1. はじめに ! 要約/結論 Amazon Bedrock Agents は Amazon Bedrock Agents Classic に名称変更され、メンテナンスに移行しました（既存利用者は継続利用可） Bedrock Agents Classicの代替としてAmazon Bedrock AgentCore上に新しいAIエージェントを構築する場合、AgentCore Harness（設定中心）とAgentCore Runtime（コード中心）が主な選択肢になります。 本記事では AgentCore Harness を実際にデプロイし、Memory・ログ・exportによる A

みなさん、こんにちは。AWS ソリューションアーキテクトの野間です。今週も生成 AI に関する 1 週間のアップデートをお届けします。今回は Kiro の公開 1 周年にあわせた記事群やAWS Summit Japan 2026 の開催報告など、盛りだくさんの内容です。 7 月 28 日（火）に「 AWS Bedrock LLM Day Japan 」が東京 赤坂インターシティにて開催されます。AWS Summit New York で発表された最新のサービスアップデートを日本のお客様向けにいち早くお届けするとともに、Amazon Bedrock 上での Anthropic・OpenAI モデルの活用法や、AI エージェント構築基盤 AgentCore の最新機能を実践的に解説します。ぜひご参加ください。 それでは 7月 13日週の生成 AI with AWS界隈のニュースを見ていきましょう。 さまざまなニュース AWS 生成 AI 国内事例ブログ「 株式会社村田製作所様の AWS 生成 AI 活用事例 : 3 万人利用の「Murata Coworker」を AI エージェント活用基盤へ進化させるまで 」を公開 株式会社村田製作所様による寄稿記事です。全社生成 AI プロダクト「Murata Coworker」は資料作成、翻訳、調査、社内データを活用した RAG/Agent などを統合的に提供し、累計約 3 万人が利用、1 人あたり月約 3 時間の工数削減などの効果が確認されています。この Murata Coworker を Amazon Bedrock AgentCore を中心とした AI エージェント活用基盤へ進化させる取り組みが紹介されています。社内外の知識をつなぐ Knowledge Hub やヘルプデスク業務を支援する ITSM Agent の実装に加え、AI エージェント特有のリスクを体系化したガイドライン、Amazon Bedrock のガードレール機能と NVIDIA NeMo Guardrails を組み合わせた二重構造、「人 → Agent → ツール/データ」の認可チェーン設計など、ガバナンスの実践例が具体的に語られており、AI エージェントの全社展開と統制の両立を検討している方の参考になる内容です。 ブログ記事「 音声 AI エージェントで実現するセントラルキッチンのハンズフリーオペレーション 」を公開 株式会社アドバンスト・メディア様と AWS Japan の共同執筆記事です。AWS Summit Japan 2026 で展示した、セントラルキッチン（複数店舗向けの集中調理施設）の業務課題を音声 AI エージェントで解決するアーキテクチャを解説しています。AmiVoice による高精度な日本語音声認識、Amazon Bedrock AgentCore Runtime と Strands Agents SDK による AI エージェント、Amazon DynamoDB や AWS Lambda によるサーバーレスバックエンドを組み合わせ、「手を使わずにレシピを操作できる」ハンズフリーオペレーションを実現しています。調理中に手が塞がる環境でのデータ入力障壁は、食品製造に限らずホテル・医療・製造・物流など多くの業界に共通する課題であり、音声認識と AI エージェントを組み合わせたシステム設計の参考になります。 ブログ記事「 AI と一緒に進める AWS Well-Architected Framework レビュー のすすめ 」を公開 AWS Summit Japan 2026 の Well-Architected ブースで展示した、AI を活用して AWS Well-Architected Framework レビュー（WAFR）を加速する 3 つのアプローチを紹介する記事です。Amazon Quick のチャットエージェント機能を活用して構築する Well-Architected Quick Advisor、Kiro や Claude Code などのコーディングエージェントに Well-Architected の知識を組み込むサンプルスキル・ステアリング集、そして IaC ファイルや設計書を生成 AI で自動レビューする Well-Architected IaC Analyzer です。「フレームワークの内容を理解するのが難しい」「時間がなくてレビューを実施できない」という悩みに対してレビューのハードルを下げる具体的なツールが揃っており、チームの状況に合わせて始めやすいものから取り入れられます。 ブログ記事「 Amazon Bedrock における LLM コストの最適化：請求の帰属から運用テレメトリまで 」を公開 Amazon Bedrock 上の LLM コストを可視化・最適化するための 3 層のオブザーバビリティフレームワークを解説する翻訳記事です。AWS IAM と AWS Cost and Usage Report（CUR）を用いたネイティブな請求の帰属、モデル呼び出しのログ記録、OpenTelemetry によるアプリケーションレベルのテレメトリを段階的に積み重ねる構成で、Kiro や Amazon Q Developer、Claude Code、Cursor、カスタムアプリケーションのいずれにも対応します。あわせて、モデルの切り替えやキャッシュ効率の改善など、ワークロードに応じて支出を 30〜50% 削減できる 5 つの具体的なレバー（施策）も紹介されています。「いくら使ったか」だけでなく「なぜそのコストが発生したのか」まで踏み込めるようになり、LLM 利用の拡大に伴うコスト管理に悩む方の実践的な指針になります。 ブログ記事「 Amazon Bedrock と Oracle Database@AWS で生成 AI ユースケースを加速する 」を公開 Oracle Database@AWS 上の Oracle AI Database 26ai をベクトルストアとして使い、Amazon Bedrock と統合して RAG（検索拡張生成）アプリケーションを構築する手順を解説する翻訳記事です。Oracle AI Database 26ai は VECTOR データ型と AI Vector Search 機能により、データベース内にビジネスデータと並べてベクトル埋め込みを保存し、セマンティック検索を実行できます。記事では Amazon Titan Text Embeddings v2 モデルで埋め込みを生成し、Amazon Bedrock 上の Anthropic Claude モデルと LangChain を組み合わせた Streamlit ベースの AI チャットアシスタントを構築しています。コードは GitHub で公開されており、Oracle Exadata ワークロードを AWS で運用しながら生成 AI 活用を進めたい方が手を動かして試せる内容です。 ブログ記事「 ナレッジグラフと IoT データによる生産ラインのボトルネック分析 〜AI エージェントのための製造データの構造化〜 」を公開 AWS Summit Japan 2026「生産ラインの未来」ブースで展示した、AI エージェントが生産ラインのボトルネックを検知し改善策を提案するデモの実装詳細を解説する記事です。製品・部品・設備・サプライヤーといった要素間の関係性を Amazon Neptune 上のナレッジグラフとして定義し、サイクルタイムや在庫といった鮮度の高いデータは AWS IoT SiteWise や Amazon DynamoDB から必要なときに参照する構成で、変わりにくい構造と刻々と変わる値を分離しています。「300 台増産は間に合うか」という問いに対して AI エージェントがナレッジグラフ探索、リアルタイムデータ取得、在庫照合、統合判定、自然言語での報告までを実行する推論フローが具体的に示されており、製造データを AI エージェントで活用するためのデータ構造化の進め方として参考になります。 Kiro関連 ブログ記事「 Kiro の 1 年：学生たちが今まさに未来を築いている 」を公開 Kiro 公開 1 周年にあわせ、学生ビルダーたちの活躍を紹介する記事です。Kiro for students の開始以来、数千人の学生が Kiro で開発に取り組んでおり、視覚障害のあるユーザー向けに Web の視覚コンテンツを音声フィードバックに変換するアクセシビリティアプリや、音声起動の遠隔ウェルネスシステム、自然言語の説明から配線済みブレッドボード回路を生成する電子工作プロトタイピングツールなど、分野を横断したプロジェクトが生まれています。ハッカソン経験者から初めてコードを書く学生、開発に踏み出したデザイナーまで、それぞれのやり方で Kiro を使う 4 人の学生の声も掲載されています。今年後半には学生向け提供の拡大やキャンパスでのワークショップ・ハッカソン開催も予定されており、AI とともに開発を学ぶ次世代の動きを知ることができます。 ブログ記事「 Kiro でテスト駆動開発（TDD）：こうあるべき体験 」を公開 テスト駆動開発（TDD）の red-green-refactor サイクルを Kiro の hook で徹底する方法を紹介する翻訳記事です。hook は IDE で特定のイベントが発生したときに自動的に実行される自動化ツールで、Kiro がコードを書こうとする前に「まず失敗するテストを書く」ことを促す hook の設定例が、そのままコピーして使える形で掲載されています。モンティ・ホール問題（確率のパズルとして知られる題材）を使ったシンプルな例と、タスク管理システム用 REST API の構築という実践的な例の両方で hook が機能する様子が示されています。TDD の利点は理解しつつも、テストを書く単調さやコンテキストスイッチが負担で実践しきれなかった方にとって、その規律を AI に守らせるアプローチとして試す価値があります。 ブログ記事「 Kiro の 1 年：これまでの振り返りと、これから 」を公開 Kiro の公開から 1 年を振り返る記事です。プレビュー公開から最初の 5 日間で 10 万人以上の開発者が Kiro IDE を試し、10 月にはその数が倍以上に増加、11 月には一般提供を開始しました。仕様駆動開発、プロパティベーステスト、チェックポイント、CLI、エンタープライズ機能に加え、Web・モバイル体験の提供や OpenAI の GPT-5.6 モデルの追加まで、この 1 年の進化がまとめられています。2 人のクラウドチームが数十の AWS アカウントにまたがる 500 の Lambda 関数の更新を 2 ヶ月から半日に短縮した Loyola Marymount University の事例や、従来は複数の開発者で 3〜4 ヶ月を要するプロジェクトを 1 人のアーキテクトが 2 週間で完了させた Siemens の事例など、利用者の具体的なストーリーからも Kiro の広がりが伝わります。 ブログ記事「 GPT‑5.6 が Kiro で利用可能に 」を公開 OpenAI のモデルが初めて Kiro に登場しました。GPT-5.6 Sol、Terra、Luna の 3 モデルが Kiro の IDE、CLI、Web で利用可能になり、性能とコストのトレードオフに応じて選択できます。フラッグシップの Sol は複雑なマルチステップ作業向け、Terra は日常的なエージェント作業向けのバランス型、Luna は最もコスト効率の高いモデルという位置づけで、クレジット倍率は Sol が 2.4 倍、Terra が 1.2 倍、Luna が 0.6 倍です。AWS 米国東部（バージニア北部）リージョンと欧州（フランクフルト）リージョンにおいて、Kiro Pro、Pro+、Pro Max、Power のお客様向けに実験的サポートとして段階的に展開されており、クロスリージョン推論にも対応しています。 ブログ記事「 ビルダーたちを称えて：創業者は Kiro でどのように開発を加速しているか 」を公開 Kiro 公開 1 周年にあわせ、スタートアップ創業者たちの事例を紹介する記事です。昨年 11 月に開始した Kiro for startups は応募が殺到して早期に受付を終了し、今年 4 月に Kiro Startup Credits として再開、この 1 年で数千の創業者が Kiro を選びました。記事では、規制の厳しい金融コンプライアンス分野で対象ワークフローのデリバリーを約 50% 高速化した Facctum Solutions や、テスト開始まで 24〜32 週間と見積もっていたプロジェクトを 5〜7 週間で完了させた Banking-as-a-Service プラットフォームの Nymbus など、4 社の創業者の声が紹介されています。Kiro Startup Credits の応募は年末まで延長されており、アーリーステージから Series A のスタートアップが対象です。 イベント開催報告関連 ブログ記事「 【開催報告】AWS Summit Japan 2026 — AI エージェントで危機対応：小売×消費財の混乱を AI と人が即座に解決 」を公開 AWS Summit Japan 2026 の流通小売・消費財・飲食業界向けブースで展示した、サプライチェーン危機対応デモの開催報告です。台風による広域配送停止や原材料の調達難といった外乱に対し、AI エージェントが検知・影響分析・代替案の探索と提示を行い、人間が承認したうえで実行と通知までを一気通貫で行う流れをライブで実演しました。Amazon Bedrock AgentCore Runtime と Strands Agents SDK によるマルチエージェント構成で、Strands Agents SDK の Interrupt 機能を使った人間による承認の必須化（Human-in-the-Loop）や、AWS AppSync Events による AI の思考プロセスのリアルタイム可視化が工夫のポイントです。AI に任せる範囲を 5 段階の自動化レベルとして整理し、既存データを使った「レベル 1 のシミュレーション」からであれば実業務のプロセスを変更せずに今日からでも始められると提案しており、BCP 訓練に課題を持つ企業に具体的な出発点を示しています。 ブログ記事「 【開催報告】AWS Summit Japan 2026 ― AI で加速する製品イノベーション 〜マルチエージェントで実現する製品開発 」を公開 AWS Summit Japan 2026 の流通小売・消費財・飲食ブースで展示した、マルチエージェントによる製品開発デモの開催報告です。製品イノベーションのライフサイクルをリサーチ・デザイン・製造の 3 フェーズに分け、それぞれに専任の AI エージェントを配置し、市場調査から製品デザイン、原価試算・収益予測までを一気通貫で進める体験を提供しました。従来 6 ヶ月から 1 年以上を要することも珍しくない開発プロセスを数分に短縮しつつ、各ステップで AI が複数の案を提示し人間が方向性を決める Human in the Loop の思想を貫いています。エージェントは Amazon Bedrock AgentCore 上で Strands Agents SDK により構築され、経営戦略資料などの自社データを Amazon Bedrock Knowledge Base に連携することで「一般解」ではなく「わが社の解」が得られる点も強調されており、製品開発の高速化を検討する方がイメージを掴みやすい内容です。 ブログ記事「 AIで変える鉄道保全と、「クローズド」を読み解くクラウド設計 — AWS Summit Japan 2026 展示ブース開催報告 」を公開 AWS Summit Japan 2026 の鉄道ブースにおける 2 つの展示の開催報告です。1 つ目は、AI エージェントと地理情報システム（GIS）を統合した鉄道設備保全プラットフォームで、異常検知から原因調査、作業指示書の生成までを AI エージェントが支援するとともに、Amazon Science が開発したオープンソースの時系列基盤モデル Chronos-2 を応用した学習不要（ゼロショット）の予兆検知を紹介しています。2 つ目は、国土交通省「鉄道分野における情報セキュリティ確保に係る安全ガイドライン」第 6 版を踏まえた OT/IT 設計アプローチのパネル展示で、AWS Direct Connect による閉域網接続を前提に、Amazon GuardDuty などのマネージドサービスでセキュリティ運用の負荷を軽減する考え方を示しています。人手不足や保全対象機器の増加に直面する保全現場と、クローズド前提の制御系システムの両面から、鉄道業界のクラウド活用を考えるヒントになります。 ブログ記事「 【開催報告】AWS Summit Japan 2026 — 「AI ペルソナ達がビジネス課題解決を加速する」バーチャル AI エキスパート 」を公開 AWS Summit Japan 2026 の流通小売・消費財・飲食ブースで展示したプロトタイプ「バーチャル AI エキスパート」の開催報告です。CEO 視点、IT Director 視点、店舗マネージャー視点など異なる専門性と立場を持つ複数の AI ペルソナが専門家チームとして自律的に調査・分析・議論し、人間は最終判断だけを行うというコンセプトで、数分の対話で数週間かかっていた意思決定の下準備が完了する体験を提供しました。Nova 2 Sonic によるリアルタイム音声対話、A2A・AG-UI プロトコルによるエージェント間・UI 間通信の標準化、Amazon Bedrock AgentCore Runtime 上での実行という技術構成に加え、4 名のソリューションアーキテクトが Kiro と AI-DLC（AI Development Life Cycle）を活用して約 3 週間のスプリントで設計から開発まで完了させた過程も詳しく語られています。マルチエージェント開発の設計判断や苦労した点が率直に共有されており、同様のシステムを検討する方に実践的な学びがあります。 ブログ記事「 【開催報告】AWS Summit Japan 2026 〜 Future of Agentic Commerce ブース 」を公開 AWS Summit Japan 2026 で展示した、流通小売消費財業界ブース「AWS で実現する新しい E-Commerce の形 〜 Future of Agentic Commerce」の開催報告です。Agentic Commerce とは、自律的な AI エージェントがユーザーに代わって商品の検索・比較・購入・決済までを独立して実行する新しい形の e コマースで、現状では購入の最終判断は人が行う形が中心です。デモでは、AI プラットフォーム側の Incoming Agent と EC 事業者側の Onsite Agent を Amazon Bedrock AgentCore を中心に統合し、UCP・AP2・ECP・MCP Apps といった複数のコマースプロトコルへの対応や Amazon Pay による決済まで、一連のカスタマージャーニーを実際に動く形で紹介しました。来場者からは「AI エージェントに決済まで任せたい」よりも「AI プラットフォーマーに自社の商品を推薦してもらい、自社の EC サイトへ流入させたい」という声が多かったなど現場の生の反応も紹介されており、急速に整備が進むこの分野の全体像を掴むのに役立ちます。 ブログ記事「 【開催報告】AWS GenAI Catapult! 〜AI 駆動型ハッカソンイベント：ユースケース創出から Kiro によるプロトタイプ開発まで〜 」を公開 2026 年 6 月 11 日・12 日の 2 日間、AWS 麻布台オフィスで開催した AI 駆動型ハッカソンイベント「AWS GenAI Catapult!」の開催報告です。Amazon のイノベーション創出メカニズム「Working Backwards」手法を用いて顧客起点で生成 AI ユースケースを創出し、AI コーディングエージェント Kiro でプロトタイプ開発まで行うコンテスト形式のイベントで、金融領域の 13 社 12 チーム（47 名）が参加しました。前回はアイデア創出が中心でしたが、今年は「考える」から「作る」までを 2 日間で一気通貫に体験する構成へと進化しています。参加者アンケートでは総合満足度 4.8/5.0、今後も Kiro を業務で使いたいと回答した方は約 94% にのぼり、「開発をしたことがない人間でも、ここまで作れるのか」という驚きの声とともに、生成 AI 活用を業務効率化の先のイノベーション創出へ引き上げようとする場の熱気が伝わってきます。 サービスアップデート OpenAI GPT-5.6 Sol、Terra、Luna が Amazon Bedrock で一般提供開始 OpenAI の GPT-5.6 Sol、Terra、Luna が Amazon Bedrock で一般提供を開始しました。フラッグシップの推論性能を持つ Sol、バランスの取れた性能の Terra、高速かつコスト効率の高い推論の Luna という能力階層をカバーし、いずれも Amazon Bedrock の Responses API から利用できます。Sol はエージェンティックコーディングのベンチマークで最先端の結果を示し、Terra は GPT-5.5 レベルの性能を半分のコストで、Luna は最も低い価格で高速な推論を提供します。明示的なキャッシュブレークポイントを指定できるプロンプトキャッシュに対応しており、エージェントワークフローで繰り返し使われるコンテキストは 90% 割引で課金されます。料金は OpenAI が直接提供する場合と同じ水準で、利用分は AWS のコミットメントにもカウントされます。Sol は米国東部（バージニア北部）と米国東部（オハイオ）の各リージョンで、Terra と Luna はこれに加えて米国西部（オレゴン）リージョンで利用できます。 AWS の AI ワークロード向け Amazon GuardDuty AI Protection のご紹介 Amazon GuardDuty に、Amazon Bedrock や Amazon SageMaker を含む AWS の AI サービスへ脅威検知を拡張する AI Protection が登場しました。AWS AI サービスの AWS CloudTrail 管理イベントとデータイベントを分析し、異常な呼び出しパターン、攻撃者が AI リソースに GPU 時間やトークンを過剰消費させるコストハーベスティング攻撃、Amazon Bedrock Guardrails との統合によるプロンプトインジェクションの試行などを検出します。検出結果は AWS Security Hub に直接連携され、AI 資産と脅威を単一のビューで確認して優先度を付けた対応ができます。GuardDuty または Security Hub のコンソールから数ステップで有効化でき、AWS Organizations を使えば組織内の全アカウントで一括して有効化することも可能です。手動の設定や独自ツールなしに AI 特有の脅威へ対応できるようになり、GuardDuty のお客様は 30 日間の無料トライアルで利用を開始できます。 AWS Security Hub が組織全体の AI 資産を可視化する AI インベントリを提供開始 AWS Security Hub が、組織全体の AI 資産とそのセキュリティ態勢を継続的に把握できる AI インベントリの提供を開始しました。Amazon Bedrock、Bedrock AgentCore、Amazon SageMaker といったマネージド AI サービスは AWS Config リソースから追加設定なしでインベントリ化し、Amazon EC2 インスタンスや Amazon ECR コンテナイメージ上のセルフホスト型 AI ワークロード（Ollama、vLLM、Hugging Face TGI などのフレームワークを含む）は Amazon Inspector の SBOM（ソフトウェア部品表）分析で、EC2 インスタンスからアクセスされる外部 AI API エンドポイントは Amazon GuardDuty の DNS テレメトリで発見する、3 つの発見方法を組み合わせています。発見された AI 資産は基盤となるインフラにマッピングされ、Amazon GuardDuty の脅威検出結果を含むセキュリティ検出結果と相関付けられるため、実際に脅威にさらされている AI ワークロードから優先的に対処できます。Security Hub Essentials に追加料金なしで含まれ、新たな有効化作業も不要で、Security Hub が提供されているすべての AWS 商用リージョンで利用できます。 PII の検出とマスキングを行う OpenAI の privacy-filter が Amazon SageMaker JumpStart で利用可能に OpenAI の privacy-filter が Amazon SageMaker JumpStart で利用可能になりました。テキスト中の個人を特定できる情報（PII）の検出とマスキングを行う双方向トークン分類モデルで、入力シーケンスを 1 回のフォワードパスでラベル付けし、アカウント番号、住所、メールアドレス、名前、電話番号、URL、日付、シークレットといった PII のカテゴリを検出します。高速で文脈を認識し、チューニングも可能という特性を備え、高スループットなデータサニタイズ（無害化）ワークフロー向けに設計されています。SageMaker JumpStart から数クリックでデプロイできるため、機密情報を含むテキストを扱う処理にデータの無害化を組み込みたい場合に活用できます。 Gemma-4-E2B-it が Amazon SageMaker JumpStart で利用可能に Google DeepMind の Gemma-4-E2B-it が Amazon SageMaker JumpStart で利用可能になりました。テキスト・画像・音声の入力を処理してテキストを出力するマルチモーダルな指示チューニング済みモデルで、効率的なローカル実行に最適化されており、回答の前にステップバイステップで考える推論モードを内蔵しています。物体検出、ドキュメント解析、画面や UI の理解、チャートの読み取り、OCR といった画像理解に加え、動画理解、エージェントワークフロー向けのネイティブな関数呼び出し、コードの生成・補完・修正、数十言語にわたる多言語対応を提供します。SageMaker JumpStart から数クリックでデプロイでき、幅広いタスクに対応するモデルを自社の AWS アカウント上で試せます。 検索（retrieval）向けの Qwen3 埋め込みモデルとリランキングモデルが Amazon SageMaker JumpStart で利用可能に Qwen の Qwen3-VL-Embedding-2B と Qwen3-Reranker-4B が Amazon SageMaker JumpStart で利用可能になりました。2 つのモデルは通常セットで使われ、埋め込みモデルが効率的な初期リコール（候補の絞り込み）を行い、リランカーが後段の再ランキングで結果を精緻化します。Qwen3-VL-Embedding-2B はテキスト、画像、スクリーンショット、動画やそれらの混合入力を受け付け、視覚情報とテキスト情報を共有空間で捉える意味的に豊かなベクトルを生成し、30 以上の言語をサポートします。Qwen3-Reranker-4B はクエリと文書のペアを入力として精密な関連性スコアを出力し、テキスト検索、コード検索、テキスト分類、テキストクラスタリング、バイテキストマイニングを 100 以上の言語で扱え、タスクや言語に応じたユーザー定義の指示にも対応します。検索パイプラインの品質を左右する 2 つの段階を、自社の AWS インフラストラクチャ上で構築したい場合の選択肢になります。 リアルタイム音声書き起こし向けの Voxtral-Mini-4B-Realtime が Amazon SageMaker JumpStart で利用可能に Mistral AI の Voxtral-Mini-4B-Realtime-2602 が Amazon SageMaker JumpStart で利用可能になりました。ネイティブなストリーミングアーキテクチャによりリアルタイムの書き起こしを実現する音声書き起こしモデルで、13 言語にわたる多言語書き起こしをサポートします。書き起こしの遅延を設定で調整できるため、用途に応じてレイテンシー（応答までの遅延時間）と精度のバランスを選べる点が特徴です。SageMaker JumpStart から数クリックでデプロイでき、低レイテンシーの音声アプリケーションを AWS インフラストラクチャ上に構築できます。 Amazon OpenSearch Service が Agent Toolkit for AWS をサポート Amazon OpenSearch Service が Agent Toolkit for AWS と統合され、Claude Code、Kiro、Cursor などの AI コーディングエージェントから OpenSearch Service ドメインや OpenSearch Serverless コレクションを直接構築・管理・クエリできるようになりました。AWS API 呼び出しを代行する AWS MCP（Model Context Protocol）サーバーと、自然言語のリクエストを適切な機能へ自動的に振り分けるキュレーション済みスキル「amazon-opensearch-service」の組み合わせで動作します。セルフマネージドの OpenSearch からの移行、ドメインとコレクションのプロビジョニング・管理、ベクトル・セマンティック・ハイブリッド・RAG 検索の構築、PPL と OpenSearch Ingestion によるログ分析、OpenTelemetry による分散トレース分析という 5 つの領域を、目的を自然言語で伝えるだけでエージェントが処理してくれます。既存インフラの変更は不要で追加料金なしに利用でき、Amazon OpenSearch Service と OpenSearch Serverless が提供されているすべての AWS リージョンでサポートされます。 Kiro-CLI : Introspect サブエージェントとグローバル hooks Kiro CLI 2.13.0 がリリースされ、早期アクセス中の CLI 3.0 向けに 2 つの新機能が追加されました。Introspect サブエージェントは、Kiro の機能について質問するとその場で正確な回答が得られる組み込みのサブエージェントで、カスタムエージェント・hooks・steering ファイルの書き方の案内や、ワークフローに合った設定の提案も行います。グローバル hooks は、~/.kiro/hooks/ に配置した hook がすべてのワークスペースで自動的に発火する仕組みで、保存時の lint、コミット前のセキュリティチェック、カスタムの承認ゲートといった横断的な処理をプロジェクトごとに複製する必要がなくなります（ワークスペースレベルの hooks も引き続き併用できます）。いずれも kiro-cli –v3 で利用でき、全ユーザー向けのエラーハンドリング修正もあわせて含まれています。 Kiro-Model : OpenAI GPT-5.6 Sol、Terra、Luna が利用可能に OpenAI のモデルが初めて Kiro に登場し、GPT-5.6 Sol、Terra、Luna が IDE、CLI、Web で利用できるようになりました。フラッグシップの Sol は仕様駆動の実装や長期にわたるリファクタリング、複雑なターミナルタスクといった難度の高いマルチステップ作業向けで、Coding Agent Index で 80、Terminal-Bench 2.1 で 88.8% のスコアを記録しています。Terra は日常的なマルチステップ開発をフラッグシップの数分の一のコストでこなすバランス型、Luna はスループット重視の高頻度タスク向けの最速・最安のティアです。3 モデルとも 272K のコンテキストウィンドウを持ち、Kiro のクレジット倍率は Sol が 2.4 倍、Terra が 1.2 倍、Luna が 0.6 倍。実験的サポートとして、米国東部（バージニア北部）と欧州（フランクフルト）の各リージョンで、Pro、Pro+、Pro Max、Power のお客様向けにクロスリージョン推論とともに展開が進んでいます。なお、これらのモデルは思考過程を非公開とする chain-of-thought 推論を用いるため、内部の推論ステップは表示されず最終出力のみが表示されます。 Kiro-IDE : セッションの高速化、コンパクションの修正、PowerShell の信頼設定 Kiro IDE 1.0.138 がリリースされました。セッションの起動が高速化されたほか、大規模なセッションで「Context limit exceeded」エラーが繰り返し発生していたコンパクション（コンテキストの自動圧縮）のループが修正され、Windows での PowerShell の信頼（trust）が完全にサポートされました。また、MCP ツールが一時的なネットワーク障害の際にサイレントに失敗せず、回復するようになっています。最新の 1.0.x リリースは kiro.dev/downloads から直接ダウンロードでき、自動更新はユーザーへ段階的に展開中です。 最後に、「 AWS ジャパン生成 AI 実用化推進プログラム 」も引き続き実施中ですので検討してみてください。 今週は以上です。それでは、また来週お会いしましょう！ 著者について 野間 愛一郎 (Aiichiro Noma) AWS Japan のソリューションアーキテクトとして、製造業のお客様を中心に日々クラウド活用の技術支援を行なっています。データベースやデータ分析など、データを扱う領域が好きです。最近燻製づくりにハマってます。

本記事は 2025 年 11 月 19 日 に公開された「 Accelerate generative AI use cases with Amazon Bedrock and Oracle Database@AWS 」を翻訳したものです。 Oracle Database バージョン 26ai では、ベクトル埋め込みの保存と、キーワードではなくセマンティクスに基づくデータ検索が可能になり、音声アシスタント、チャットアシスタント、言語翻訳、レコメンデーションシステム、異常検知、動画検索・認識などの生成 AI アプリケーションを開発できます。Oracle AI Database 26ai の AI Vector Search を使うと、大規模言語モデル (LLM) を再学習することなく、重要なコンテキストを活用した Retrieval Augmented Generation (RAG) アプリケーションを構築できます。コンテキストは Oracle AI Database 26ai に保存・検索・取得され、LLM に渡すことで、プロンプトに対して正確で最新かつ的確な回答を生成します。Oracle AI Database 26ai の AI Vector Search と LLM を組み合わせた RAG により、社内のビジネス情報を安全に活用して重要なビジネス上の質問への回答やさまざまなユースケースのコンテンツ生成が可能です。 Oracle AI Database 26ai は VECTOR データ型 をサポートし、データベース内にビジネスデータと並べてベクトル埋め込みを保存する基盤を提供します。埋め込みモデルを使えば、非構造化データをベクトル埋め込みに変換し、ビジネスデータに対するセマンティック検索に活用できます。ベクトル埋め込みは Oracle Database の外部で生成でき、 Amazon Bedrock でホストされる事前学習済み埋め込みモデル、オープンソースの埋め込みモデル、または独自の埋め込みモデルを利用できます。AWS では、ユースケースや要件に応じて Amazon OpenSearch Service 、 Amazon Aurora PostgreSQL-Compatible Edition 、 Amazon DocumentDB など、さまざまなベクトルデータベースの選択肢があります。本記事では、 Oracle Database@AWS (ODB@AWS) と Amazon Bedrock を統合し、Amazon Bedrock の Amazon Titan 埋め込みモデルと Oracle AI Database 26ai に保存されたベクトルを使って RAG アシスタントアプリケーションを構築する手順を解説します。 ODB@AWS では、AWS データセンター内で Oracle Cloud Infrastructure (OCI) が管理する Oracle Exadata インフラストラクチャにアクセスできます。オンプレミスの Exadata と同等のパフォーマンスと機能を維持しながら、Oracle Exadata ワークロードを AWS に移行できます。ODB@AWS は Exadata Database Service および Autonomous Database Service on Dedicated Infrastructure で Oracle Database 19c と 26ai の両バージョンをサポートしています。Amazon Redshift との Zero-ETL 連携、バックアップ用の Amazon S3 連携、モニタリング用の Amazon CloudWatch、Amazon Bedrock、 Amazon SageMaker AI などの生成 AI サービスとの統合により、生成 AI アプリケーションを構築できます。 Oracle AI Database 26ai のベクトル機能の概要 Oracle AI Database 26ai は AI Vector Search 機能を通じてベクトル機能を提供し、ODB@AWS 上で AI ワークロードを実行できます。主な機能は次のとおりです。 ネイティブ VECTOR データ型と操作 Oracle AI Database 26ai は新しい VECTOR データ型を導入し、テーブルカラムに高次元ベクトルを直接保存できます。単一の統合データベース環境内でベクトルデータの保存、クエリ、分析操作を実行できます。AI Vector Search 機能がネイティブに統合されており、類似検索、ベクトルとリレーショナルデータを組み合わせた ハイブリッドクエリ 、外部サービスを必要としない高度な分析が可能です。 ベクトルは、SecureFiles LOB に保存されたドキュメント、PDF、画像などの非構造化データ、メタデータやコンテキスト用の JSON データ、高度な分析や AI ベースのレコメンデーション用のグラフデータや空間データと共存できます。複雑性を低減しセキュリティを向上させつつ、セマンティック検索とビジネスコンテキストを組み合わせたハイブリッドクエリを実現します。 柔軟なベクトル生成 Oracle は Python や REST API を通じて外部の埋め込みモデルや LangChain 、 LlamaIndex などの RAG フレームワークと柔軟に統合できます。また、事前学習済み埋め込みモデルを ONNX 形式 で直接データベースにインポートし、データベース環境内でベクトル埋め込みを生成することも可能です。ただし、データベースへの性能負荷が増加し、モデルの更新やメンテナンスも必要になります。 AI Smart Scan (Exadata 最適化) Oracle Database@AWS は Exadata 上で動作するため、 AI Smart Scan を使ってベクトルデータを照会し、ベクトル操作を Exadata ストレージサーバーにオフロードします。帯域幅を最適化し、データベース層の CPU 使用率を削減するため、リアルタイムのセマンティック検索やレコメンデーションエンジンなど、大規模な AI/ML アプリケーションに最適です。 専用メモリ割り当て Oracle は vector_pool と呼ばれる専用メモリ領域を割り当て、Hierarchical Navigable Small World (HNSW) ベクトルインデックスと関連メタデータをデータベースバッファキャッシュとは別に保存します。この領域は Inverted File Flat (IVF) インデックスの作成や、IVF インデックスを持つベーステーブルに対する DML 操作の高速化にも使用されます。トランザクション処理に影響を与えることなく、AI ワークロードの予測可能なパフォーマンスを実現します。 開発とデータ管理の簡素化 開発者は標準 SQL を使って単一の環境内でリレーショナルデータとベクトルデータの両方を扱えるため、学習コストを低減しアプリケーション開発を効率化できます。 PL/SQL パッケージ を使ったベクトル操作も可能です。汎用データベースにベクトル機能を統合することで、Oracle AI Database 26ai はセキュリティ、高可用性 (RAC など)、パーティショニング、シャーディング、災害復旧などの既存のエンタープライズ機能を活用できます。 ベクトルデータの外部テーブルサポート Oracle AI Database 26ai のベクトル向け外部テーブルサポートにより、外部ファイルから直接埋め込みを保存・検索でき、コストと柔軟性の面で有利です。ベクトルデータの探索やステージング、リレーショナル情報とベクトル情報を混合した類似検索やハイブリッドクエリの実行、大規模な外部データセットに対する概念実証の分析を、本格的な取り込みの前に行うのに適しています。Amazon S3 上にベクトルデータを持つ外部テーブルを作成し、セマンティック検索を実行できます。 ソリューションの概要 本記事では、Oracle AI Database 26ai をベクトルデータストア、LangChain フレームワーク、Amazon Titan 埋め込みモデル、Amazon Bedrock でホストされる Anthropic Claude LLM モデルを使って RAG AI アシスタントアプリケーションを構築する方法をデモします。 次の図では、ODB@AWS にデプロイした Oracle AI Database 26ai をベクトルストアとして使用しています。AI チャットアシスタントアプリケーションは、 ODB ピアリング で ODB ネットワークとピアリングした VPC 内の Amazon Elastic Compute Cloud (Amazon EC2) インスタンスにデプロイされています。ODB ネットワークは、AWS アベイラビリティゾーン内の Oracle インフラストラクチャをホストするプライベートな分離されたネットワークです。標準的な VPC とは異なり、ODB ネットワークにはインターネット接続がなく、ODB@AWS リソースのみをサポートします。ODB ピアリングは ODB ネットワークと Amazon VPC 間のプライベートネットワーク接続を確立し、同一ネットワーク上にあるかのようにアプリケーションから Oracle データベースに通信できるようにします。 ODB ピアリング は AWS と Oracle の環境を橋渡しし、ピアリングされた VPC に接続された特定の AWS サービスからのトラフィックが ODB ネットワークに到達できるルーティング機能をサポートします。Amazon Bedrock の Amazon Titan 埋め込みモデルでベクトル埋め込みを作成します。Anthropic Claude LLM はセマンティック検索のために Amazon Bedrock から呼び出されます。Amazon Bedrock へのアクセスは、EC2 インスタンスに関連付けられた AWS Identity and Access Management (IAM) ロールを通じて付与されます。 デモのエンドツーエンド RAG ワークフローは、次の大まかなステップで構成されます。 データ取り込み (本デモでは PDF): アプリに PDF を取り込み、テキストコンテンツを読み取って抽出します。 テキストチャンキング : 抽出したテキストを効率的に処理できるよう、小さな チャンク に分割します。テキストのチャンキングは検索品質とレートリミット対策の両面で重要です。 埋め込み生成 : アプリケーションは Amazon Bedrock の Amazon Titan Text Embeddings v2 モデルを使い、テキストチャンクのベクトル表現である埋め込みを生成します。 ベクトルストア : Oracle Database@AWS の Oracle AI Database 26ai (Oracle AI Vector Search) にベクトルとメタデータを保存します。 ユーザーの質問 : ユーザーがチャットボットに自然言語で質問を入力します。 類似度マッチング : ユーザーが質問すると、アプリはテキストチャンクと比較し、セマンティックに最も類似したチャンクを特定します。 RAG : Streamlit UI 上に構築されたアプリケーションを通じて、Amazon Bedrock の Anthropic Claude 3 Sonnet モデルで検索拡張型 Q&A を実行します。 レスポンス : LLM が PDF の関連コンテンツに基づいて回答を生成します。 完全なコードは GitHub リポジトリ を参照してください。 前提条件 このソリューションを実装するにあたり、以下の前提条件を満たし、必要なリソースを作成しています。 AWS リージョンで Amazon Bedrock にアクセスできる AWS アカウント。Amazon Bedrock では、API を使ってモデルを呼び出す前に、基盤モデル (FM) へのアクセスをリクエストする必要があります。生成 AI アプリケーションを構築・実行するには、Amazon Bedrock で モデルアクセス を設定する必要があります。Amazon Bedrock は AI21 Labs、Anthropic、Cohere、Meta、Stability AI、Amazon など複数のプロバイダーからさまざまな FM を提供しています。 ベクトルストアとして使用する Oracle Database@AWS 上の Oracle AI Database 26ai。本デモのアーキテクチャでは、ODB@AWS の Exadata Database Service に 26ai をデプロイしています。 Oracle Database@AWS サービスをホストする ODB ネットワークと ODB ピアリングされた VPC にデプロイされた EC2 インスタンス。クライアントとして使用する EC2 インスタンスから ODB@AWS 上の Oracle Database へのネットワーク接続を確認してください。 Amazon Bedrock モデルと SageMaker AI サービスへのアクセスを許可するポリシーがアタッチされた IAM ロールを EC2 インスタンスに関連付けます。以下はポリシーの例です。完全なポリシー JSON ドキュメントは GitHub を参照してください。 { "Version": "2012-10-17", "Statement": [ { "Sid": "AllowBedrockInvoke", "Effect": "Allow", "Action": [ "bedrock:InvokeModel", "bedrock:InvokeModelWithResponseStream" ], "Resource": "*" }, { "Sid": "AllowSageMakerStudioDiscovery", "Effect": "Allow", "Action": [ "sagemaker:ListDomains", "sagemaker:ListUserProfiles", "sagemaker:ListApps", "sagemaker:DescribeDomain", "sagemaker:DescribeUserProfile" ], "Resource": "*" { "Sid": "AllowSageMakerStudioPresignedUrls", "Effect": "Allow", "Action": [ "sagemaker:CreatePresignedDomainUrl" ], "Resource": "*" } ] } アプリケーションの構築 以下の手順に従い、Oracle 26ai をベクトルストアとして使用し、Amazon Bedrock の埋め込みモデルと LLM モデルを統合した、Streamlit ベースの AI チャットアシスタントを含むエンドツーエンドの RAG ワークフローを構築します。 GitHub で公開されている完全なコードを再利用することもできます。GitHub からコードをデプロイして実行する手順は「デモ」セクションを参照してください。 ライブラリのインポート: import sys import os from pathlib import Path from typing import Dict, List import logging from dotenv import load_dotenv import time from concurrent.futures import ThreadPoolExecutor import numpy as np from PIL import Image import base64 import boto3 import oracledb import streamlit as st from PyPDF2 import PdfReader from langchain_aws import BedrockEmbeddings, ChatBedrock from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain_core.documents import Document from langchain_community.vectorstores.oraclevs import OracleVS from langchain_community.vectorstores.utils import DistanceStrategy from langchain.chains import ConversationalRetrievalChain ドキュメントの取り込み: 本ユースケースでは PDF 形式のドキュメントを使用します。PDF ドキュメントを読み込み、各ページをテキストに変換します。   def extract_text_from_pdf(pdf_file) -> str: """Extract text content from a PDF file.""" try: pdf_reader = PdfReader(pdf_file) text = "" for page in pdf_reader.pages: text += page.extract_text() return text except Exception as e: logger.error(f"Error extracting text from PDF: {e}") raise 注: この例ではローカルデスクトップから PDF ドキュメントをアプリに読み込んでいますが、データソース (PDF ドキュメント) は Oracle Database 内 (BLOB としての PDF) や、Amazon S3 バケットなどデータベース外部に配置することも可能です。 テキストのチャンキング: 抽出したテキストを、LangChain の RecursiveCharacterTextSplitter モジュールで小さなチャンクに分割します。チャンクサイズ、オーバーラップなどのパラメータは処理効率を最適化するよう設定します。 def chunk_text(text: str) -> List[str]: try: splitter = RecursiveCharacterTextSplitter( separators=["\n\n", "\n", ".", " "], chunk_size=MAX_CHUNK_SIZE, chunk_overlap=100, length_function=len ) return splitter.split_text(text) except Exception as e: logger.error(f"Error chunking text: {e}") raise 以下の create_documents 関数は、テキストチャンクのリストを受け取り、メタデータ付きの Document オブジェクトに変換します。各テキストチャンクに対して ID とページリンクをメタデータとして割り当てた Document オブジェクトを作成し、リスト内包表記で効率的に処理します。 def create_documents(chunks: List[str]) -> List[Document]: """Create document objects with metadata from text chunks.""" return [ Document( page_content=text, metadata={'id': str(i), 'link': f'Page {i}'} ) for i, text in enumerate(chunks) ] process_chunk_with_delay 関数は、レートリミット対応としてタイムディレイを挿入しながら、単一のドキュメントチャンクを処理します。まず time.sleep で一定時間待機し、次にエンベッダーを使ってドキュメントの内容をベクトル埋め込みに変換します。 def process_chunk_with_delay(chunk: Document, embedder) -> np.ndarray: """Process a single chunk with rate limiting.""" time.sleep(RATE_LIMIT_DELAY) return embedder.embed_documents([chunk.page_content])[0] batch_process_embeddings 関数は、レートリミットを維持しながら複数のドキュメントの埋め込み生成を並列処理で管理します。 ThreadPoolExecutor を使って最大 MAX_CONCURRENT_REQUESTS 個のドキュメントを並行処理し、各ドキュメントを process_chunk_with_delay 関数でレートリミットを守りつつ埋め込みを生成し、生成された埋め込みのリストを返します。 def batch_process_embeddings(docs: List[Document], embedder) -> List[np.ndarray]: """Process embeddings in batches with rate limiting.""" with ThreadPoolExecutor(max_workers=MAX_CONCURRENT_REQUESTS) as executor: embeddings = list(executor.map( lambda doc: process_chunk_with_delay(doc, embedder), docs )) return embeddings ベクトル埋め込みの保存: 次に、amazon.titan-embed-text-v2 モデルを使ったベクトル埋め込みをベクトルデータベースとして Oracle Database@AWS にロードします。テキストチャンクを入力として受け取り、Amazon Titan Embeddings を使ってベクトルストアを作成します。次のスクリーンショットのように環境変数から設定できます。データベースの構成に合わせて変更してください。 def get_oracle_connection(): """Create and return Oracle connection.""" try: if not hasattr(st.session_state, 'oracle_connection') or st.session_state.oracle_connection is None: connection = oracledb.connect( user=os.getenv('ORACLE_USER'), password=os.getenv('ORACLE_PASSWORD'), dsn=f"{os.getenv('ORACLE_HOST')}:{os.getenv('ORACLE_PORT', '1521')}/{os.getenv('ORACLE_SERVICE')}" ) st.session_state.oracle_connection = connection logger.info("New Oracle connection established successfully") return st.session_state.oracle_connection except Exception as e: logger.error(f"Error creating Oracle connection: {e}") raise def check_connection(): """Check if the Oracle connection is healthy and reinitialize if needed.""" try: connection = st.session_state.get('oracle_connection') if connection is None: st.session_state.oracle_connection = get_oracle_connection() return try: with connection.cursor() as cursor: cursor.execute("SELECT 1 FROM DUAL") except Exception as e: logger.warning(f"Connection test failed: {e}") try: connection.close() except Exception: pass st.session_state.oracle_connection = get_oracle_connection() except Exception as e: logger.error(f"Error checking connection: {e}") raise def safe_close_connection(): """Safely close the Oracle connection.""" if hasattr(st.session_state, 'oracle_connection') and st.session_state.oracle_connection is not None: try: if st.session_state.oracle_connection.ping(): st.session_state.oracle_connection.close() logger.info("Oracle connection closed successfully") except Exception as e: logger.warning(f"Error during connection cleanup: {e}") finally: st.session_state.oracle_connection = None 上記のコードは、Streamlit アプリケーションで Oracle データベース接続を 3 つの関数で管理しています。 get_oracle_connection() はセッション状態に接続がなければ新しいデータベース接続を作成し、 check_connection() は既存の接続が正常かどうかを検証して必要に応じて再作成し、 safe_close_connection() は不要になったデータベース接続を適切にクローズします。これらの関数により、接続リークを防止しエラーを適切に処理しながら、安定したデータベース接続を提供します。 def initialize_bedrock_embeddings(): """Initialize and return Bedrock embeddings.""" try: client = boto3.client("bedrock-runtime", 'us-east-1') return BedrockEmbeddings( model_id="amazon.titan-embed-text-v2:0", client=client ) except Exception as e: logger.error(f"Error initializing Bedrock embeddings: {e}") raise 上記のコードは、Amazon Titan モデルを使ってテキストをベクトル (埋め込み) に変換する Amazon Bedrock 埋め込みサービスを初期化します。 us-east-1 リージョン用の Amazon Bedrock クライアントを作成し、Amazon Titan 埋め込みモデルで BedrockEmbeddings オブジェクトを設定します。初期化中にエラーが発生した場合はログに記録して例外を再送出します。 embedder = initialize_bedrock_embeddings() embeddings = batch_process_embeddings(docs, embedder) vectorstore = OracleVS.from_documents( docs, embedder, client=st.session_state.oracle_connection, table_name="ORAVSEMBEDDING", distance_strategy=DistanceStrategy.DOT_PRODUCT ) 上記のコードは、ドキュメント埋め込みワークフローで 3 つの操作を実行します。 先ほど定義した関数で Amazon Bedrock 埋め込みサービスを初期化します。 ドキュメント (docs) のバッチを処理し、エンベッダーを使ってベクトル埋め込みを作成します。 ドキュメントと埋め込みを Oracle Database (OracleVS) にベクトルストアとして保存します。ベクトル間の類似度指標としてドット積を使い、ORAVSEMBEDDING というテーブルに格納します。 次のステップでドキュメントのベクトル類似検索が有効になります。 会話チェーンの作成: 会話型 AI モデル (Anthropic Claude v1) と前の関数で作成したベクトルストアを使って会話チェーンを作成します。このチェーンにより、生成 AI アプリケーションが対話型のやり取りを行えるようになります。 def create_conversation_chain(vectorstore): """Create a conversation chain for Q&A.""" try: llm = ChatBedrock( model_id="us.anthropic.claude-3-sonnet-20240229-v1:0", client=boto3.client("bedrock-runtime", 'us-east-1') ) return ConversationalRetrievalChain.from_llm( llm=llm, retriever=vectorstore.as_retriever(), return_source_documents=True ) except Exception as e: logger.error(f"Error creating conversation chain: {e}") raise 質問処理関数の作成: ユーザーの入力質問を処理し、AI アシスタントからの回答を生成する関数です。 # Questions Section st.markdown("### Ask Questions") question = st.text_input("Enter your question:") if question: if st.button("Ask", type="primary"): try: if not st.session_state.vectorstore: st.warning("Please process documents first!") else: check_connection() if st.session_state.conversation is None: st.session_state.conversation = create_conversation_chain( st.session_state.vectorstore ) with st.spinner("Thinking..."): response = st.session_state.conversation.invoke({ "question": question, "chat_history": st.session_state.chat_history }) st.session_state.chat_history.append((question, response['answer'])) display_chat_history() except Exception as e: st.error(f"Error processing question: {e}") if st.session_state.chat_history: if st.button("Clear Chat History"): st.session_state.chat_history = [] st.rerun() Streamlit コンポーネントの作成: Streamlit は、ML やデータサイエンス向けのカスタム Web アプリケーションを簡単に作成・共有できるオープンソースの Python ライブラリです。数分で強力なデータアプリケーションを構築しデプロイできます。以下のコードで Streamlit コンポーネントを作成します。   def main(): """Main application function.""" set_custom_style() init_session_state() display_sidebar() st.markdown('<h1 class="main-header">? OracleRAG: AI-Powered Knowledge Navigator</h1>', unsafe_allow_html=True) # Document Upload Section st.markdown("### Document Upload") uploaded_files = st.file_uploader( "Choose PDF files", type="pdf", accept_multiple_files=True ) if uploaded_files: total_size = sum(file.size for file in uploaded_files) st.info(f"Total upload size: {total_size/1024/1024:.2f} MB") if st.button("Process Documents", type="primary"): try: for pdf_file in uploaded_files: if pdf_file.name not in st.session_state.processed_files: with st.spinner(f"Processing {pdf_file.name}..."): text = extract_text_from_pdf(pdf_file) chunks = chunk_text(text) docs = create_documents(chunks) show_processing_progress(len(docs)) embedder = initialize_bedrock_embeddings() embeddings = batch_process_embeddings(docs, embedder) vectorstore = OracleVS.from_documents( docs, embedder, client=st.session_state.oracle_connection, table_name="ORAVSEMBEDDING", distance_strategy=DistanceStrategy.DOT_PRODUCT ) st.session_state.vectorstore = vectorstore st.session_state.processed_files.add(pdf_file.name) st.session_state.total_chunks_processed += len(docs) st.success("All documents processed successfully!") except Exception as e: st.error(f"Error during processing: {e}") デモ 生成 AI アシスタントアプリケーションのコードが完成したら、Streamlit でアプリケーションを実行します。以下の手順で GitHub からコードをデプロイしてください。 GitHub リポジトリをクローンします。 git clone https://github.com/aws-samples/sample-chatbot-bedrock-oracle-on-aws/ クローンしたリポジトリのフォルダに移動します。 cd ./sample-chatbot-bedrock-oracle-on-aws プロジェクトディレクトリに .env ファイルを作成し、Oracle Database@AWS の接続情報を追加します。 .env ファイルは以下のようになります。 Oracle Database Configuration ORACLE_USER=<username> ORACLE_PASSWORD=<password> ORACLE_HOST=<Oracle-VM-HOSTNAME> ORACLE_PORT=1521 ORACLE_SERVICE=<ORACLE-SERVICE-NAME> AWS Configuration AWS_DEFAULT_REGION=<REGION> クローンした GitHub リポジトリには、AI アシスタントアプリケーション構築に必要なライブラリが記載された requirements.txt ファイルが含まれています。次のコマンドでライブラリをインストールします。 pip install -r requirements.txt クローンしたリポジトリのフォルダで次のコマンドを実行します。 streamlit run odbapp.py --server.port 8080 アプリケーションが起動し、ブラウザウィンドウで URL が開き、以下のようにアプリケーションが表示されます。 Browse files を選択して PDF ファイルをアップロードします。 この例では Oracle 26ai ユーザーガイド を PDF 形式でアップロードしています。 Process Documents を選択します。 質問を入力して Ask を選択します。 AI アシスタントが RAG ワークフローを通じて質問を処理し、以下のスクリーンショットのように回答を生成します。 クリーンアップ 不要になった場合は、課金を避けるためにテスト用にプロビジョニングしたリソースを必ず削除してください。Streamlit アプリケーション、EC2 インスタンス、および使用しない Exadata Database Service 上の Oracle AI Database 26ai を手動で削除できます。 まとめ 本記事では、Oracle Database@AWS 上の Oracle Database 26ai のベクトル機能を解説し、Amazon Bedrock と Amazon SageMaker を ODB と統合して生成 AI アプリケーションを構築する方法をデモしました。 著者について Yamuna Palasamudram Yamuna は、AWS のプリンシパルデータベーススペシャリストソリューションアーキテクトです。Oracle などの商用データベースエンジンを担当し、アーキテクチャガイダンス、テクニカルアドバイザリー、データおよび AI 戦略の支援を通じてお客様と協業しています。 Sharath Chandra Kampili Sharath は、AWS のデータベーススペシャリストソリューションアーキテクトです。Amazon RDS チームで Oracle などの商用データベースエンジンを担当し、お客様のデータベースプロジェクトに対するガイダンスと技術支援を直接提供しています。 Archana Sharma Archana は、AWS のシニアデータベーススペシャリストソリューションアーキテクトとして、ワールドワイドパブリックセクターのお客様を担当しています。リレーショナルデータベースの豊富な経験を持ち、データベースの移行とモダナイゼーションを中心に、お客様の AWS クラウドへの移行を支援しています。 この記事は Solutions Architect の 矢木 覚 が翻訳しました。