Build context-rich research agents with Deep Agents and Bedrock AgentCore｜Deep Agents と Bedrock AgentCore を活用した文脈豊かな研究エージェントの構築 | AIニュース最前線

AI を活用した研究ワークフローにおける一般的な課題は、深さと文脈のバランスです。エージェントが 10 のウェブページを読み込むと、そのコンテキストウィンドウ（大規模言語モデル (LLM) が一度に処理できるテキスト量）が生データで埋め尽くされてしまいます。また、データ分析コードを実行する場合、チャート生成ロジックが限られたスペースを巡って戦略的思考と競合することになります。チームは通常、手動のプロンプト連鎖や逐次処理によってこの課題に対処しています。 より良いアプローチは、深い作業を孤立したサブエージェントに委譲し、簡潔な結果のみを取得させることです。[LangChain Deep Agents](https://docs.langchain.com/oss/python/deepagents/overview) はこのオーケストレーションを担い、専門的な一時的なサブエージェントを起動してそのライフサイクルを管理します。[Amazon Bedrock AgentCore](https://docs.aws.amazon.com/bedrock-agentcore/latest/devguide/what-is-bedrock-agentcore.html) は、各サブエージェントが必要とするインフラストラクチャを提供します。これには、ウェブ調査用のマイクロ VM（軽量で単一目的の仮想マシン）内のリアルブラウザと、データ分析用の完全な Python 環境が含まれます。AgentCore はまた、[Deep Agents CLI](https://docs.langchain.com/oss/python/integrations/sandboxes) のネイティブサンドボックスプロバイダーとしても利用可能であり、`deepagents --sandbox agentcore` を実行することで、フルエージェントを構築せずに AgentCore CodeInterpreter（コード解釈器）を試すことができます。 本記事では、このパターンをエンドツーエンドで実演する競争調査エージェントの構築方法について解説します。このチュートリアルは、マルチステップ AI ワークフローを開発中で、エージェントに隔離された実行環境が必要な開発者向けです。ノートブックの第 2 部では、[AgentCore CLI](https://github.com/aws/agentcore-cli/tree/main) を使用して、同じエージェントを [Bedrock AgentCore Runtime](https://docs.aws.amazon.com/bedrock-agentcore/latest/devguide/agents-tools-runtime.html) にデプロイし、管理されたセッション隔離サービスとして実行できるようにします。 ## 構築するもの コーディネーターエージェントはリクエストを受け取ると、まず [AgentCore Memory](https://docs.aws.amazon.com/bedrock-agentcore/latest/devguide/memory.html) を確認して過去の調査インサイトを取得します。その後、3 つのブラウザサブエージェントを並列で起動し、それぞれが独自の AgentCore Browser MicroVM 内で異なる競合他社のウェブサイトをナビゲートして調査を行います。3 つのエージェントから構造化された発見結果が返されると、アナリストサブエージェントが統合データを取得し、AgentCore Code Interpreter を使用して比較チャートと Markdown レポートを生成します。最後に、重要なインサイトは将来のセッションのために AgentCore Memory に保存されます。このワークフロー全体は、[Amazon CloudWatch](https://docs.aws.amazon.com/cloudwatch/) を通じて [Amazon Bedrock AgentCore Observability](https://docs.aws.amazon.com/bedrock-agentcore/latest/devguide/observability.html) または [LangSmith](https://docs.langchain.com/langsmith/home) で追跡可能です。 各サブエージェントタイプは、その固有のツールセットのみへのアクセスを制限されます。研究者にはブラウザ用ツール、アナリストにはインタプリタ用ツール、コーディネーターにはメモリ用ツールが割り当てられます。 ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/06/12/ML-20818.png)**図 1:** LangChain Deep Agents オーケストレーター、Amazon Bedrock AgentCore ブラウザマイクロ VM、インタプリタ、メモリ、および CloudWatch または LangSmith トレーシング間のデータフローを示すソリューションアーキテクチャ。 以下のセクションでは、各コンポーネントを順を追って解説します。 ## エージェントの構築 このエージェントを構築するには、モデルを設定し、各サブエージェントタイプごとにツールキットを作成し、LangChain Deep Agents を用いてこれらを接続します。 ## 前提条件 開始前に、以下の事項が揃っていることを確認してください。 - Amazon Bedrock AgentCore のアクセス権限を有効にした AWS アカウント - 環境変数（AWS_ACCESS_KEY_ID、AWS_SECRET_ACCESS_KEY、AWS_SESSION_TOKEN、AWS_REGION）または AWS コマンドラインインターフェース（AWS CLI）プロファイルとして設定された AWS 認証情報。必要な IAM 権限については、AgentCore の入門ガイドを参照してください。 - パッケージのインストールに pip または uv を使用した Python 3.11 以降 - （オプション）AgentCore の観測性トレースとスパンを表示するために Amazon CloudWatch トランザクション検索が有効になっていること - （オプション）観測性用の LangSmith アカウント - （オプション）少なくとも 1 つの抽出戦略（会話イベントからどの知識を抽出するかを決定するルール）が設定された AgentCore Memory リソース - （オプション）完全な実装のための langchain-aws サンプルリポジトリ内の実行可能な Jupyter ノートブック ## ステップ 1: モデルの設定 以下のコードは、エージェントをオーケストレーションする大規模言語モデル（LLM）を設定します。この例では、Amazon Bedrock を通じて Claude Sonnet にアクセスします： ```python from langchain_aws import ChatBedrockConverse from langchain_aws.tools import create_browser_toolkit, create_code_interpreter_toolkit from deepagents import create_deep_agent from botocore.config import Config as BotoConfig model = ChatBedrockConverse( model="us.anthropic.claude-sonnet-4-6", region_name="us-west-2", config=BotoConfig(read_timeout=300), ) ``` us. プレフィックスは、より高い可用性のためにクロスリージョン推論プロファイルを使用します。また、ベースモデル ID を直接使用することもできます。 ## ステップ 2: ブラウザツールキットの作成 各競合他社には独自の BrowserToolkit が割り当てられ、それぞれが独自に AgentCore Browser MicroVM をプロビジョニングします。並列実行される研究者間では完全な分離が保証されます。このツールキットは、LLM が単一のターンで複数のブラウザツール呼び出しを発行した場合の同時実行性を処理します: COMPETITORS = [ ("GitHub", "https://github.com/pricing"), ("GitLab", "https://about.gitlab.com/pricing"), ("Bitbucket", "https://www.atlassian.com/software/bitbucket/pricing"), ] toolkits_to_cleanup = [] research_subagents = [] for company_name, company_url in COMPETITORS: browser_toolkit, browser_tools = create_browser_toolkit(region="us-west-2") browser_toolkit.session_manager.session_wait_timeout = 60.0 toolkits_to_cleanup.append(browser_toolkit) research_subagents.append({ "name": f"research-{company_name.lower()}", "description": f"{company_name} の情報を {company_url} を閲覧して調査します。", "system_prompt": RESEARCHER_PROMPT, "tools": browser_tools, }) 各マイクロVMは、Playwright（オープンソースのブラウザ自動化ライブラリ）を介してWebSocket経由で接続された実際のChromiumブラウザを実行しています。セッションは一時的なものであり、数秒で起動します。複数のツール呼び出しが並列実行される際にブラウザ操作に十分な時間を確保するため、session_wait_timeout は60 秒に設定されています（デフォルト：10 秒）。ブラウザツールには、navigate_browser、extract_text、click_element、type_text、scroll_page、extract_hyperlinks、wait_for_element が含まれています。 ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/04/29/ML-20818-2.png)** 図 2:** 3 つの異なるマイクロVM セッションIDは、各研究サブエージェントが独自の隔離されたAmazon Bedrock AgentCore ブラウザ環境で動作していることを確認しています。 ## ステップ 3: インタープリターツールの作成 アナリストサブエージェントは、AgentCore Code Interpreter（Python 環境を完全に備えた隔離されたマイクロVM）を使用します。この環境には pandas、matplotlib、numpy が事前にインストールされています： ci_toolkit, ci_tools = await create_code_interpreter_toolkit(region="us-west-2") toolkits_to_cleanup.append(ci_toolkit) analyst_subagent = { "name": "data-analyst", "description": "競合他社のデータを分析し、チャートとレポートを生成する。", "system_prompt": ANALYST_PROMPT, "tools": ci_tools, } インタープリターツールには、execute_code、execute_command、write_files、read_files、list_files、upload_file、install_packages が含まれています。追加のライブラリが必要ですか？run time に install_packages ツールを使用して追加してください。 ## ステップ 4：セッション間メモリの追加（オプション） コーディネーターエージェントは、長期記憶 API に直接アクセスする AgentCore Memory ツールを用いて、時間をかけて専門知識を蓄積することができます。 from bedrock_agentcore.memory import MemoryClient from langchain_core.tools import tool memory_client = MemoryClient(region_name="us-west-2") @tool def save_research_insights(insights: str, session_id: str = "default") -> str: """競争調査の洞察を AgentCore の長期記憶に保存する。""" memory_client.create_event( memory_id=memory_id, actor_id=actor_id, session_id=session_id, messages=[ (f"これらの研究洞察を保存します:\n\n{insights}", "USER"), ("洞察が長期記憶に保存されました。", "ASSISTANT"), ], ) return "洞察が保存され、長期記憶へ抽出されます。" **重要:** 長期記憶の検索機能を有効にするには、AgentCore Memory リソース至少 1 つの抽出戦略（例：semanticMemoryStrategy）を構成しておく必要があります。戦略を設定しない場合、create_event は生イベントを保存するだけで、検索のために洞察が抽出されません。 エージェントが洞察を保存すると、AgentCore Memory の構成された戦略が自動的に背景で構造化された知識を抽出します。 subsequent な実行時には、エージェントは recall_past_research を使用してこの抽出済み知識を検索します。これにより、最初から再調査することなく、関連する事実や過去の発見事項を見つけることができます。 ## ステップ 5: エージェントの作成と実行 コンポーネントを接続し、エージェントを呼び出します: agent = create_deep_agent( model=model, subagents=[*research_subagents, analyst_subagent], tools=memory_tools, system_prompt=COORDINATOR_PROMPT, name="competitive-research-coordinator", checkpointer=None, # シンプル化のため; セッションの再開には AgentCoreMemorySaver を使用 store=InMemoryStore(), # Deep Agents 用の内部ストレージ (AgentCore Memory とは別) ) result = await agent.ainvoke( {"messages": [{"role": "user", "content": "GitHub、GitLab、Bitbucket の価格を比較してください"}]}, config={"configurable": {"thread_id": "session-1", "actor_id": "research-agent"}}, ) 進行状況インジケーターとセッション表示を含む実行可能なノートブックは、[関連するノートブック](https://github.com/langchain-ai/langchain-aws/blob/main/samples/agents/competitive_research_agent.ipynb)で利用可能です。Claude Sonnet を使用した場合の予想実行時間は 4〜6 分であり、これは 3 つのサイト全体にわたる実際のブラウザナビゲーション時間を反映したものです。同じ調査を順次処理する場合、最大 3 倍の時間がかかります。 ## エージェントの追跡とデバッグ [AgentCore Observability](https://docs.aws.amazon.com/bedrock-agentcore/latest/devguide/observability.html) を利用すると、[Amazon CloudWatch](https://aws.amazon.com/cloudwatch/) を通じて、このマルチエージェントアーキテクチャを可視化できます。AgentCore は OpenTelemetry (OTEL) 形式でトレースとスパンを出力するため、CloudWatch GenAI Observability ページ上で完全なオーケストレーション階層を確認できます。最上位にはコーディネーターの実行があり、その下に各研究用サブエージェントの子スパン、そして続く分析用サブエージェントが配置されます。各スパン内では、ツール呼び出しの入力・出力・タイミング・トークン使用量を確認でき、壁時計のタイミングから研究用サブエージェントが並列実行されたことを確認できます。また、ブラウザのナビゲーションやコードの実行に失敗した場合に、どのサブエージェントおよびどのツール呼び出しで問題が発生したかを特定することも可能です。アカウントごとに一度だけ設定を行う必要がありますので、トレースとスパンが利用可能になる前に [CloudWatch Transaction Search](https://docs.aws.amazon.com/bedrock-agentcore/latest/devguide/observability-get-started.html#enabling-transaction-search) を有効化してください。エージェントを AgentCore Runtime (パート 2) でホストする場合、ランタイムが自動的に OTEL でエージェントを計測するため、追加の設定は不要です。同じエージェントをランタイム外で実行する場合は、AWS Distro for OpenTelemetry (ADOT) SDK と LangChain のインスツルメンテーションライブラリをエージェントに追加してください。詳細については、[Amazon Bedrock AgentCore Observability ドキュメント](https://docs.aws.amazon.com/bedrock-agentcore/latest/devguide/observability-get-started.html) を参照してください。 これらのトレースの品質は、Amazon Bedrock AgentCore Evaluations を用いて評価することもできます。これには、ゴール達成率やツール選択精度などの組み込み評価器が用意されています。詳細については、[AgentCore Evaluations のドキュメント](https://docs.aws.amazon.com/bedrock-agentcore/latest/devguide/evaluations.html)をご参照ください。 お好みの場合は、[LangSmith](https://docs.langchain.com/langsmith/home) を用いてトレースを行うことも可能です。LangSmith を利用すれば、このマルチエージェントアーキテクチャのデバッグを支援するエンドツーエンドのトレーシングが得られます。自動トレーシングを有効にするには、以下の 3 つの環境変数を設定してください: export LANGCHAIN_TRACING_V2=true export LANGCHAIN_API_KEY="your-langsmith-api-key" export LANGCHAIN_PROJECT="competitive-research-agent" 関連するノートブックでは、このオプションについても取り上げられています。 ## なぜこのアーキテクチャが重要なのか コンポーネントがどのように連携するかをご覧いただいたところで、なぜこのパターンが価値あるものとなるのかを説明します。 第一に、コーディネーターは高レベルな推論に集中したまま維持されます。各リサーチサブエージェントは内部で多段階のブラウジング処理を行い、簡潔なサマリーのみを返すため、コーディネーターのコンテキストは生ページコンテンツで埋め尽くされることなく、統合（シンセシス）のために利用可能となります。 第二に、機能間の明確な分離が得られます。各サブエージェントタイプは自身のツールへのアクセスのみを持ち、意図しないツールの使用リスクを低減し、デバッグをより焦点を絞ったものへと導きます。 第三に、リサーチの実行速度が向上します。3 つのブラウザによるリサーチタスクを並列実行し、それぞれを独立した AgentCore MicroVM 内で処理することで、逐次処理と比較して実質的な所要時間を短縮できます。 最後に、Amazon Bedrock AgentCore はモデル非依存かつフレームワーク非依存です。AgentCore のツール（Browser, Interpreter, Memory）は、それらをオーケストレーションするモデルが何であっても同じように動作します。モデルの切り替えは単一行の変更だけで可能です： # デフォルト：Amazon Bedrock from langchain_aws import ChatBedrockConverse model = ChatBedrockConverse(model="us.anthropic.claude-sonnet-4-6", region_name="us-west-2") # 代替案：Anthropic API を直接利用 # from langchain_anthropic import ChatAnthropic # model = ChatAnthropic(model="claude-sonnet-4-6") # 代替案：Google Gemini # from langchain_google_genai import ChatGoogleGenerativeAI # model = ChatGoogleGenerativeAI(model="gemini-2.5-pro") ## AgentCore Runtime 上でエージェントをホストする 構築したエージェントはノートブック上で動作しますが、これは開発には適しています。セッションごとの分離と安定した呼び出し ARN を持つ管理されたエンドポイントへ移行するには、[Amazon Bedrock AgentCore Runtime](https://docs.aws.amazon.com/bedrock-agentcore/latest/devguide/agents-tools-runtime.html) 上でホストできます。AgentCore Runtime は ARM64 コンテナ内でエージェントをホストし、各セッションを最大 8 時間、専用のマイクロ VM で実行します。フレームワーク非依存であるため、Deep Agents のコーディネーター、並列ブラウザサブエージェント、およびアナリストサブエージェントはすべて変更なしで動作します。 AgentCore CLI は、4 つのステップでデプロイワークフローを処理します。まず agentcore create でプロジェクトのスキャフォールドを作成し、次に agent code を用いてテンプレートを更新し、agentcore deploy でデプロイを実行し、最後に agentcore invoke で呼び出します。デプロイ後、agentcore logs でログをストリーミングしたり、agentcore traces でトレースを検査したりできます。作業が完了したら、agentcore remove に続いて agentcore deploy を実行することで、プロビジョニングされたすべてのリソースを削除できます。 ノートブックのパート 2 では、これらの各ステップと、前提条件および IAM パーミッションについて順を追って説明します。 ## クリーンアップ 課金を避けるために、作成した AgentCore リソースをクリーンアップしてください： # ブラウザセッションのクリーンアップ for toolkit in browser_toolkits: await toolkit.cleanup() # インタープリタセッションのクリーンアップ await ci_toolkit.cleanup() ブラウザセッションは 1 時間後に自動的に期限切れになります。インタープリタセッションは 15 分後に自動的に期限切れになります。付随するノートブックには、自動的に実行されるクリーンアップコードが含まれています。AgentCore Memory リソースを作成したが不要になった場合は、Amazon Bedrock AgentCore コンソールまたは API を介して削除できます。 ## 結論と今後のステップ この記事では、オーケストレーションに LangChain Deep Agents を、孤立したブラウザ自動化、コード解釈、永続的メモリに Amazon Bedrock AgentCore を使用した研究エージェントを構築しました。このエージェントは [AgentCore CLI](https://github.com/aws/agentcore-cli/tree/main) を用いて AgentCore Runtime にデプロイされ、セッションごとの分離機能、安定したエンドポイント、組み込みの観測機能を備えた管理サービスとして実行されています。この並列データ収集、専門的な処理、合成のパターンは、競合調査以外の多くのワークフローにも適用可能です： - 実務調査（Due diligence）: サブエージェントを構成して、対象企業の財務報告書、プレスリリース、規制文書を調査します。例えば、競合他社の URL を SEC EDGAR の提出ページに置き換え、最小限の変更で同じブラウザサブエージェントパターンを再利用できます。 - コンテンツ作成：研究用サブエージェントで素材を集めながら、執筆用サブエージェントがセクションの草案を作成します。 - データパイプラインのオーケストレーション: サブエージェントが異なるソースからデータを抽出し、結合や変換のために統合された結果を分析担当のサブエージェントに渡します。 始めるには、[同梱のノートブック](https://github.com/langchain-ai/langchain-aws/blob/main/samples/agents/competitive_research_agent.ipynb) を開き、セルごとの手順に従ってください。このソリューションについて質問やフィードバックがある場合は、この記事にコメントを残してください。このソリューションについて質問やフィードバックがある場合は、この記事にコメントを残してください。 本記事で使用されたサービスに関する詳細情報は、以下のドキュメントをご参照ください: - LangChain Deep Agents ドキュメンテーション - Amazon Bedrock AgentCore ドキュメンテーション - Amazon Bedrock AgentCore の料金プラン

Deep Agents と Bedrock AgentCore を活用した文脈豊かな研究エージェントの構築

背景や根拠まで確認しますか？

関連記事

調べる

選ぶ

サイト