AI エージェントを構築する際、モデルの選択は最初のステップに過ぎません。エージェントにはツール、タスクを完了するための指示、長いセッションでのコンテキスト増加を管理する方法、そして返金処理のような重要なアクションを実行する前のガードレールが必要です。
Amazon Bedrock AgentCore harness は、今年初めに Apache 2.0 ライセンスでリリースされたオープンソースのエージェントハーネスである Strands harness を使用するようにアップグレードされました。また、AgentCore harness はライフサイクルフックを導入し、エージェントループの定義済みポイントで独自の決定論的なチェックと通知を適用できるようにします。
このアップグレードにより、管理されたデフォルトに依存するエージェントは、推奨モデル、タスク指向のシステムプロンプト、自動プロンプトキャッシュ(当初は Amazon Bedrock 上の Anthropic モデル向け)、プロアクティブなコンテキスト管理を利用できるようになります。さらに、プランニング、ウェブ取得、ファイルシステムアクセス、コンテキストオフロード、タスク委任のための組み込みツールも追加されます。これにより、エージェントは長いタスク中により大きな能力を発揮し、サブタスクを追跡し、コンテキストウィンドウの使用量を減らし、作業を委任できるようになります。フックを使用すると、特定のライフサイクルチェックポイントで決定論的なコードを実行することにより、非決定論的な AI の動作を予測可能で安全かつガバナンスされたワークフローに変換できます。
新しいリソースタイプや統合を採用する必要はありません。既存の AgentCore harness で両方の更新が自動的に適用されます。
AWS 上の Strands 機能
Strands harness は、推奨される指示、ツール、コンテキスト管理を備えた組み立て済みのエージェント基盤を提供します。Amazon Bedrock AgentCore harness は、その基盤を管理された AWS サービスとして運用します。その結果、ハーネスやそのインフラストラクチャを自分で組み立てて運用する必要のない、本番グレードのデフォルトエージェントが実現します。
コンピューティングリソースをプロビジョニングしたり、エージェントループをバンドルしてホストしたり、セッションのスケーリングを管理したり、ツール実行インフラストラクチャを運用したりする必要はありません。各セッションは、Amazon Bedrock AgentCore の機能である AgentCore ランタイム内の安全なカーネル分離マイクロ VM で実行され、管理されたコンピューティング、スケーリング、高可用性を備えています。
AgentCore は、ハーネスを本番エージェントに必要なサービスに接続することでこれを実現します。これには、セッション永続性、ストリーミング応答、使用状況メタデータ、可観測性、AgentCore メモリ、Identity、Gateway、Browser、Code Interpreter、および顧客提供のコンテナが含まれます。モデル、指示、ツール、権限、ライフサイクルポリシーの制御はお客様が保持し、AgentCore が基盤となる実行環境を管理します。
より高性能な管理ハーネス
管理されたデフォルトを使用する場合、ハーネスはより強力なエクスペリエンスを提供するようになりました。
現在の推奨モデル: モデルを省略すると、ハーネスは新しいモデルがリリースされるたびに進化する推奨デフォルトモデルを使用し、ハーネスを常に最新の状態に保ちます。明示的なハーネスレベルおよび呼び出しごとのモデル設定は引き続き優先されます。
タスク指向の指示: 管理されたシステムプロンプトは、エージェントに関連するコンテキストを収集し、適切なツールを使用し、タスクが解決するまで続行し、失敗や拒否されたアクションに適応し、完了を報告する前に作業を検証することを促します。デフォルトのシステムプロンプトは、最新のハーネス動作をサポートするために時間とともに改善されます。
自動プロンプトキャッシュ: Amazon Bedrock 上の Converse を使用するサポート対象モデルの場合、ハーネスはシステムプロンプト、ツール定義、会話履歴をキャッシュします。同じプロンプトとツールサーフェスを使用した繰り返し呼び出しでは、低価格のキャッシュ読み取りトークンを使用できるため、入力処理の遅延とコストが削減されます。
プロアクティブなコンテキスト管理: デフォルトでは、コンテキストウィンドウが設定可能なしきい値に達すると、ハーネスは最近のコンテキストを保持しながら古い会話ターンを要約します。このようにコンテキストを簡潔に保つことで、ハーネスは他の主要なハーネスよりも約 34% 低いトークンコストで実行できます。
コンテキストオフロード: 大きなツール結果は、即時のモデルコンテキストから移動できます。エージェントはプレビューを受け取り、必要に応じて完全な結果を取得できるため、データへのアクセスを失うことなく繰り返しのコンテキスト使用を削減できます。
呼び出しをまたぐプランニング: todo_write ツールは構造化されたタスクプランを維持し、同じセッション内の後続の呼び出しで復元できます(会話の要約後も含む)。
集中された委任: subagent ツールは自己完結型のタスクを新しいワーカーに委任し、結果を親エージェントに返します。ワーカーは呼び出し内部のものであり、別途管理されるハーネスリソースではなく、呼び出し制限とツール呼び出しライフサイクルフックを共有します。
ウェブ取得: web_fetch ツールは指定されたウェブページからコンテンツを取得し、ハーネスに最新の外部コンテキストを提供します。
きめ細かいファイルシステムアクセス: 個別の読み取り、書き込み、編集ツールにより、エージェントが必要とするファイルシステム機能のみを付与できます。
顧客提供の Model Context Protocol (MCP) サーバー、AgentCore Gateway(Amazon Bedrock AgentCore の機能)、Browser、Code Interpreter、インライン関数、スキル、メモリ、顧客提供のコンテナは、既存のハーネスインターフェイスを通じて引き続き動作します。
デフォルトで推奨、必要に応じて設定
ハーネスはデフォルトを管理し、それらを使用するエージェントがモデル、指示、コンテキスト管理、組み込み機能の改善に応じて現在の AgentCore 推奨エクスペリエンスを受けられるようにします。
明示的な設定は常に優先されます。
モデル ID を設定して特定のモデルを使用し続けます。
systemPrompt を設定して管理されたシステムプロンプトを完全に置き換えます。
truncation を設定して特定のコンテキスト管理ポリシーを維持します。
個々の allowedTools セレクターをリストして固定のツールサーフェスを維持します。
allowedTools が省略されているか ["*"] に設定されている場合、ハーネスは現在推奨される組み込みツールセットを提供します。このセットは時間とともに機能が追加される可能性があるため、固定のセキュリティまたは機能境界を持つアプリケーションは、必要なツールのみをリストする必要があります。
たとえば、次の設定では、シェルアクセスやファイル変更を許可せずに、読み取り専用のファイルシステムアクセスとウェブ取得を許可します。
{ "allowedTools": [ "read", "web_fetch" ] }
ライフサイクルフックで重要なアクションをガバナンスする
ライフサイクルフックを使用すると、エージェントループの定義済みポイントで独自の決定論的なコードを実行できます。たとえば、AWS Lambda 関数はリクエストまたはツール呼び出しを許可または拒否でき、Amazon Simple Notification Service(Amazon SNS)トピックまたは Amazon EventBridge イベントバスは、アクティビティを記録したり非同期ワークフローを開始したりするための通知を受け取ることができます。
ハーネスは 4 つのライフサイクルイベントをサポートします。
イベント | 実行タイミング | Lambda 拒否の効果
before_invocation | エージェントがリクエストを処理する前 | hook_stopped で呼び出しを停止
before_tool_call | モデルがツール呼び出しを提案した後、実行前 | ツール呼び出しをスキップ。エージェントループは続行
after_tool_call | ツール結果が存在した後 | 結果を保持し、さらなる推論の前に停止
after_invocation | 呼び出しが完了した後 | 決定を報告。すでにストリーミングされた出力は取り消せない
Lambda フックのみがエージェントループを変更できます。これらは同期的に実行され、オプションの理由とともに許可または拒否を返します。SNS および Amazon EventBridge フックは通知であり、エージェントループをブロックしません。
たとえば、カスタマーサポートエージェントは注文を独自に調査し、before_tool_call フックが返金ツールの実行前に各返金を承認限度額と照合できます。次の設定はその Lambda 関数をハーネスにアタッチします。
[ { "beforeToolCall": { "name": "refund_policy", "target": { "lambda": { "arn": "arn:aws:lambda:us-west-2:123456789012:function:refund-policy", "timeoutSeconds": 10, "failureMode": "deny" } } } } ]
この関数はフックペイロードで提案されたツール呼び出しを受け取り、決定を返します。
def lambda_handler(event, _context): tool = event["context"] if tool["toolName"] == "issue_refund" and tool["toolInput"]["amount"] > 500: return {"decision": "deny", "reason": "Refund exceeds the $500 auto-approval limit."} return {"decision": "allow"}
関数が呼び出しを拒否すると、ハーネスは返金をスキップし、エージェントは続行するため、顧客にリクエストがエスカレーションされたことを伝えることができます。各決定は InvokeHarness レスポンスストリームに hookEvent としても表示されます。
{ "hookEvent": { "name": "refund_policy", "type": "before_tool_call", "decision": "deny", "reason": "Refund exceeds the $500 auto-approval limit." } }
フックはサブエージェントにも適用されます。エージェントがタスクを委任すると、サブエージェントが行う各ツール呼び出しは同じ beforeToolCall および afterToolCall フックを通過するため、委任によって返金ポリシーをバイパスすることはできません。呼び出しレベルのフック(beforeInvocation、afterInvocation)は呼び出し全体に対して 1 回実行されます。
フックは CreateHarness または UpdateHarness で設定します。Lambda 関数がタイムアウトまたはエラーを返した場合、フックはその failureMode を適用します(デフォルトは拒否)。タイムアウト、ペイロードフィールド、コンテキスト制限については、Amazon Bedrock AgentCore 開発者ガイドのライフサイクルフックを参照してください。
すべてのイベントとターゲットタイプが連携して動作することを確認するには、GitHub の Amazon Bedrock AgentCore サンプルリポジトリにある Refund Desk サンプルをお試しください。6 ステップのガイド付きツアーでは、4 つのライフサイクルイベントすべてと AWS Lambda、Amazon SNS、Amazon EventBridge ターゲットを示します。また、クライアント提供のインライン関数結果の検証と、failureMode の拒否と許可の違いも示します。
AgentCore CLI でマルチエージェントリサーチコーディネーターを実行する
ハーネスの作成は 1 つのコマンドで行えます。名前を付け、必要な指示、コンテキストポリシー、制限を設定します。この例では、タスク指向のシステムプロンプトと要約ベースの切り捨てを備えたハーネスである Research Coordinator を作成します。1 回の呼び出しで、リサーチャー、シンセサイザー、レビューアーをサブエージェントとして実行し、統合されたレポートを返します。インフラストラクチャをプロビジョニングしたり委任を自分で配線したりすることなく、マルチエージェントオーケストレーションとコンテキスト管理を実現できます。
agentcore harness コマンドはハーネス API を直接呼び出すため、CLI プロジェクトやデプロイ手順は必要ありません。npm で AgentCore CLI(Amazon Bedrock AgentCore の機能)をインストールします。
npm install -g @aws/agentcore
CLI はデフォルトの AWS 認証情報を使用します。--profile フラグはないため、特定のプロファイルを使用する場合は AWS_PROFILE 環境変数を設定します。コーディネーターの指示をサンプルから作業ディレクトリの system_prompt.md として保存します。
ハーネスを作成する
このコマンドは、コーディネーターのシステムプロンプト、会話が長くなっても最近の 30 メッセージをそのまま保持する要約ポリシー、ワークフロー全体に十分な制限を渡します。モデル、メモリ、実行ロールを省略しているため、ハーネスは現在の AgentCore 推奨モデルと管理メモリを使用し、CLI が IAM に実行ロールを作成します。
HARNESS_ID=$(agentcore harness create --region us-west-2 --json \ --name ResearchCoordinator \ --system-prompt "$(cat system_prompt.md)" \ --truncation '{"strategy":"summarization","config":{"summarization":{"summaryRatio":0.3,"preserveRecentMessages":30}}}' \ --max-iterations 100 \ --timeout-seconds 3600 \ | jq -r '.harness.harnessId')
作成は非同期です。作成が完了するまで待ちます。最後のコマンドは READY を出力するはずです。
while [ "$(agentcore harness get --region us-west-2 --id "$HARNESS_ID" --json | jq -r '.harness.status')" = CREATING ]; do sleep 10; done
agentcore harness get --region us-west-2 --id "$HARNESS_ID" --json | jq -r '.harness.status'
プロンプトを送信する
新しいセッション ID でハーネスを呼び出します。基本的な質問から始めます。コーディネーターはサブエージェントを呼び出さずに直接回答します。
SESSION_ID=$(uuidgen) agentcore harness invoke --region us-west-2 \ --id "$HARNESS_ID" \ --session-id "$SESSION_ID" \ --prompt "What is the current trending topic in AI?"
次に、同じセッションで完全な調査レポートを依頼します。コーディネーターは作業を計画し、リサーチャー、シンセサイザー、レビューアーに順番に委任します。