이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
Amazon Bedrock AgentCore harness를 이용해 사용자 자연어 지시를 받아 이미지를 편집하는 서버리스 에이전트를 구성하면 선언적 설정만으로 상태 유지형 격리 microVM에서 메모리·툴 라우팅·관찰성을 포함한 런타임이 실행된다. 프론트엔드는 간단한 대화와 편집 요청을 각각 Claude Haiku 4.5와 Claude Sonnet 4.6으로 분리해 전달하고 에이전트는 MCP를 통해 Stability AI 등 적절한 이미지 처리 모델로 요청을 라우팅하며 편집 후에는 InvokeAgentRuntimeCommand로 microVM에서 Python 스크립트를 실행해 워터마크를 추가하므로 모델 토큰을 소모하지 않는다. 대화 기록은 AgentCore에 30일간 보관되고 세션 ID를 localStorage에 유지해 브라우저 새로고침에도 문맥이 유지되며, AWS CDK로 전체 인프라를 선언적으로 정의해 단일 명령으로 인증·암호화된 스토리지·프론트엔드·툴을 포함한 전체 솔루션을 배포할 수 있다.
섹션별 상세
AgentCore harness는 에이전트 실행을 선언적 구성으로 전환해 오케스트레이션 코드를 제거하고 상태 유지형 격리 microVM에서 에이전트 런타임을 실행한다. 개발자는 API 파라미터로 에이전트 동작을 선언하면 AgentCore가 메모리, 툴 라우팅, 관찰성까지 포함한 전체 스택을 관리해 호출별로 격리된 실행을 제공한다. 이 접근은 별도 컨테이너나 프레임워크 없이도 복합 도구 호출 워크플로를 빠르게 배포할 수 있다는 근거를 제시한다. 결과적으로 이미지 편집 같은 멀티툴 작업을 빠르게 프로덕션화할 수 있다.
사용자 워크플로는 사진 업로드와 자연어 편집 지시를 입력하면 에이전트가 지시를 단계별 작업으로 분해해 적절한 모델과 툴로 라우팅하는 방식으로 이루어진다. 프론트엔드는 기본 대화는 Claude Haiku 4.5로, 편집 작업은 Claude Sonnet 4.6으로 요청을 분배하고 에이전트는 Stability AI 모델 등 각기 다른 이미지 처리 모델을 호출해 편집을 실행한다. 편집 완료 후에는 AgentCore 런타임의 Python 스크립트를 InvokeAgentRuntimeCommand로 실행해 워터마크를 추가하며 이 과정은 모델 토큰을 소모하지 않는다. 이 구조는 모델 추론과 시스템 작업을 분리해 비용과 지연을 낮추는 구현적 이점을 보여준다.
근거
- 프론트엔드는 일반 대화를 Claude Haiku 4.5로, 편집 요청은 Claude Sonnet 4.6으로 라우팅해 모델을 전환한다. — Per-invocation model switching 항목과 해당 문장
- 편집 후 워터마크는 AgentCore 런타임의 Python 스크립트로 microVM에서 실행되어 토큰 비용이 들지 않는다. — InvokeAgentRuntimeCommand 및 'no token cost' 언급이 있는 문단
AgentCore의 메모리와 세션 관리 설계는 대화형 편집 흐름에서 상태 보존을 가능하게 한다. 본 샘플은 대화 기록을 AgentCore 서비스에 30일간 저장하고 프론트엔드는 세션 ID를 localStorage에 유지해 브라우저 새로고침으로도 대화가 연결되도록 구성했다. ListEvents API로 서버 측에 저장된 기록을 조회할 수 있으므로 프론트엔드가 모든 대화 히스토리를 재전송할 필요가 없다. 따라서 연속적인 편집 작업에서 문맥을 잃지 않고 이전 편집을 참조하는 실무적 편의가 확보된다.
근거
- AgentCore 메모리는 대화 기록을 30일간 보관한다. — AgentCore memory stores conversation history in the AgentCore service for 30 days라는 문단
배포와 인프라 관리는 AWS CDK를 통해 선언적으로 정의되며 단일 배포 명령으로 인증, 암호화된 스토리지, 세 가지 이미지 편집 툴, React 프론트엔드까지 포함한 전체 솔루션을 서버리스 방식으로 배포한다. 아키텍처는 사용자 인터페이스(Amplify), Lambda 프록시, AgentCore 런타임, 스토리지·인증 계층의 4개 레이어로 구성되어 각 레이어가 역할을 분담한다. AgentCore Gateway는 MCP를 통해 Lambda 기반 툴을 시맨틱하게 노출하고 에이전트는 의미 기반으로 적절한 툴을 선택해 호출한다. 이러한 인프라 설계는 운영 복잡도를 낮추고 빠른 반복 배포를 가능하게 한다.
용어 해설
- AgentCore
- — Amazon Bedrock의 AgentCore는 구성 기반으로 에이전트를 정의하고 상태 유지형 격리 microVM에서 실행해 메모리 관리·툴 라우팅·관찰성을 통합하는 런타임 계층이다. API 파라미터로 에이전트의 동작을 선언하면 별도의 오케스트레이션 코드 없이도 AgentCore가 각 호출을 실행하고 상태를 보존한다. 이 구조는 빠른 프로토타입과 서버리스 배포를 가능하게 해 개발·운영 부담을 줄인다.
- Model Context Protocol
- — Model Context Protocol(MCP)은 프롬프트나 요청의 의미를 기반으로 적절한 도구·모델로 요청을 라우팅하는 시맨틱 규약으로, Lambda 같은 툴을 모델 호출 경로에 노출해 도구 선택을 자동화한다. 프롬프트를 분석해 의미적 라우팅을 수행하므로 에이전트는 단일 인터페이스로 여러 백엔드 툴을 활용할 수 있다. 이 방식은 도구 호출의 정확도를 높이고 개발자가 라우팅 로직을 직접 작성할 필요를 줄인다.
- microVM
- — microVM은 경량 가상화 환경으로서 각 에이전트 호출을 격리된 상태로 실행하고 로컬 스크립트 실행이나 파일 조작 같은 시스템 수준 작업을 허용한다. 에이전트 런타임이 microVM 위에서 동작함으로써 모델 추론과 별개로 신속한 사이드카 작업(예: 워터마킹)을 토큰 비용 없이 실행할 수 있다. 이러한 환경은 보안 격리와 상태 보존을 동시에 확보해 복합 워크플로에 유리하다.
- InvokeAgentRuntimeCommand
- — InvokeAgentRuntimeCommand는 에이전트가 microVM 내부에서 직접 스크립트나 셸 명령을 실행하도록 호출하는 기능으로, 모델 추론 토큰을 소모하지 않고 이미지 후처리나 파일 조작을 수행한다. 런타임에서 Python 스크립트를 실행해 워터마크를 추가하거나 파일을 변환하는 등 사이드 이펙트를 바로 적용할 수 있다. 이 명령은 모델 추론과 시스템 작업을 분리해 비용과 지연을 최적화한다.
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 07. 08.수집 2026. 07. 08.출처 타입 RSS
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.