Nova Act と Strands Agents を実践で活用したエージェント型 AI の構築

セッションノート

エージェント型 AI の今後の動向

• 生成 AI は明確な段階を経て進化しており、各段階で企業に新たな優先事項と課題がもたらされてきた。
• システムは、低いエージェンシー（ルールベース、人間による高度な監督）から高いエージェンシー（独立した運用、戦略的な意思決定）まで多岐にわたる。
• 現在、その大半はまだエージェント型 AI の初期段階にある。エージェンシーを高めるには、高度なテクノロジー、ガバナンス、信頼、組織的な準備が必要となる。AI エージェントが支える未来を思い描く
• Sequoia Capital は、将来の AI システムが、推論、計画、協働、高度な自律性を備えて自律的に稼働するインテリジェントエージェントへ進化すると予測している。
• 2030 年代に予測されるエージェントエコノミーは、多数のエージェントの活動が相互接続されたネットワークを形成し、グローバルなニューラルネットワークのように機能する。
• これは開発者にとって、このネットワーク内の重要なノードに自らを位置付ける機会となり、開発した AI エージェントが広く採用されれば、大きな経済的利益につながる可能性がある。
• Sequoia Capital はまた、一人の個人が設立・運営し、評価額が $1 billion に達する企業「一人ユニコーン」の登場も予測している。この変化により、創業者が従来型のチームを構築するのではなく、AI エージェントのワークフローを調整する新たな組織モデルが生まれる。
• 創業者の役割は戦略的なオーケストレーターへと変わり、どの機能を自動化し、委任するか、またどこに人間による監督を組み込むかを判断するようになる。確率論的なマインドセットと仕様駆動開発
• AI エージェントの世界では、これまでとは異なる思考法である確率論的なマインドセットが求められる。開発者は、出力精度を高めるため、大規模言語モデルとのコミュニケーション方法を調整する必要があるかもしれない。
• Kiro のような将来の AI IDE は仕様駆動開発を備え、組織構造や思考の枠組みなど、新たな領域に向けた心構えの必要性を強調するようになる。エージェント型 AI の基盤インフラストラクチャ
• 将来のエージェント型 AI の世界を支える基盤インフラストラクチャが構築されつつあり、そこには AI エージェントとそのツール間の相互運用性に不可欠な通信プロトコルも含まれる。
• MCP や A2A などの新たな標準は、この相互運用性の課題に対応しており、Amazon、Anthropic、Meta、Google などの業界リーダーに採用されている。
• これらのプロトコルは、エージェントアプリケーション、モデル、さまざまなリソース間の接続を促進する。
• AWS は MCP と A2A の標準化委員会に積極的に参加し、分散システムに関する経験を活かして、これらのプロトコルの強化に貢献している。

エージェント型 AI の実践的なアプリケーション: ローカル気象情報の取得

シナリオ概要:

• MCP プロトコル、Amazon Bedrock、Hong Kong Observatory のウェブサイトを使用して開発したローカル天気アプリのデモ。
• AI エージェントは Nova Act で構築され、自然言語プロンプトを使用して気象ウェブサイトとやり取りする。機能:
• ユーザーは、特定の気象ウェブサイトの URL をエージェントに提供する。
• エージェントは「香港の現在の天気は？」といった自然言語プロンプトに応答する。
• エージェントは人間のウェブスクレイピングエンジニアのように機能し、Hong Kong Observatory のウェブサイトから気象情報を自律的に特定する。
• エージェント型 AI の時代はすでに到来しており、未来に向けた準備が必要である。
• Nova Act などの AWS サービスは、この移行を支援できる。技術詳細:
• Nova Act を使用したエージェントアプリケーションの設計。
• MCP を使用して AI エージェントを実装し、MCP が AI モデルと現実世界のデータソースとの隔たりを埋め、より強力なアプリケーションを生み出す方法を示す。

Strands Agents によるカスタムエージェント型 AI アプリケーションの構築

カスタムエージェント構築の課題:

• 入力側: エージェントが多様なエンタープライズシステムとやり取りし、ライブデータを取得して APIs を呼び出し、ワークフロー（予約、更新、プロセスのトリガーなど）を実行するためのコネクタが必要。ツールと MCP は、これらの入力のオーケストレーションに役立つ。
• メモリ: エージェントを適応性とコンテキスト認識能力に優れたものにするには、短期メモリ（セッションコンテキスト）と長期メモリ（時間の経過に伴う学習と改善）の両方が必要。
• 頭脳（LLM）: 信頼性とトレーサビリティに不可欠な計画、リフレクション、段階的な推論を行うため、ReAct、Reflexion、Chain-of-Thought などの推論フレームワークによる拡張が必要。
• ペルソナ: 機能を差別化するため（人事エージェント対 DevOps エージェントなど）、すべてのエージェントに明確な役割と指示のセット（ペルソナ）が必要。
• オブザーバビリティとガードレール: カスタマイズされた AI エージェントには、安全性、デバッグ可能性、目標との整合性を確保する仕組みが必要。Strands Agents:
• 最小限のコードで AI エージェントを構築するための Amazon 製 SDK。
• 複雑なオーケストレーションを処理し、計画、Chain-of-Thought、ツール呼び出し、リフレクションに最先端のモデルを活用することで、開発を簡素化する。
• 開発者はコード内でプロンプトとツールのリストを定義し、ローカルでテストして、クラウドへデプロイする。デモ: Manim による数学アニメーション:
• 高品質な数学的可視化のための Python ライブラリである Manim を使用した数学アニメーションの作成を紹介。
• Strands Agents がユーザープロンプトを処理し、Manim スクリプトを記述して、アニメーションを生成する。
• 主なポイント:
• Strands Agents は、複雑で実用的なエージェント型 AI アプリケーションの作成を簡素化する。
• このデモでは、エージェント型ワークフローと専門的なオープンソースツールを組み合わせることで生まれる強力な機能を明らかにする。

中核実装コードの分析

1 必須コンポーネントのインポート:

• コードは strands モジュールから Agent クラスを、strands.tools.mcp から MCPClient クラスをインポートする
• これらのインポートにより、Strands フレームワーク内でエージェントとメッセージ制御プロトコルを利用するシステムに不可欠なコンポーネントが確立される。2 Manim MCP Server への接続設定:
• コードは、標準入出力（stdio）をトランスポートメカニズムとして使用し、Manim MCP server への接続を設定する。3 対話コンテキストの確立:
• コードは、Manim MCP server と対話するためのコンテキストを確立する。
• MCP client を使用して、サーバーから利用可能なツールを取得する。
• これらのツールを使用して Agent を初期化し、後続のチャットループに備える。4 自然言語プロンプトの処理:
• コードは Agent を使用して、Manim アニメーションを要求する自然言語プロンプトを処理する。
• プロンプトでは、特定の三次関数を 9 秒間で可視化し、x=-3 から x=3 までグラフ化するよう指定する。

デモのプロセス

環境のセットアップ:

• VS Studio で二つのターミナルウィンドウを使用:
• 左側のターミナル: MCP Server を実行し、Manim MCP Server に接続する — MCP のローカル実装モード。
• 右側のターミナル: MCP Client プログラムを実行し、動画生成チャットインターフェイスを起動する。ユーザー操作:
• ユーザーはチャットインターフェイスから自然言語コマンドを入力し、数式のアニメーションを生成する。
• コマンド例:「ある x の範囲で三次関数を 9 秒間で描画する Manim シーンを作成してください。」エージェントの処理:
• 送信後、右側のターミナルに、エージェントが自然言語リクエストを処理する様子が表示される。
• エージェントは最初のツール呼び出し「execute manim code.」を開始する。適応的な問題解決:
• ローカル環境でコンパイルの問題を検出すると、エージェントはタスクを完了するために簡略版をインテリジェントに作成し、適応的な問題解決能力を実証する。タスクの完了と出力:
• エージェントはタスクを正常に完了して出力概要を提示し、実装の主要機能に関する詳細とともに、自身のパフォーマンスを「完璧！」と評価する。
• AI エージェントが生成した最終的な MP4 動画ファイルは「videos」ディレクトリにある。
• 動画から、エージェントが要求された数学関数のアニメーション動画を作成したことを確認できる。
• 特筆すべき点として、エージェントは自然言語入力で直接要求されていない目盛り付きの X 軸と Y 軸を先回りして追加しており、AI エージェントの知性とユーザーのニーズを予測する能力を示している。

AWS エージェント型 AI ポートフォリオアーキテクチャ

サービスの三つのレイヤー:

• [ 1 ] インフラストラクチャレイヤー:
• エージェント型 AI アプリケーションの実行に必要な基盤リソースと機能を提供する。
• [ 2 ] AI およびエージェント開発ソフトウェア・サービスレイヤー:
• AI エージェントの開発と管理に特化して設計されたツール、SDKs、サービスを含む。
• [ 3 ] サブレイヤー: エージェント向け SDKs
• Amazon Nova と Bedrock Agents を含む。
• [ 4 ] アプリケーションレイヤー:
• 下位レイヤーが提供する AI エージェントとインフラストラクチャを使用して構築された、エンドユーザー向けアプリケーションとサービスを格納する。専門的なサービスカテゴリ:
• 各レイヤーには、エージェント型 AI の開発とデプロイのニーズに合わせた、より専門的なサービスカテゴリが含まれる。