@shinyaz

AgentCore CLI 実践 — 主要機能を統合して技術トレンドアドバイザーを構築する

約6分
ai-agents
#bedrock#agentcore#agentcore-cli#agentcore-memory#agentcore-gateway#agentcore-evaluations#strands-agents#ai-agents
目次

はじめに

本シリーズでは、AgentCore CLI の4つの主要機能を個別に検証してきた。

  • 第1回 — Runtime（基本ライフサイクル）
  • 第2回 — Memory（会話の記憶）
  • 第3回 — Gateway（外部 MCP サーバー接続）
  • 第4回 — Evaluations（品質計測）

最終回の本記事では、これら4つの機能を1つのプロジェクトに統合し、「技術トレンドアドバイザー」を構築する。ユーザーの専門分野を記憶し（Memory）、Web 検索で最新情報を取得し（Gateway）、応答品質を自動計測する（Evaluations）エージェントだ。

AgentCore CLI は Public Preview（v0.3.0-preview）段階であり、コマンド体系や生成テンプレートは GA までに変更される可能性がある。本記事の内容は 2026年3月時点の動作に基づいている。

前提条件

  • 第1回の環境が構築済み（Node.js 20+、uv、AWS CLI、AgentCore CLI v0.3.0-preview）
  • us-east-1 リージョンの AWS アカウント — Evaluator の CloudFormation リソースが ap-northeast-1 では未サポートのため（第4回参照）

AWS_REGION 環境変数が設定されている場合、aws-targets.json のリージョンより優先されることがある。us-east-1 以外に設定されている場合は、export AWS_REGION=us-east-1 で上書きするか、unset AWS_REGION で解除してから実行する。

構築するエージェント

機能役割
Runtimeカスタム system_prompt で技術トレンドアドバイザーとして動作
Memoryユーザーの専門分野・技術スタック・関心領域を記憶
GatewayExa AI の Web 検索でリアルタイムの技術トレンドを取得
Evaluations応答の正確性・有用性・パーソナライズ度を自動計測

プロジェクト構築

第3回で学んだ通り、Gateway を使う場合は --no-agent でプロジェクトを作成し、Gateway 設定後にエージェントを追加する。

Step 1〜3: プロジェクト作成と Gateway 設定

Terminal
agentcore create --name AgentCoreFull --no-agent --skip-git
cd AgentCoreFull
 
# Gateway を追加
agentcore add gateway --name my-gateway
 
# Exa AI MCP サーバーをターゲットに追加
agentcore add gateway-target \
  --type mcp-server \
  --name exa-search \
  --endpoint https://mcp.exa.ai/mcp \
  --gateway my-gateway

Step 4: エージェントを追加（Memory + Gateway 統合）

--memory longAndShortTerm を指定すると、Gateway クライアントと Memory セッションマネージャーの両方が自動生成される。

Terminal
agentcore add agent \
  --name TechAdvisor \
  --framework Strands \
  --model-provider Bedrock \
  --language Python \
  --memory longAndShortTerm

Step 5: 評価器を追加

Terminal
agentcore add evaluator \
  --name ResponseQuality \
  --level SESSION \
  --model us.anthropic.claude-sonnet-4-5-20250929-v1:0 \
  --instructions "Evaluate the overall quality of the agent's response. Consider accuracy, helpfulness, personalization based on user context, and clarity. Context: {context}" \
  --rating-scale 1-5-quality

system_prompt のカスタマイズ

自動生成された main.py の system_prompt を技術トレンドアドバイザー向けに変更する。

app/TechAdvisor/main.py（system_prompt 部分）
system_prompt="""
    You are a personalized tech trend advisor. You remember the user's
    technical background, skills, and interests from previous conversations.
    When asked about trends or recommendations, search the web for the
    latest information and tailor your advice based on what you know about
    the user. Always be specific and actionable.
""",

main.py の全体は、第2回の Memory 統合コードと第3回の Gateway クライアントコードが組み合わさった構成だ。get_all_gateway_mcp_clients() で Gateway ツールを取得し、get_memory_session_manager() でセッションマネージャーを初期化する。

main.py（Memory + Gateway 統合済みの全体）
app/TechAdvisor/main.py
from strands import Agent, tool
from bedrock_agentcore.runtime import BedrockAgentCoreApp
from model.load import load_model
from mcp_client.client import get_all_gateway_mcp_clients
from memory.session import get_memory_session_manager
 
app = BedrockAgentCoreApp()
log = app.logger
 
mcp_clients = get_all_gateway_mcp_clients()
 
tools = []
 
@tool
def add_numbers(a: int, b: int) -> int:
    """Return the sum of two numbers"""
    return a+b
tools.append(add_numbers)
 
for mcp_client in mcp_clients:
    if mcp_client:
        tools.append(mcp_client)
 
 
def agent_factory():
    cache = {}
    def get_or_create_agent(session_id, user_id):
        key = f"{session_id}/{user_id}"
        if key not in cache:
            cache[key] = Agent(
                model=load_model(),
                session_manager=get_memory_session_manager(session_id, user_id),
                system_prompt="""
                    You are a personalized tech trend advisor. You remember
                    the user's technical background, skills, and interests
                    from previous conversations. When asked about trends or
                    recommendations, search the web for the latest information
                    and tailor your advice based on what you know about the
                    user. Always be specific and actionable.
                """,
                tools=tools
            )
        return cache[key]
    return get_or_create_agent
get_or_create_agent = agent_factory()
 
 
@app.entrypoint
async def invoke(payload, context):
    log.info("Invoking Agent.....")
 
    session_id = getattr(context, 'session_id', 'default-session')
    user_id = getattr(context, 'user_id', 'default-user')
    agent = get_or_create_agent(session_id, user_id)
 
    stream = agent.stream_async(payload.get("prompt"))
 
    async for event in stream:
        if "data" in event and isinstance(event["data"], str):
            yield event["data"]
 
 
if __name__ == "__main__":
    app.run()

デプロイ

Terminal
ACCOUNT_ID=$(aws sts get-caller-identity --query Account --output text)
cat > agentcore/aws-targets.json << EOF
[{"name":"default","account":"${ACCOUNT_ID}","region":"us-east-1"}]
EOF
 
agentcore deploy -y

デプロイ状態の確認

Terminal
agentcore status --json
Output
{
  "success": true,
  "projectName": "AgentCoreFull",
  "targetName": "default",
  "targetRegion": "us-east-1",
  "resources": [
    {
      "resourceType": "agent",
      "name": "TechAdvisor",
      "deploymentState": "deployed",
      "detail": "READY"
    },
    {
      "resourceType": "memory",
      "name": "TechAdvisorMemory",
      "deploymentState": "deployed",
      "detail": "SEMANTIC, USER_PREFERENCE, SUMMARIZATION"
    },
    {
      "resourceType": "gateway",
      "name": "my-gateway",
      "deploymentState": "local-only",
      "detail": "1 target"
    },
    {
      "resourceType": "evaluator",
      "name": "ResponseQuality",
      "deploymentState": "deployed",
      "detail": "SESSION — LLM-as-a-Judge — ACTIVE"
    }
  ]
}

4つのリソースすべてがデプロイされた。

検証: Memory + Gateway の統合動作

セッション1: 自己紹介

Terminal
agentcore invoke \
  "Hi! I'm a platform engineer specializing in Kubernetes and Go. I work on building internal developer platforms. I'm particularly interested in GitOps, service mesh, and observability." \
  --stream \
  --session-id session-full-test-001-self-introduction \
  --user-id user-engineer \
  --agent TechAdvisor
Output
Hello! It's great to meet you! I'll remember that you're a platform engineer
with expertise in:
 
- **Core Skills**: Kubernetes and Go
- **Focus Area**: Building internal developer platforms
- **Key Interests**: GitOps, service mesh, and observability

セッション2: パーソナライズされたトレンド検索

Memory の長期メモリ抽出を待つ（第2回で確認した通り、1〜2分かかる）。

Terminal
sleep 120

別のセッションで最新トレンドを聞く。

Terminal
agentcore invoke \
  "What are the latest tech trends that would be relevant to my work? Search the web for recent developments." \
  --stream \
  --session-id session-full-test-002-trend-search-conv \
  --user-id user-engineer \
  --agent TechAdvisor
Output（抜粋）
I'll search for the latest developments in areas most relevant to your
platform engineering work, focusing on GitOps, service mesh, observability,
Kubernetes, and internal developer platforms.

エージェントが Memory から専門分野を取得し、Gateway 経由で Exa AI の Web 検索を実行した。以下はパーソナライズされた応答の抜粋だ。

応答の全文（抜粋）
Output（続き）
## 🕸️ Service Mesh: eBPF Revolution & Sidecarless Architecture
 
**Cilium has won the service mesh performance battle** - adopted as default
CNI by GKE, EKS, and AKS. 40-60% lower latency, 50-70% less memory vs
traditional sidecars.
 
## 📊 Observability: OpenTelemetry Dominance & AI-Powered Insights
 
**71% of orgs use both Prometheus + OTel** (up 50% YoY). New: OTel profiling
(continuous profiling now in OTel spec).
 
## 🎯 Top Actionable Recommendations for You:
 
1. **Pilot Cilium** on a dev cluster - gain eBPF expertise (rare skill)
2. **Build your first golden path** in Backstage with auto-OTel instrumentation
3. **Evaluate Istio Ambient** if you need service mesh features without sidecar overhead

セッション1で伝えた専門分野（Kubernetes、Go、GitOps、service mesh、observability）を記憶した上で、Gateway 経由で Exa AI の Web 検索を実行し、パーソナライズされた最新トレンド情報を返した。Memory と Gateway が統合されて動作していることが確認できた。

検証: Evaluations による品質計測

トレースがインデックスされるまで約10分待ってから、評価を実行する。

Terminal
agentcore run evals \
  --agent TechAdvisor \
  --evaluator ResponseQuality \
  --days 1
Output
Agent: TechAdvisor | Mar 23, 2026, 11:35 AM | Sessions: 2 | Lookback: 1d
 
  ResponseQuality: 5.00
 
Results saved to: agentcore/.cli/eval-results/eval_2026-03-23_11-35-41.json

2つのセッション（自己紹介 + トレンド検索）が評価され、ResponseQuality スコアは 5.00（Excellent）だった。評価プロンプトに「personalization based on user context」を含めたことで、Memory を活用したパーソナライズの品質も評価対象になっている。

まとめ

AgentCore CLI の4つの主要機能を1つのプロジェクトに統合し、技術トレンドアドバイザーを構築した。

  • 主要機能の統合は CLI のワークフローに沿うだけで実現できる — --no-agent → Gateway → ターゲット → エージェント（--memory longAndShortTerm）→ 評価器の順で add し、deploy するだけだ。各機能のコード統合は CLI が自動で行い、手動でのコード記述は system_prompt のカスタマイズのみだった。
  • Memory + Gateway の組み合わせが実用的 — ユーザーの専門分野を記憶した上で、Web 検索でリアルタイム情報を取得してパーソナライズする。「自分のことを覚えていて、最新情報も調べてくれるアシスタント」が CLI のコマンドだけで構築できる。
  • Evaluations で統合エージェントの品質を計測できる — 評価プロンプトにパーソナライズの観点を含めることで、Memory の活用度も品質指標に組み込める。
  • リージョン制約に注意 — Evaluator の CloudFormation リソースは一部リージョンでのみサポートされている。これらの機能を統合する場合は us-east-1 など対応リージョンを使う必要がある。

本シリーズを通じて、AgentCore CLI が agentcore.json と mcp.json を中心とした宣言的な設計で、エージェントの開発から品質管理までを一貫して行えることを確認した。個別の機能を理解した上で統合すると、CLI の設計思想がより明確に見えてくる。

クリーンアップ

Terminal
# プロジェクト内のリソース定義をすべて削除
agentcore remove all --force
 
# AWS リソースを削除
agentcore deploy -y
 
# CLI のアンインストール（不要な場合）
npm uninstall -g @aws/agentcore

共有する

田原 慎也

田原 慎也

ソリューションアーキテクト @ AWS

AWS ソリューションアーキテクトとして金融業界のお客様を中心に技術支援を行っています。クラウドアーキテクチャや AI/ML に関する学びをこのサイトで発信しています。このサイトの内容は個人の見解であり、所属企業の公式な意見や見解を代表するものではありません。

もっと見る →

関連記事