本文にスキップ
AI News HubLIVE
サイト内リライト7 分で読了

LangGraph と Amazon Bedrock AgentCore Web Search で毎日の依存関係ウォッチャーを構築する

記事の要約

この記事では、Amazon Bedrock AgentCore Web Search API 上で LangGraph グラフとして毎日の依存関係ウォッチャーを構築する方法を紹介します。3つのパッケージエコシステムを並行して調査し、日付ウィンドウ、ブロックリスト、検索予算などのルールをコードに固定し、各検出結果を引用元と照合します。

ソースAWS Machine Learning Blog著者: Sundar Raghavan
LangGraph と Amazon Bedrock AgentCore Web Search で毎日の依存関係ウォッチャーを構築する
誤りを報告

訂正窓口はまだ利用できません。記事情報をコピーして保存できます。

訂正案内
本文へ

AI エージェントは、セキュリティアドバイザリ、製品リリース、価格、規制など、今日何が変わったかに依存する作業をますます処理するようになっています。モデルのトレーニングデータではこれらの質問に答えられないため、エージェントにはウェブ検索が必要です。本番環境では、チームは引用可能な結果と、どのソースを信頼するかの制御も必要とします。検索クエリは内部の作業を明らかにすることが多いため、クラウド環境内に留めたいと考えています。

Amazon Bedrock AgentCore の Web Search API が利用可能になりました。単一の API 呼び出しで、既に使用している AWS 認証情報で署名された最新のウェブ結果をエージェントやアプリケーションに提供します。AWS は Amazon が運用するウェブインデックスからすべてのクエリを処理し、サードパーティの検索エンジンには送信しません。各結果には、ページのタイトル、URL、公開日、およびクエリに関連する抜粋が含まれます。リクエストではドメインを含めたり除外したりでき、公開日の範囲を制限できます。AWS Lambda、Amazon Elastic Container Service (Amazon ECS)、または Amazon Bedrock AgentCore runtime 上で、エージェントは実行ロールを使用して API を呼び出します。保存やローテーションが必要な検索 API キーはありません。Web Search は AgentCore Gateway を通じても利用でき、そこでは管理者のソースポリシーがすべてのエージェントと MCP クライアントをカバーします。

LangChain 開発者向けに、LangChain の AWS 統合にある AgentCore ウェブ検索ツールが Web Search API を呼び出すようになりました。1回の関数呼び出しで、エージェントに最新の引用付き検索結果を提供します。また、このツールはモデルが変更できないルール(日付ウィンドウ、ソースブロックリスト、検索予算など)を保持できます。結果はコードでチェックできるデータとして返されます。LangChain エージェント、それらを実行するオーケストレーションフレームワークである LangGraph、およびサブエージェント、仮想ファイルシステム、コンテキスト圧縮を追加する Deep Agents と連携します。

この記事では、セキュリティチーム向けの毎日の依存関係ウォッチを、Web Search API 上の LangGraph グラフとして構築します。毎朝、チームが出荷するオープンソースパッケージとコンテナベースイメージに影響する新情報がないかを確認します。3つのパッケージエコシステムを並行して調査し、コードは日付ウィンドウ、ブロックリスト、検索予算をモデルの制御外に保ちます。各検出結果を引用元と照合し、既に報告した内容を記憶します。その後、AgentCore runtime 上でウォッチを実行し、AgentCore Gateway を通じてチーム間で提供します。テストでは、3つのブランチが36秒で完了し、順次実行の99秒に対して大幅に短縮されました。

ソリューションの概要

モデルは何を検索するかを決め、検出結果を書きます。日付ウィンドウ、ブロックリスト、検索予算、各検出結果のチェックなど、モデルの動作に関係なく守るべきすべてのルールはコードに残ります。図1は、notebook からウォッチを実行する際のこれらの部分の連携を示しています。番号付きの手順は次のとおりです。

  1. 実行がウォッチリストとウォッチウィンドウでグラフを開始します。
  2. fan_out が各エコシステム(npm、PyPI、コンテナベースイメージ)に1つの調査ブランチを開始します。LangGraph は3つのブランチを並行実行します。
  3. 各ブランチ内で、エージェントは Amazon Bedrock の Anthropic Claude モデルを呼び出します。モデルは何を検索するかを決め、最後に構造化された検出結果を生成します。
  4. ブランチの検索ツールは、各クエリに日付ウィンドウとブロックリストを追加します。AWS Signature Version 4 (SigV4) で署名されたリクエストで Web Search API を呼び出します。手順3と4は、各ブランチで最大4回の検索まで、すべてのブランチで同時に繰り返されます。
  5. 各ブランチは、ソースがサポートしウィンドウ内にある検出結果のみを保持します。3つのブランチがすべて終了すると、LangGraph はそれらの検出結果をマージし、keep_new を1回実行します。
  6. keep_new は LangGraph ストアをチェックし、新しい検出結果を記録して、二重報告を防ぎます。
  7. report はセキュリティチーム向けに新しい検出結果の引用表を構築します。

前提条件

開始する前に、以下が必要です。

  • Web Search API を提供する AWS リージョンで動作する AWS アカウント。例では米国東部(バージニア北部)リージョン (us-east-1) を使用します。
  • Python 3.10 以降。
  • notebook を実行する ID の AWS 認証情報(環境変数または AWS CLI プロファイルから)。その ID には手順1の IAM 権限と、Amazon Bedrock の Anthropic Claude モデルへのアクセスが必要です。
  • 次の Python パッケージ:boto3 1.43.127 以降、AgentCore Python SDK (bedrock-agentcore) 1.26.0 以降、langchain-aws 1.9.3 以降。pip コマンドでインストールします。

Web Search とモデル呼び出しは使用量に応じて課金されます。ウォッチの1回の実行で最大12回の検索が行われます。完全なコードは notebook にあります。

手順1:権限を付与する

まず、実行する ID に検索権限を付与します。Web Search API は AWS が所有する1つのリソースに対して1つの IAM アクションを必要とするため、ステートメントはどのアカウントでも同じです。これは、ゲートウェイのサービスロールがウェブ検索に使用するのと同じ権限です。

{
"Effect": "Allow",
"Action": "bedrock-agentcore:InvokeWebSearch",
"Resource": "arn:aws:bedrock-agentcore:us-east-1:aws:tool/web-search.v1"
}

手順2:固定ルールを持つ検索ツールを構築する

次に、各調査ブランチが使用する検索ツールを構築します。ウォッチは、モデルに日付ウィンドウ、信頼できるソース、検索回数を選ばせてはいけません。また、グラフは後で検出結果を照合するために、返されたソースをデータとして必要とします。langchain-aws パッケージのウェブ検索ツールキットは、そのオプションでこれらすべてをカバーします。

toolkit, tools = create_web_search_toolkit(
region="us-east-1",
exclude_domains=BLOCKLIST,
published_after=window_start.strftime("%Y-%m-%dT%H:%M:%SZ"),
model_filters=False,
max_searches=4,
return_sources=True,
)

gateway 引数がない場合、ツールは Web Search API を呼び出します。すべての検索にブロックリストと日付の下限が付加され、モデル自身の引数はそれらを狭めることしかできません。model_filters=False の場合、モデルにはクエリ引数のみが表示されます。ツールは4回の検索後に停止し、結果を2回返します。モデル用のテキストとして、そしてグラフ用のアーティファクトとして。各ブランチは独自のツールキットを作成するため、ブランチは並行して検索します。同じツールを Deep Agents サブエージェントに提供できます。

手順3:検出結果スキーマを定義する

検索ツールができたら、各ブランチが返すものを定義します。各ブランチは Pydantic スキーマを応答形式として使用する create_agent エージェントであるため、散文ではなく検出結果を返します。検出結果には、パッケージ、1行のタイトル、ソースが提供する場合は CVE またはアドバイザリ ID が含まれます。また、ソースが述べる重大度、ソースが悪用されたと述べているか、推奨されるアクション、ソース URL も含まれます。notebook には完全なスキーマとプロンプトがあります。

手順4:グラフとその証拠チェックを構築する

次にグラフを組み立てます。fan_out は LangGraph の Send API を使用してエコシステムごとに1つのブランチを送信するため、ブランチは並行して実行されます。ブランチが戻る前に、コードは各検出結果に対して4つのチェックを実行します。チェックは検出結果をそのブランチ自身の検索が返したものと比較します。

  • 引用された URL がそのブランチの検索から返された。
  • ソースのタイトルまたはテキストがパッケージ名を単語全体として示している。
  • 検出結果内の CVE またはアドバイザリ ID がそのテキストに現れる。
  • ソースの公開日がウォッチウィンドウ内にある。アーティファクトは各日付を解析済みで保持し、日付がない場合はウィンドウ外とみなされます。

すべてのブランチが終了した後、keep_new は生き残った検出結果を LangGraph ストアと比較し、report が表を構築します。これらのチェックは、サポートされていない URL、パッケージに言及していないソース、でっち上げられた ID、ウィンドウ外のソースを捕捉します。重大度、悪用状態、影響を受けるバージョン、推奨されるアクションを確認するものではありません。また、問題が最初に開示された時期を証明するものでもありません。インデックスが今週と日付を付けたページが古いインシデントを説明している可能性があります。本番のセキュリティワークフローでは、権威ある脆弱性フィードに対して検出結果を検証してください。誰かが行動する前に、検出結果をレビューする人が必要です。

手順5:ウォッチを実行する

7日間のウィンドウでウォッチを実行する準備ができました。私たちの実行では、3つのブランチが12回の検索を行い、80のソースを取得しました。それらは36秒の実時間で完了し、ブランチを合計すると99秒でした。証拠チェックは2つの検出結果を除外しました。1つはソースがパッケージに言及しておらず、もう1つは CVE ID がソースに現れませんでした。ブロックされたドメインからのソースはありませんでした。4つの検出結果がチェックを通過し、keep_new はそのうち2つを報告しました。以前のテスト実行が他の2つを既に報告していたため、ストアはそれらを保留しました。図2は LangGraph Studio での実行を示しています。レポートの各行はそのソースにリンクしており、これは Web Search の利用規約がユーザーに示すすべての出力に要求するものです。

手順6:ウォッチを再度実行して新しい検出結果のみを確認する

最後に、ストアの動作を確認するためにウォッチを再度実行します。スケジュールされたウォッチは毎日実行され、チームは同じアドバイザリを二度見るべきではありません。2回目の実行では、ブランチは再び検索して2つの検出結果を保持しましたが、ストアは両方を以前に報告していました。そのため、図3に示すようにレポートには新しいものはありませんでした。スケジュールされたジョブでは、InMemoryStore を、langgraph-checkpoint-aws の DynamoDBStore など、正確なキー検索が可能な永続ストアに置き換えてください。

既存の LangChain または Deep Agents アプリにウェブ検索を追加する

既に LangChain エージェントがある場合、ウェブ検索の追加にはいくつかの変更が必要です。デプロイ前にこれらを確認してください。

  • 権限:手順1のステートメントを、アプリが既に使用している ID または実行ロールに追加します。他に作成するものはありません。
  • リージョン:ツールキットのリージョンは Web Search API を提供する必要があり、モデルまたはアプリの他の部分のリージョンと異なっていてもかまいません。
  • ツール名:ツールの名前は web_search です。エージェントに同じ名前のツール(別の検索プロバイダーなど)が既にある場合は、追加する前にツールに別の名前を設定してください。
  • ルールと予算:各ツールキットは独自のフィルターと検索予算を持ちます。別々のルールや独自の予算が必要なエージェントまたはブランチごとに1つのツールキットを作成します。
  • スループット:アカウント内のすべてのエージェントは Web Search クォータを共有するため、並行ブランチは合算されます。デフォルトでは、アカウントは各リージョンで毎秒10リクエストを送信できます。

Deep Agents では、create_deep_agent でエージェントを定義します。モデル、ツール、システムプロンプト、サブエージェントです。ツールキットのツールをサブエージェントのツールリストに渡します。ルールはツールキットのオプションとして設定します。ツールはモデルが何を要求しても、すべての検索でそれらを適用するからです。手順4のように検出結果をソースと照合するには、エージェントの出力でそのチェックを実行するか、ミドルウェアとして追加します。私たちのテストでは、Deep Agents コーディネーターがこれらのツールを持つリサーチャーサブエージェントに委任し、約1分で引用付きの回答を返しました。

本番環境へ:AgentCore runtime 上で実行する

notebook なしで毎日ウォッチを実行する準備ができたら、AgentCore runtime 上でホストします。Runtime は LangGraph を含む任意のフレームワークで構築されたエージェントを書き換えなしで実行します。それは…(以下省略)

要点と分析を開く

記事インテリジェンス

エンジニア上級

要点

  • LangChain の create_web_search_toolkit を使い、日付ウィンドウ、ドメインブロックリスト、検索回数上限をモデルが変更できない形で設定して AgentCore Web Search API を呼び出す。
  • LangGraph の Send API で npm、PyPI、コンテナベースイメージの3つの調査ブランチを並行実行し、テストでは実行時間が99秒から36秒に短縮された。
  • 各ブランチは4つの証拠チェックを適用してサポートされない検出結果を除外し、keep_new ノードが LangGraph ストアを使って重複を防ぐ。
  • このウォッチャーは AgentCore runtime 上で毎日実行でき、AgentCore Gateway 経由でチーム間で共有できる。IAM 権限と共有検索クォータに注意が必要。

要点と分析は自動生成され、誤りを含む場合があります。原典をご確認ください。