグを省略すると、エンタープライズ既定値付きマネージドメモリが自動プロビジョンされる：

● 戦略： SEMANTIC インデックスと SUMMARIZATION 処理の組み合わせ。

● データ保持： 設定可能なデフォルト 30 日のイベント有効期限。

● セキュリティ： AWS マネージド暗号化と、actorId スコープのテナント分離。

// Example: Managed Memory Configuration
"memory": {
  "managedMemoryConfiguration": {
    "strategies": ["SEMANTIC", "SUMMARIZATION"],
    "eventExpiryDuration": 30
  }
}

// Example: Bring Your Own Memory ARN
"memory": { 
  "agentCoreMemoryConfiguration": { 
    "arn": "arn:aws:bedrock-agentcore:us-west-2:123456789012:memory/mem-abc" 
  } 
}

// Example: Stateless Execution
"memory": { "disabled": {} }

4. モジュール式 Skill 統合

Skills は、コードスクリプト、参照ファイル、ドメイン指示を含むモジュールバンドルを表す。メタデータは事前にインデックスされ、タスク実行計画が必要とするときに完全内容が動的ロードされる。

HarnessSkill スキーマは四つの取り込みソースをサポートする：

● awsSkills：SDK 利用、IaC、セキュリティ、serverless、データベース、運用をカバーする事前キュレートされた AWS ドメイン skill バンドル。

● git：特定ブランチまたはコミットハッシュにピン留めした HTTPS リポジトリ。

● s3：Amazon S3 バケットからの直接 skill パッケージデプロイ。

● path：ローカルコンテナファイルシステム参照。

5. サンドボックスランタイムと永続ストレージ

Amazon ECR に格納したコンテナイメージをリンクすることで、カスタム依存関係をデプロイできる。開発者は InvokeAgentRuntimeCommand API を使い、モデル token コストをかけずにセットアップスクリプトを実行できる。

ストレージオプションは多様な永続要件に対応する：

6. 可観測性、評価、最適化ループ

CloudWatch GenAI Observability は専用の Harnesses ダッシュボードビューを備える。運用チームは、メモリ参照、ブラウザセッション、コード実行、ツール呼び出しを横断して、個別スパンまで実行パスを追跡できる。

組み込み評価コンポーネントが自動品質管理を支援する：

● AgentCore Evaluations： バッチデータセットまたはライブトラフィック上で、faithfulness、helpfulness、safety を評価する LLM-as-a-judge メトリクスを実行。

● AgentCore Optimization： 評価スコアを分析し、最適化されたシステム prompt とツール説明を提案し、AgentCore Gateway 経由のライブ A/B ルーティングで変更を検証。

7. 環境バージョニングとコードエクスポート

harness 設定の更新は不変なバージョン記録を作成する。本番デプロイエンドポイントは明示バージョンにピン留めでき、確実なロールバックを保証する：

# Pin PROD Endpoint to Harness Version 2
aws bedrock-agentcore-control create-harness-endpoint \
  --harness-id harness-xyz123 \
  --endpoint-name PROD \
  --harness-version 2

# Promote Version 5 to PROD
aws bedrock-agentcore-control update-harness-endpoint \
  --harness-id harness-xyz123 \
  --endpoint-name PROD \
  --harness-version 5

アプリケーションが宣言的設定を超え成長した場合、開発者は harness をコードへエクスポートできる：

agentcore export harness --name myHarness-xyz123 --output ./my-agent

これはオープンソース Strands フレームワーク上のコードをエクスポートし、prompt 定義、メモリ構造、ツールバインディングを保持する。

---

三つの本番 Agent 構成

AgentCore Harness の汎用性は、三つの標準本番デプロイパターンで示される：

パターン 1：自動リサーチ＆コンテンツ合成 Agent

● ツール： Web 検索エンドポイントを指す AgentCore Gateway と組み合わせた agentcore_browser。

● Skills： ドキュメント処理 skill リポジトリへ git 経由で接続。

● メモリ： 複数ステップのリサーチセッションをまたぐコンテキスト保持のため、デフォルトマネージドメモリを有効化。

パターン 2：エンタープライズクラウド分析 Agent

● Skills： 完全な awsSkills バンドルを取り込み。

● 権限： Athena、Glue、Redshift、CloudWatch へのアクセスを提供するスコープ付き IAM 実行ロール。

● ツール： 安全なサンドボックス内で Python データ可視化を実行する agentcore_code_interpreter を含む。

パターン 3：自動ソフトウェア開発 Agent

● ランタイム： 開発ツールチェーンを事前ロードしたカスタム ECR コンテナ。

● ツール： GitHub／GitLab リポジトリに接続した AgentCore Gateway。

● 実行： モデル推論と並行して、決定的な Git 操作（clone、branch、commit）に InvokeAgentRuntimeCommand を使用。

---

消費ベースの料金構造

Amazon Bedrock AgentCore Harness は 固定の基本サブスクリプション料金なし で運用される。請求は厳密にアクティブリソース消費に基づく：

---

グローバル顧客の実装例

エンタープライズリーダーが Summit パネルで本番実装を紹介した：

● Omar Paul（Twilio、VP of Product）： 「AgentCore Harness と Twilio Conversations を組み合わせることで、当社のグローバル顧客基盤は、基盤インフラを再構築することなく、文脈のある音声・メッセージング agent を迅速にデプロイできる。」

● Dr. Lukas Schack（TUI GROUP、Principal ML Engineer）： 「AgentCore は組織横断の基盤ビルディングブロックだ。500 人超の開発者による社内ハッカソンでは、チームがコンセプトを数分で動くプロトタイプへ移すのが常だ。」

● Rodrigo Moreira（VTEX、VP of Engineering）： 「手動オーケストレーションコードから宣言的 harness 設定へ移ったことで、チームは新しい e コマース顧客ジャーニーを日単位ではなく分単位で検証できる。」

● Kazumi Matsuda（FUJISOFT、Senior Manager）： 「AgentCore のバージョニングと A/B 最適化ループを使い、更新を全面展開する前に本番トラフィック上でライブ評価を走らせている。」

---

はじめ方：ハンズオン・クイックスタート

オプション A：コマンドラインインターフェース（CLI）

# 1. Install global AgentCore CLI tool
npm install -g @aws/agentcore@preview

# 2. Initialize harness project definition
agentcore create --name research-agent --model-provider bedrock

# 3. Deploy infrastructure to AWS
agentcore deploy

# 4. Invoke agent endpoint
agentcore invoke "Plan a 5-day Tokyo itinerary with daily budgets and reservation links."

オプション B：Python SDK（boto3）

import boto3
import uuid

# Initialize control and data clients
control = boto3.client("bedrock-agentcore-control", region_name="us-west-2")
data    = boto3.client("bedrock-agentcore",         region_name="us-west-2")

# Step 1: Create the Agent Harness definition
harness = control.create_harness(
    harnessName="FinancialAnalysisAgent",
    executionRoleArn="arn:aws:iam::123456789012:role/AgentCoreExecutionRole"
)

# Step 2: Invoke the Harness endpoint with session tracking
session_id = str(uuid.uuid4()).ljust(33, "0")  # Minimum required length: 33 characters

response = data.invoke_harness(
    harnessArn=harness["harnessArn"],
    runtimeSessionId=session_id,
    messages=[{
        "role": "user",
        "content": [{"text": "Summarize Q3 financial highlights from uploaded reports."}]
    }]
)

# Step 3: Stream responses in real time
for event in response["stream"]:
    print(event)

---

ベテランの評決：エンジンと車両

メインフレームアーキテクチャからクライアント／サーバ、現代のクラウドセットアップまで、数十年の技術サイクルを見てきた経験から言えば、AI エンジニアリングの進化は馴染みのあるパターンを辿る。生の計算能力は、やがて運用管理とエンタープライズ harness システムへ道を譲る。

基盤モデルは急速に進化し続ける。しかしエンジニアリングチームが築く耐久価値は、周囲のインフラにある：運用ガードレール、メモリ戦略、評価ループ、システムルーティングだ。

モデルがエンジンを提供し、harness が完全な車両を作る。アーキテクチャを意図的に選び、長期スケーラビリティのために築け。