Amazon Bedrock AgentCore와 LangChain Deep Agents로 컨텍스트가 풍부한 연구 에이전트 구축하기

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

핵심 요약

AI 연구 에이전트는 다수의 웹 페이지를 처리할 때 컨텍스트 윈도우 제한과 리소스 경쟁 문제에 직면한다. 이 아키텍처는 LangChain Deep Agents를 통해 오케스트레이션을 수행하고, Amazon Bedrock AgentCore의 격리된 MicroVM 환경에서 브라우저 및 코드 인터프리터 작업을 분산 처리한다. 각 서브 에이전트는 독립적인 툴킷을 사용하여 작업을 수행하고 요약된 결과만 반환함으로써 효율성을 높인다. 이 방식은 순차적 처리 대비 연구 속도를 개선하고 컨텍스트 관리를 최적화한다.

배경

AWS 계정, Amazon Bedrock AgentCore 권한, Python 3.11 이상, AWS CLI 설정

대상 독자

멀티 단계 AI 워크플로를 구축하는 개발자

의미 / 영향

이 아키텍처는 복잡한 연구 작업을 격리된 환경에서 병렬로 처리하여 LLM의 컨텍스트 윈도우 효율을 극대화한다. 또한, 프레임워크와 모델에 구애받지 않는 AgentCore를 통해 확장성 있는 에이전트 시스템 구축을 지원한다.

섹션별 상세

연구 에이전트는 다수의 웹 페이지를 읽고 분석할 때 컨텍스트 윈도우 부족과 리소스 경쟁으로 인해 성능 저하가 발생한다.

python

model = ChatBedrockConverse(
    model="us.anthropic.claude-sonnet-4-6",
    region_name="us-west-2",
    config=BotoConfig(read_timeout=300),
)

Claude Sonnet 모델을 사용하는 오케스트레이터 설정

LangChain Deep Agents와 Amazon Bedrock AgentCore의 아키텍처 흐름도 — Diagram오케스트레이터가 서브 에이전트를 생성하고, 각 서브 에이전트가 격리된 MicroVM에서 브라우저 및 코드 인터프리터 툴을 사용하는 데이터 흐름을 보여준다.

LangChain Deep Agents는 오케스트레이터 역할을 수행하며, specialized ephemeral 서브 에이전트를 생성하여 작업을 분산한다.

python

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"Researches {company_name} by browsing {company_url}.",
        "system_prompt": RESEARCHER_PROMPT,
        "tools": browser_tools,
    })

각 경쟁사별로 브라우저 서브 에이전트를 생성하는 루프

AgentCore Browser MicroVM을 이용한 병렬 연구 작업의 실행 로그 — Screenshot각 연구 서브 에이전트가 독립적인 MicroVM 세션에서 병렬로 실행되는 과정을 보여주며, 연구 효율성을 시각적으로 확인 가능하다.

Amazon Bedrock AgentCore는 각 서브 에이전트에 필요한 격리된 MicroVM 환경을 제공하여 브라우저 연구와 파이썬 코드 분석을 독립적으로 실행한다.

python

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": "Analyzes competitor data, generates charts and reports.",
    "system_prompt": ANALYST_PROMPT,
    "tools": ci_tools,
}

데이터 분석을 위한 코드 인터프리터 툴킷 생성

연구 단계에서 3개의 브라우저 서브 에이전트가 병렬로 경쟁사 웹사이트를 탐색하고 구조화된 데이터를 반환한다.

데이터 분석 단계에서는 별도의 분석가 서브 에이전트가 AgentCore Code Interpreter를 사용하여 차트와 보고서를 생성한다.

python

result = await agent.ainvoke(
    {"messages": [{"role": "user", "content": "Compare pricing for GitHub, GitLab, and Bitbucket"}]},
    config={"configurable": {"thread_id": "session-1", "actor_id": "research-agent"}},
)

에이전트 실행 및 연구 요청 호출

AgentCore Memory를 통해 장기 기억을 관리하고, CloudWatch 또는 LangSmith를 사용하여 전체 워크플로의 추적과 디버깅이 가능하다.

실무 Takeaway

연구 작업 시 브라우저 탐색과 데이터 분석을 별도의 격리된 MicroVM 서브 에이전트로 분리하여 컨텍스트 윈도우를 효율적으로 관리한다.
AgentCore Browser MicroVM을 활용해 병렬로 웹 데이터를 수집하면 순차적 처리 대비 연구 시간을 단축할 수 있다.
AgentCore Memory의 추출 전략을 설정하여 장기 기억을 구축하고, 반복적인 연구 작업에서 과거 데이터를 재사용한다.

언급된 리소스

문서LangChain Deep Agents documentation

문서Amazon Bedrock AgentCore documentation

GitHublangchain-aws GitHub repository

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"Researches {company_name} by browsing {company_url}.", "system_prompt": RESEARCHER_PROMPT, "tools": browser_tools, })

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": "Analyzes competitor data, generates charts and reports.", "system_prompt": ANALYST_PROMPT, "tools": ci_tools, }

result = await agent.ainvoke( {"messages": [{"role": "user", "content": "Compare pricing for GitHub, GitLab, and Bitbucket"}]}, config={"configurable": {"thread_id": "session-1", "actor_id": "research-agent"}}, )

Amazon Bedrock AgentCore와 LangChain Deep Agents로 컨텍스트가 풍부한 연구 에이전트 구축하기

핵심 요약

배경

대상 독자

의미 / 영향

섹션별 상세

실무 Takeaway

언급된 리소스

Amazon Bedrock AgentCore와 LangChain Deep Agents로 컨텍스트가 풍부한 연구 에이전트 구축하기

핵심 요약

배경

대상 독자

의미 / 영향

섹션별 상세

실무 Takeaway

언급된 리소스

관련 토론

댓글

관련 피드

관련 토론

댓글

관련 피드