AWS Hong Kong Summit 2026 · Developer Lounge 요약 · 6편 중 2편

AWS Magazine · 빅토리아 하버 현장 리포트

하이테크가 하버프론트 럭셔리를 만나다: Developer Lounge 분위기

AWS Hong Kong Summit 2026 Developer Lounge에 들어서면 에너지가 손에 잡힐 듯했다. 천장까지 닿는 유리벽이 빅토리아 하버의 파노라마 스카이라인을 프레임했고, 한낮 햇살을 반사하는 수면 위로 날렵한 요트들이 미끄러지듯 지나갔다. 실내는 홍콩 특유의 럭셔리와 초현대 클라우드 혁신을 매끄럽게 섞어 놓았다. 샌프란시스코, 도쿄, 런던, 시애틀에서 날아온 엔지니어, 창업자, 국제 테크 리더들이 푹신한 벨벳 라운지 체어에 몸을 묻고, 핸드크래프트 로컬 에스프레소를 마시며 빛나는 화면 위로 몸을 기울였다.

이곳은 스티커를 받거나 사전 녹화 데모를 보는 곳이 아니었다. 활발한 비즈니스 협업과 치열한 기술 교류의 진앙이었다. 메인 플로어를 둘러싼 유리벽 VIP 부스에서 벤처캐피털과 스타트업 창업자들이 프라이빗 밋업을 진행했다. 대화는 고위험 재무 역학으로 가득했다—시드 라운드(“money in”)와 프로덕션 인프라 소진율(“money out”)을 나란히 논의했다. 화이트보드 벽면에서는 스태프 아키텍트와 독립 빌더들이 복잡한 시스템 토폴로지를 그리며, 날것의 모델 지능을 엔터프라이즈급 소프트웨어로 바꾸는 방법을 파고들었다.

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

[ 하버 뷰 VIP 코너 ]               [ 화이트보드 아키텍처 존 ]
  - 프라이빗 밋업과 피칭             - 모델 비용 vs harness 해자
  - Money in / money out             - 라이브 코드와 아키텍처 토크

[ Hands-On Lab & Espresso Bar ]    [ 메인 스테이지 & Lightning Talks ]
  - Managed memory와 CLI 설정        - Trista Pan agent harness 키노트
  - Hands-on AWS AgentCore GA        - 글로벌 스피커 패널
+-----------------------------------------------------------------------------------+

오프닝: Lounge가 데모에서 프로덕션으로 이동하다

2025년 홍콩 AWS AI 현장이 화려한 에이전트 프로토타입, 주간 데모, 날것의 모델 능력을 자랑하는 SNS 스크린샷으로 가득한 불꽃놀이처럼 느껴졌다면, AWS Summit Hong Kong 2026은 운영 성숙도의 도래를 알렸다. 라운지를 가로지르는 핵심 질문은 더 이상 「모델이 뭘 할 수 있는지 보라」가 아니라, 결정적인 프로덕션 질문이었다. 에이전트를 어떻게 안전하게 프로덕션에 올릴 것인가?

Developer Lounge에서 그 질문은 Trista Pan이 입석만 남은 라이트닝 토크를 전했을 때 정확히 초점이 맞춰졌다. 엔지니어와 컨설팅 파트너들이 화이트보드 주변에 몰려 하나의 중심 전제를 논했다. 모델 지출은 money out이고, harness engineering은 복리로 쌓이는 돈이다.

원문 에세이 (builder.aws.com): Agent Harness: Where Engineers Add Value When Models Keep Getting Smarter

토크와 맞물려 AWS는 Amazon Bedrock AgentCore Harness의 정식 출시(GA)를 발표했다—모델이 스스로 흡수할 수 없는 프로덕션 운영 계층을 제공하는 매니지드 서비스다.

GA 발표: Amazon Bedrock AgentCore harness is now generally available

AI 모델이 성숙해짐에 따라 엔지니어링 레버리지는 날것의 모델에서 agent harness—가치를 사용자와 빌더에게 향하게 하는 주변 스캐폴딩—로 이동하고 있다. 2025년 업계는 빠른 프로토타입으로 에이전트 역량을 증명했다. 2026년 초점은 운영 통제와 신뢰성으로 성숙했다. 분석가 Aakash Gupta가 요약한 대로, 「2025 was agents; 2026 is agent harnesses.」 진정한 가치는 이제 에이전트를 프로덕션에서 안정적으로 동작하게 만드는 데서 나온다.

분위기 전환: 「할 수 있나?」에서 「운영할 수 있나?」로

AI 모델이 점점 더 강력해질수록, 엔지니어링 레버리지는 주변 스캐폴딩으로 이동한다—가치를 바깥으로 고객을 향해 보내거나, 안쪽으로 빌더를 향해 보낸다.

• 작년, 에이전트는 모든 산업에서 터져 나왔고, 매주 새로운 데모가 따라왔다.

• 2025년의 지배적 질문은 「X를 하는 에이전트를 만들 수 있나?」였고, 답은 거의 항상 yes였다.

• 올해 질문은 성숙했다. 간단한 에이전트를 띄우는 일은 쉽지만, 주말 프로토타입을 프로덕션 시스템으로 옮기려면 신뢰성과 운영 통제가 필요하다.

테크 분석가 Aakash Gupta의 요약대로: 「2025 was agents; 2026 is agent harnesses.」

공식: Agent = Model + Harness

Vivek Trivedy가 The Anatomy of an Agent Harness에서 제시한 프레임을 따르면, 현대 AI 애플리케이션의 핵심 아키텍처 정체성은 간단한 공식으로 표현할 수 있다.

Agent = Model + Harness

어떤 구성요소가 핵심 파운데이션 모델 자체가 아니라면, 그것은 harness에 속한다. 도구, 메모리, 프롬프트 엔지니어링, 오케스트레이션, 관찰 가능성, 가드레일, 라우팅, 배포—모두 harness engineering에 해당한다. 이 harness를 체계적으로 설계하고, 운영 실패를 영구적인 시스템 수정으로 바꾸는 것—Mitchell Hashimoto가 강조한 방법—이 바로 harness engineering이라는 규율이다.

Lounge에서 통했던 자동차 비유

초심자도 직관적으로 이해하도록, 라운지 스피커들은 고전적인 자동차 비유를 썼다.

• 모델은 엔진이다: 동력, 추론, 계획, 날것의 구동력을 만든다.

• 그러나 차고 바닥에 놓인 날것의 엔진을 운전자에게 넘겨줄 수는 없다.

• 도로를 달릴 차량에는 섀시, 스티어링 휠, 브레이크, 대시보드 표시등, 안전벨트, 헤드라이트가 필요하다.

• 엔진이 동력을 만들고, harness가 그 동력을 일상용으로 안전한·신뢰할 수 있는 차량으로 바꾼다.

고성능 모델이 성공적인 프로덕션 에이전트를 보장하지는 않는다. 강력한 엔진만으로 안전한 자동차가 보장되지 않는 것과 같다.

럭셔리 호스피탈리티 비유

홍콩의 최고급 미식 공간은 고급 스토브에만 의존하지 않는다. 성공은 예약 관리, 주방 조율, 품질 관리, 게스트 호스피탈리티에 달려 있다. AI 아키텍처에서도 마찬가지다. 모델이 불꽃이라면, harness는 더 넓은 운영 관리다.

Harness에는 두 반쪽이 있다

에이전트 harness의 책임은 빌드타임 역량과 런타임 운영으로 고르게 나뉜다.

Martin Fowler 팀은 이 기술 규율을 공식적으로 harness engineering이라 부른다. 애플리케이션 역량을 분류하면, 모델에 직접 속하는 부분은 소수이고, 대다수는 harness 계층에 속한다.

실제 증거: 같은 모델, 더 나은 Harness

「더 똑똑한 기반 모델을 기다리면 된다」는 회의론에 답하기 위해, 발표자들은 모델은 그대로 두고 harness 인프라만 최적화한 실증 벤치마크 사례를 공유했다.

1. Vercel의 v0 — 더 적은 컨텍스트, 더 높은 효율

큰 컨텍스트 윈도우는 오래된 정보로 성능이 떨어지지 않도록 능동적으로 관리해야 한다. Vercel v0 팀은 활성 도구 세트를 15개에서 2개의 핵심 primitive(bash와 파일시스템 연산)로 줄였다.

• 정확도: 80%에서 100%로 상승.

• 토큰 비용: 약 37% 감소.

• 지연시간: 응답이 3.5× 더 빨라짐.

2. LangChain on Terminal Bench 2.0

명시적 harness 구성요소—자기 검증 루프, 완료 전 체크리스트, 루프 감지 로직—를 추가해, LangChain은 동일한 모델 백엔드에서 성능을 끌어올렸다.

• 벤치마크 점수: 52.8%에서 66.5%로 점프.

• 순위: 대략 상위 30위에서 상위 5위로 이동.

3. 더 작은 모델이 플래그십 모델을 이기다

• Hebia: 금융·법률 전용 harness 안에 GPT-5.4 mini를 배치해, harness 없는 플래그십 모델보다 더 높은 통과율과 더 깨끗한 출처 귀속을, 더 낮은 토큰 비용으로 달성.

• MIT CSAIL의 Recursive Language Models: GPT-5-mini를 파인튜닝 없이 컨텍스트 세그먼트에 걸쳐 스스로를 재귀적으로 호출하는 아키텍처로 감싸, 훨씬 큰 모델 구성 대비 64.9% vs 30.3% 벤치마크 점수를 달성.

모델이 Harness를 흡수할까?

흔한 개발자 우려는, 파운데이션 모델의 빠른 발전이 harness engineering을 쓸모없게 만들지 않느냐는 것이다.

모델이 흡수하고 있는 것

일부 저수준 작업은 점점 더 새 모델이 네이티브로 처리한다.

• 컨텍스트 처리: 확장된 컨텍스트 윈도우가 수동 청킹 오버헤드를 줄인다.

• 계획: 고급 추론 모델은 복잡한 수동 스프린트 분해 없이도 장기 일관성을 유지한다. Addy Osmani는 이것이 context-anxiety 실패 모드를 크게 줄인다고 지적했다.

• 기본 자기 수정: 거부 패턴과 기본 출력 검증이 날것의 모델에 점점 더 내장된다.

운영 계층이 여전히 필수인 이유

Harness는 소프트웨어 스택의 더 위로 이동하며 진화한다. 모델 라우팅, 인프라 스케일링, 비용 추적, 보안 강제, 텔레메트리 같은 핵심 운영 책임은 날것의 모델 지능과 별개로 남는다.

핵심 테이크어웨이: 모델은 스스로를 위한 멀티 프로바이더 라우터, 인프라 스케일러, 또는 비용 거버넌스 엔진이 될 수 없다.

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

Operations Layer (성장)
  - 멀티 모델 라우팅과 비용 최적화
  - 가드레일 강제와 결정적 권한
  - 분산 추적과 CloudWatch 관찰 가능성

Model Layer (저수준 작업 흡수)
  - 확장된 컨텍스트 윈도우와 기본 계획
  - 네이티브 함수 호출과 기본 자기 수정
+-----------------------------------------------------------------------------------+

구성요소 진화 분석

AI 엔지니어링 팀을 위한 전략 방향

개발자와 스타트업은 두 가지 주요 전략 중 하나에 의도적으로 커밋하도록 권장된다.

1. 방향 A — 바깥으로 고객을 향해: 제품 설계, 사용자 경험, 도메인 문제 해결에 집중한다. 매니지드 harness를 최전선 모델과 짝지으면, 작은 팀도 더 적은 헤드카운트로 정교한 애플리케이션을 출시할 수 있다.

2. 방향 B — 안쪽으로 빌더를 향해: 재사용 가능한 개발자 도구, 커스텀 미들웨어, 평가 루프, 도메인별 라우팅 인프라를 구축한다. 이는 여러 모델 세대를 가로질러 남는 장기 가치를 만든다.

심층 분석: Amazon Bedrock AgentCore Harness GA

Amazon Bedrock AgentCore Harness의 정식 출시와 함께, AWS는 에이전트 프로덕션 배포를 간소화하도록 설계된 매니지드 인프라 추상화를 제공한다.

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

API 표면: CreateHarness / InvokeHarness

Harness 아래의 프리미티브
  - Runtime       컴퓨트
  - Memory        의미론적 상태
  - Gateway       API / MCP 도구
  - Browser       웹 샌드박스
  - Interpreter   Python / Node 샌드박스
  - Identity      자격 증명 볼트

관찰 가능성: CloudWatch 통합 harness 추적
+-----------------------------------------------------------------------------------+

아키텍처 개요 & 핵심 역량

Simon Willison의 근본 정의—「LLM agent는 목표를 달성하기 위해 루프 안에서 도구를 실행한다」—위에 세워진 AgentCore Harness는 주변 운영 오버헤드를 단순화한다. 로컬 에이전트 루프를 프로토타이핑하는 일은 쉽지만, 프로덕션 환경을 배포하려면 전통적으로 샌드박스 컴퓨트, 네트워크 격리, 아이덴티티 볼팅, 세션 영속성, 분산 추적을 관리해야 했다. AgentCore Harness는 커스텀 인프라 설정을 두 개의 중심 API 호출—CreateHarness와 InvokeHarness—이 이끄는 매니지드 추상화로 대체한다.

1. 멀티 모델 유연성 & 프로바이더 전환

AgentCore Harness는 에이전트 구성을 단일 모델 벤더로부터 분리한다. 개발자는 기본 모델 구성을 정의하고, 호출마다 동적으로 덮어쓰거나, 대화 상태를 유지한 채 세션 중간에 모델 프로바이더를 전환할 수 있다.

모델 프로바이더 지원에는 다음이 포함된다.

• bedrock: Amazon Bedrock에 호스팅된 모델에 대한 네이티브 접근—Anthropic Claude, Amazon Nova, Meta Llama, DeepSeek, Qwen, Kimi, MiniMax, Cohere, Mistral, 그리고 Bedrock 상의 OpenAI GPT-5.5 및 GPT-5.4 엔드포인트.

• openAi: OpenAI API 엔드포인트(api.openai.com)로의 직접 연결.

• gemini: Google Gemini API 직접 통합.

• liteLlm: Azure OpenAI, Vertex AI, Cohere, 커스텀 셀프호스팅 엔드포인트를 포함한 서드파티 엔드포인트용 유니버설 통합.

외부 모델 프로바이더용 API 키는 AgentCore Identity의 token vault로 관리되어, 자격 증명이 날것의 모델 컨텍스트에 노출되지 않도록 한다.

2. 선언적 도구 통합

도구는 harness 생성 시 tools 배열 안의 구조화된 선언으로 정의된다.

"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" } } 
  }
]

모든 실행 세션에는 수동 도구 래핑 없이 네이티브 shell과 file_operations 역량이 자동으로 포함된다. 특정 도구는 InvokeHarness의 allowed_tools 오버라이드 파라미터로 런타임에 선택적으로 허용하거나 제한할 수 있다.

3. 매니지드 세션 메모리

CreateHarness 시 명시적 메모리 플래그를 생략하면, 엔터프라이즈 기본값으로 매니지드 메모리가 자동 프로비저닝된다.

• 전략: SEMANTIC 인덱스와 SUMMARIZATION 처리의 결합.

• 데이터 보존: 설정 가능한 기본 30일 이벤트 만료.

• 보안: actorId로 범위가 지정된 테넌트 격리와 함께 AWS 관리형 암호화.

// 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. 모듈형 Skill 통합

Skills는 코드 스크립트, 참조 파일, 도메인 지시를 담은 모듈형 번들이다. 메타데이터는 미리 인덱싱되고, 전체 내용은 작업 실행 계획이 필요로 할 때 동적으로 로드된다.

HarnessSkill 스키마는 네 가지 수집 소스를 지원한다.

• awsSkills: SDK 사용, IaC, 보안, 서버리스, 데이터베이스, 운영을 다루는 사전 큐레이션된 AWS 도메인 skill 번들.

• git: 특정 브랜치나 커밋 해시로 고정된 HTTPS 저장소.

• s3: Amazon S3 버킷에서 직접 skill 패키지 배포.

• path: 로컬 컨테이너 파일시스템 참조.

5. 샌드박스 런타임 & 영속 스토리지

Amazon ECR에 저장된 컨테이너 이미지를 연결해 커스텀 의존성을 배포할 수 있다. 개발자는 InvokeAgentRuntimeCommand API로 모델 토큰 비용 없이 셋업 스크립트를 실행할 수 있다.

스토리지 옵션은 다양한 영속성 요구를 수용한다.

6. 관찰 가능성, 평가 & 최적화 루프

CloudWatch GenAI Observability에는 전용 Harnesses 대시보드 뷰가 있다. 운영 팀은 메모리 조회, 브라우저 세션, 코드 실행, 도구 호출에 걸친 개별 span까지 실행 경로를 추적할 수 있다.

내장 평가 구성요소가 자동 품질 관리를 지원한다.

• AgentCore Evaluations: 배치 데이터셋 또는 라이브 트래픽에 걸쳐 faithfulness, helpfulness, safety를 평가하는 LLM-as-a-judge 메트릭을 실행.

• AgentCore Optimization: 평가 점수를 분석해 최적화된 시스템 프롬프트와 도구 설명을 제안하고, AgentCore Gateway를 통한 라이브 A/B 라우팅으로 변경을 검증.

7. 환경 버전 관리 & 코드 내보내기

harness 구성을 업데이트하면 불변 버전 기록이 생성된다. 프로덕션 배포 엔드포인트는 명시적 버전에 고정해 안정적인 롤백을 보장할 수 있다.

# 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

애플리케이션이 선언적 구성을 넘어설 경우, 개발자는 harness를 코드로 내보낼 수 있다.

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

이는 오픈소스 Strands 프레임워크 위에 구축된 코드를 내보내며, 프롬프트 정의, 메모리 구조, 도구 바인딩을 보존한다.

세 가지 프로덕션 에이전트 구성

AgentCore Harness의 활용성은 세 가지 표준 프로덕션 배포 패턴으로 드러난다.

패턴 1: 자동 리서치 & 콘텐츠 합성 Agent

• 도구: 웹 검색 엔드포인트를 가리키는 AgentCore Gateway와 짝을 이룬 agentcore_browser.

• Skills: 문서 처리 skill 저장소에 git으로 연결.

• 메모리: 다단계 리서치 세션에 걸쳐 컨텍스트를 유지하도록 기본 매니지드 메모리 활성화.

패턴 2: 엔터프라이즈 클라우드 분석 Agent

• Skills: 전체 awsSkills 번들 수집.

• 권한: Athena, Glue, Redshift, CloudWatch 접근을 제공하는 범위 지정 IAM 실행 역할.

• 도구: 보안 샌드박스 안에서 Python 데이터 시각화를 실행하는 agentcore_code_interpreter 포함.

패턴 3: 자동 소프트웨어 개발 Agent

• 런타임: 개발 툴체인이 미리 로드된 커스텀 ECR 컨테이너.

• 도구: GitHub/GitLab 저장소에 연결된 AgentCore Gateway.

• 실행: 모델 추론과 함께 결정적 Git 연산(클론, 브랜칭, 커밋)을 위해 InvokeAgentRuntimeCommand 사용.

사용량 기반 요금 구조

Amazon Bedrock AgentCore Harness는 고정 기본 구독료 없이 운영된다. 청구는 활성 리소스 소비에 엄격히 기반한다.

글로벌 고객 구현 사례

엔터프라이즈 리더들이 Summit 패널에서 프로덕션 구현을 강조했다.

• Omar Paul (VP of Product, Twilio): 「AgentCore Harness를 Twilio Conversations와 결합하면, 글로벌 고객 기반이 핵심 기반 인프라를 다시 만들지 않고도 맥락 있는 음성·메시징 에이전트를 빠르게 배포할 수 있습니다.」

• Dr. Lukas Schack (Principal ML Engineer, TUI GROUP): 「AgentCore는 우리 조직 전반의 기초 빌딩 블록입니다. 500명 이상 개발자가 참여한 내부 해커톤에서, 팀들은 수 분 만에 컨셉을 동작하는 프로토타입으로 옮기는 일이 일상입니다.」

• Rodrigo Moreira (VP of Engineering, VTEX): 「수동 오케스트레이션 코드에서 선언적 harness 구성으로 옮기면서, 우리 팀은 새 이커머스 고객 여정을 며칠이 아니라 수 분 만에 검증합니다.」

• Kazumi Matsuda (Senior Manager, FUJISOFT): 「우리는 AgentCore 버전 관리와 A/B 최적화 루프를 활용해, 업데이트를 전면 롤아웃하기 전에 프로덕션 트래픽에서 라이브 평가를 돌립니다.」

시작하기: Hands-On Quickstart

옵션 A: Command Line Interface (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."

옵션 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)

베테랑의 판결: 엔진과 차량

메인프레임 아키텍처부터 클라이언트-서버 패러다임, 현대 클라우드 구성까지—수십 년간 기술 사이클이 펼쳐지는 것을 지켜본 관점에서, AI 엔지니어링의 진화는 익숙한 패턴을 따른다. 날것의 연산 역량은 결국 운영 관리와 엔터프라이즈 harness 시스템에 자리를 내준다.

파운데이션 모델은 계속 빠르게 진화할 것이다. 그러나 엔지니어링 팀이 쌓는 내구성 있는 가치는 주변 인프라에 있다. 운영 가드레일, 메모리 전략, 평가 루프, 시스템 라우팅.

모델이 엔진을 제공하지만, harness가 완전한 차량을 만든다. 아키텍처를 의도적으로 선택하고, 장기 확장성을 위해 구축하라.