AWS Bedrock AgentCore入門｜AIエージェント開発と案件需要

「Bedrock AgentCoreと従来のBedrock Agentsの違いがわからない」「AIエージェント開発を始めたいが、AWSでの構築方法がわからない」「AgentCore案件の需要は本当にあるのか」

Amazon Bedrock AgentCoreは、AWS上でAIエージェントを構築・デプロイ・運用するためのフルマネージド基盤です。従来のBedrock Agentsから大幅に機能強化され、エージェントランタイム・ナレッジベース・ガードレールを統合した包括的なプラットフォームに進化しています。

この記事では、AWS完全攻略シリーズEp.27として、AgentCoreの基礎から実践的な構築例、SES案件としての需要動向までを解説します。

Amazon Bedrock AgentCoreとは？

Bedrock AgentCoreの概要とGA時期

Amazon Bedrock AgentCoreは、2025年のAWS re:Inventで発表され、**2026年初頭にGA（一般提供）**となった、AWSのAIエージェント構築プラットフォームです。

AWS公式ドキュメントによると、AgentCoreは以下の特徴を持っています：

• フルマネージド — インフラ管理不要でエージェントを構築・運用
• マルチモデル対応 — Claude、Llama、Titanなど複数のFMに対応
• 統合プラットフォーム — ランタイム・ナレッジベース・ガードレールを一元管理
• AWS統合 — Lambda、DynamoDB、S3など既存のAWSサービスと密結合

従来のBedrock Agentsとの違い

AgentCoreは従来のBedrock Agentsから以下の点が強化されています：

機能	Bedrock Agents（旧版）	AgentCore（新版）
ランタイム	固定ワークフロー	動的オーケストレーション
RAG	基本的なRAG	高度なRAGパイプライン（ハイブリッド検索）
ガードレール	基本フィルタリング	カスタムポリシー + PII自動検出
マルチエージェント	非対応	エージェント間協調をネイティブサポート
コード実行	非対応	サンドボックス内でのコード実行
監視	CloudWatchのみ	統合ダッシュボード + トレース

AWS Bedrock生成AIガイドで、Bedrockの基礎を解説しています。

AIエージェント開発の全体像

AgentCoreを使ったAIエージェント開発は、以下の流れで進めます：

1. 基盤モデルの選択 — タスクに適したFMを選ぶ
2. ナレッジベースの構築 — 社内データをベクトルDBに格納
3. アクショングループの定義 — エージェントが実行可能な操作を定義
4. ガードレールの設定 — 安全性と品質のルールを設定
5. テスト・デプロイ — プレイグラウンドでテスト後、本番デプロイ

AgentCoreのコア機能と構成要素

エージェントランタイムとオーケストレーション

AgentCoreのランタイムは、ReAct（Reasoning + Acting）パターンをベースとした動的オーケストレーションを提供します：

ユーザー入力
    ↓
┌──────────────────────────────────┐
│  AgentCore ランタイム              │
│                                   │
│  ① 推論（Reasoning）              │
│    → 次のアクションを決定           │
│  ② 行動（Acting）                 │
│    → ツール実行 / KB検索 / API呼出 │
│  ③ 観察（Observation）            │
│    → 結果を確認、次の行動を判断     │
│  ④ ループ or 完了                 │
└──────────────────────────────────┘
    ↓
最終回答

ナレッジベースとRAGパイプライン

AgentCoreのナレッジベースは、ハイブリッド検索（ベクトル検索 + キーワード検索）に対応しています：

機能	説明
データソース	S3, Confluence, SharePoint, Web Crawler
チャンキング	固定長、セマンティック、階層的
ベクトルDB	OpenSearch Serverless, Aurora PostgreSQL, Pinecone
検索方式	ベクトル検索、キーワード検索、ハイブリッド
リランキング	Cohere Rerank によるスコア再計算

ガードレールによるセキュリティ制御

ガードレールはAIの出力を制御する安全装置です：

• コンテンツフィルタ — 不適切な内容の生成をブロック
• トピック制限 — 業務外のトピックへの回答を制限
• PII検出 — 個人情報の自動マスキング
• ハルシネーション防止 — ナレッジベースに基づかない回答を抑制
• カスタムポリシー — 業界固有のルールを定義可能

実践：金融分析エージェントの構築例

具体的な例として、金融レポートを分析して投資判断を支援するエージェントを構築します。

ステップ1：基盤モデルの選択と設定

import boto3

bedrock_agent = boto3.client('bedrock-agent', region_name='us-east-1')

# エージェントの作成
response = bedrock_agent.create_agent(
    agentName='financial-analyst',
    foundationModel='anthropic.claude-sonnet-4-20250514',
    instruction="""
    あなたは金融分析の専門家です。
    企業の財務レポートを分析し、投資判断に必要な情報を提供します。
    回答には必ず根拠となるデータを含めてください。
    投資の最終判断は人間が行うことを明記してください。
    """
)

ステップ2：ナレッジベースの構築

# ナレッジベースの作成（S3上の財務レポートをインデックス化）
kb_response = bedrock_agent.create_knowledge_base(
    name='financial-reports-kb',
    knowledgeBaseConfiguration={
        'type': 'VECTOR',
        'vectorKnowledgeBaseConfiguration': {
            'embeddingModelArn': 'arn:aws:bedrock:us-east-1::foundation-model/amazon.titan-embed-text-v2'
        }
    },
    storageConfiguration={
        'type': 'OPENSEARCH_SERVERLESS',
        'opensearchServerlessConfiguration': {
            'collectionArn': 'arn:aws:aoss:us-east-1:123456789012:collection/xxxxx',
            'fieldMapping': {
                'vectorField': 'embedding',
                'textField': 'text',
                'metadataField': 'metadata'
            }
        }
    }
)

ステップ3：アクショングループの定義

# アクショングループの定義（株価取得、財務指標計算）
bedrock_agent.create_agent_action_group(
    agentId=agent_id,
    actionGroupName='financial-tools',
    actionGroupExecutor={
        'lambda': 'arn:aws:lambda:us-east-1:123456789012:function:financial-tools'
    },
    apiSchema={
        'payload': json.dumps({
            'openapi': '3.0.0',
            'paths': {
                '/stock-price': {
                    'get': {
                        'summary': '銘柄の現在の株価を取得',
                        'parameters': [{'name': 'symbol', 'in': 'query', 'required': True}]
                    }
                },
                '/financial-ratios': {
                    'get': {
                        'summary': '企業の財務指標（PER/PBR/ROE等）を計算',
                        'parameters': [{'name': 'symbol', 'in': 'query', 'required': True}]
                    }
                }
            }
        })
    }
)

ステップ4：テストとデプロイ

# Bedrock Agentのテスト（AWS CLI）
aws bedrock-agent-runtime invoke-agent \
  --agent-id "XXXXXXXXXX" \
  --agent-alias-id "YYYYYYYYYY" \
  --session-id "test-session-001" \
  --input-text "トヨタ自動車の最新財務レポートを分析して、投資判断のポイントを教えてください"

SES案件としてのBedrock AgentCore需要【2026年】

案件の種類と求められるスキル

AgentCore関連のSES案件は急速に増加しており、主に以下の種類があります：

案件タイプ	内容	求めるスキル
RAG構築案件	社内文書を使ったQ&Aシステム構築	Python, ベクトルDB, Bedrock
エージェント開発案件	業務自動化エージェントの構築	Python, Lambda, API設計
基盤構築案件	Bedrock環境のIaC化	Terraform, CloudFormation
移行案件	既存Bedrock AgentsからAgentCoreへの移行	旧版・新版の両方の知識

関連資格（AWS ML Engineer Associate）

AgentCore案件で評価される資格：

• AWS Certified Machine Learning Engineer – Associate — 最も直結する資格
• AWS Certified Solutions Architect – Associate — インフラ設計の基礎証明
• AWS Certified Developer – Associate — Lambda/API開発スキルの証明

単価レンジと将来性

ポジション	月額単価	年収換算
AgentCore開発エンジニア	85〜110万円	1,020〜1,320万円
RAG/ML エンジニア	90〜120万円	1,080〜1,440万円
Bedrock基盤構築エンジニア	80〜100万円	960〜1,200万円

SES生成AI案件単価2026で、AI関連案件の単価動向を詳しく紹介しています。

必須スキルと学習ロードマップ

Python + LangChain / LlamaIndex

AgentCore開発のベースとなるスキル：

• Python — Bedrock SDK（boto3）の操作
• LangChain — エージェントフレームワークの理解
• LlamaIndex — RAGパイプラインの構築

AWSサービス連携（Lambda / DynamoDB / S3）

AgentCoreと連携する主要AWSサービス：

• Lambda — アクショングループの実行環境
• DynamoDB — セッション管理、状態保持
• S3 — ナレッジベースのデータソース
• OpenSearch Serverless — ベクトル検索
• CloudWatch — モニタリング

AWS Lambda サーバーレスガイドも参考にしてください。

MLOpsとCI/CDの基礎

本番運用に必要なMLOps知識：

• モデルバージョニング — 基盤モデルの更新管理
• A/Bテスト — エージェントの品質比較
• モニタリング — レスポンス品質の継続的な監視
• CI/CDパイプライン — エージェントのデプロイ自動化

AWS SageMaker MLガイドでも、MLOpsの基礎を解説しています。

まとめ｜Bedrock AgentCoreでAIエージェント案件を掴もう

Amazon Bedrock AgentCoreは、AWSエコシステムでAIエージェントを構築・運用する最も体系的なプラットフォームです。

この記事のポイントをおさらい：

• AgentCoreは従来のBedrock Agentsから動的オーケストレーション・ハイブリッドRAG・マルチエージェントが強化
• 金融分析エージェントのような実践的なAIシステムをフルマネージドで構築可能
• SES案件の月額単価は85〜120万円で、2026年は急成長中の分野
• Python + AWSサービス連携 + 資格取得がキャリアパスの鍵
• まずはナレッジベース（RAG）構築から始めるのが最もスムーズ

AIエージェント開発はSESエンジニアにとって大きなキャリアチャンスです。AgentCoreのスキルを身につけて、高単価AI案件に参画しましょう。