ニューヨークの 9 月中旬には、特別なエネルギーがあります。パンプキンスパイスラテがたっぷりとあり、気温も下がってきていて、もうすぐセーターが必要となりそうな天気です。街は全速力で戻ってきました。AWS のローンチカレンダーも同様です。2026 年 9 月 14 日週、そのエネルギーは、Amazon Bedrock 上の新しいフロンティアモデル、Amazon Quick のデスクトップアプリ、そして AI エージェントで最大の効果を得ている開発者は単により良いツールを使っているだけではなく、働き方そのものが違うのだという示唆に表れていました。 では、早速見ていきましょう! 見出し OpenAI GPT-6 Astra が Amazon Bedrock 上で一般的に利用できるようになりました – GPT-6 Astra は OpenAI の最新かつ最も高性能なモデルであり、Amazon Bedrock 上で実行できるようになりました。より深い推論と判断、プロフェッショナル品質の文章とデザイン、および高度なコンピュータとブラウザの使用を、要求の厳しいビジネスワークフローにもたらします。このモデルは、最大 100 万の入力トークンのコンテキストウィンドウをサポートしているため、大規模なコードベース、長期契約、または大量のドキュメントコレクションを送信して、競合する入力を調整するように依頼できます。 サポートされている Amazon Bedrock API を使用して GPT-6 Astra を呼び出すことも、Amazon Bedrock のモデルを使用するように ChatGPT Work と Codex を設定することもできます。ローンチと並行して、OpenAI は ChatGPT Work 用の新しいエンタープライズプラグインを導入しています。これにより、Astra のブラウザ使用機能を一般的なビジネスアプリケーション全体に拡張できます。確立された AWS 統制は、ワークロードの保護、アクセスの管理、モデル呼び出しアクティビティの監査に役立ちます。また、推論データはモデルトレーニングには使用されません。 もっと読む 2026 年 9 月 7 日週のリリース 9 月 7 日週のリリースのうち、私が注目したリリースをいくつかご紹介します。 Amazon Quick デスクトップアプリが macOS と Windows で一般的に利用できるようになりました – Amazon Quick デスクトップアプリを使用すると、Amazon Quick をコンピュータに接続して、ローカルファイルを操作したり、バックグラウンドでカレンダー、E メール、ビジネスアプリに接続したままにしたりできます。会話、コンテキスト、エージェントはデスクトップとモバイル全体で同期したままであるため、ある画面で始めた作業が別の画面に引き継がれます。今回のリリースでは、Quick エージェントはコンピュータを閉じた後も実行され続けるため、オフィスを離れる前に長時間かかるタスクを開始し、帰宅中にモバイルアプリからの入力を追加して、帰宅時に結果を確認することができます。既存の Quick ユーザーは デスクトップアプリをダウンロード でき、モバイルアプリは Apple App Store と Google Play から入手できます。 もっと読む AWS Lambda が Lambda マネージドインスタンスで 90 分の関数タイムアウトをサポートするようになりました – Lambda マネージドインスタンスでの非同期呼び出しとイベントソースマッピング (ESM) 呼び出しでは、最大 90 分の関数タイムアウトを設定できるようになりました。これは、以前の 15 分の制限から 6 倍に増加しています。これにより、作業を複数の関数に分割することなく、より長い継続実行を必要とするデータ処理、メディアトランスコーディング、財務計算、AI 推論、およびバッチジョブへの扉が開かれます。同期呼び出しでは、既存の最大 15 分が維持されます。より長いタイムアウトは、非同期で呼び出された場合、最大 1 年間実行できる Lambda 永続関数内のステップにも適用されます。 もっと読む Amazon EBS Volume Clones がアカウント間でボリュームをコピーするようになりました – Amazon Elastic Block Store (Amazon EBS) Volume Clones は、ボリュームを別の AWS アカウントにコピーし、ターゲットアカウントの AWS Key Management Service (AWS KMS) キーで再暗号化できるようになりました。本番稼働用と開発用を別々のアカウントで維持する場合は、ボリュームを AWS Resource Access Manager (AWS RAM) と共有し、ターゲットアカウントに同じアベイラビリティーゾーンで新しいコピーを作成させることができます。例えば、本番稼働のデータベースボリュームを独立した開発のアカウントに複製できます。クロスアカウントコピーは、暗号化されていないボリュームやカスタマーマネージドキーで暗号化されたボリュームなど、すべてのボリュームタイプで機能します。 もっと読む 第 2 世代のシングルラック AWS Outposts が一般的に利用できるようになりました – 新しいシングルラック AWS Outposts は自己完結型の 42U ラックで、コンピューティング、ストレージ、ネットワーキングを 1 つのコンパクトなユニットにまとめたものであり、低レイテンシー、ローカルデータ処理、またはデータレジデンシーが必要で、設置面積を大きくする余地がない場所に適しています。シングルラックは最大 2,688 の vCPU と 100 TB の Amazon EBS ストレージを搭載し、汎用 (M7i、M8i)、コンピューティング最適化 (C7i、C8i)、メモリ最適化 (R7i、R8i)、Outposts アクセラレーテッドネットワーキングインスタンスなど、x86 搭載の最新の Amazon EC2 インスタンスをサポートしています。マルチラックの Outposts や AWS リージョンと同じ API、コンソール、自動化、ガバナンス、セキュリティコントロールを利用できます。 もっと読む Amazon OpenSearch Serverless が Vercel の v0 で利用可能になりました – Vercel の v0 内で検索または AI アプリケーションを自然言語で記述し、Amazon OpenSearch Serverless でバックアップされたフルスタックアプリを入手できるようになりました。v0 は、コレクションをプロビジョニングし、データをインデックス化し、OpenSearch Serverless エンドポイントを使用して検索拡張生成 (RAG) ワークロードのフルテキスト検索とベクトル検索を、v0 インターフェイスを離れることなく行います。OpenSearch Serverless はユーザーに代わってキャパシティをスケールアップ/ダウンするので、ユーザーはクラスター管理ではなくアプリケーションに集中できます。新しい AWS アカウントでプロビジョニングすることも、既存の AWS アカウントをリンクすることもできます。 もっと読む AWS Transform for .NET モダナイズが CLI を介して一般的に利用できるようになりました – AWS Transform カスタムで AWS マネージド .NET モダナイズを単一の CLI コマンドでトリガーし、インタラクティブに実行したり、既存のパイプラインにスクリプト化したりできます。CLI は、ウェブアプリケーション、Visual Studio IDE、Kiro パワー、および MCP エージェントでの既存の AWS Transform for .NET エクスペリエンスと並行して機能します。言語バージョンのアップグレード、フレームワークの移行、パフォーマンスの最適化、そのまま実行またはカスタマイズできる変換によるコードベースの分析に使用できます。.NET モダナイズの変換には、1 か月あたり 50,000 分の無料エージェント時間が含まれます。 もっと読む AWS のお知らせに関する詳しいリストについては、「 AWS の最新情報 」ページをご覧ください。 その他の AWS のニュース 興味深いと思われる追加の記事やリソースをいくつかご紹介します: Clare Liguori がフロンティアエンジニアリングについて発表 – 既に AI コーディングアシスタントを使用しているけれども、リリースがそれほど速くないと感じている場合は、ここから始めてください。AWS のシニアプリンシパルエンジニアである Clare Liguori が、 フロンティアエンジニアリング に関する実践者向けマニフェストを発表しました。これは、Amazon 全体のチームから引用された、AI エージェントによるソフトウェアの構築方法を変えるための 10 の原則です。議論は直接的です。ソフトウェア開発は、エージェントとの連携方法を変えた人と、コーディングツールだけを変えた人の 2 つに分かれています。フロンティアエンジニアリングはバイブコーディングではありません。最初の数週間は、ステアリングファイルの作成、コードベースのリファクタリング、エージェントの作業の細分化の学習に費やします。それらの週はゆっくりと感じられます。その後数週間は、ソフトウェアを直接構築するのではなく、ソフトウェアを構築するエージェントのセットアップを構築することになるため、劇的に速く感じられます。 世界中の学生に Kiro を 1 年間無料で提供 – Kiro Students プログラムは、11 の大学から 16 か国の 121 の新しい学校に拡大しています。対象となる学生は、1 か月あたり 1,000 クレジットで Kiro を 1 年間利用でき、プレミアムモデルや Kiro Web などの有料機能をすべて利用できます。クレジットカードやトライアルタイマーは不要です。IDE、CLI、ブラウザの Kiro Web、または Kiro Crew で作業できます。ユーザーが学生である場合は、 大学の E メールアドレスでサインアップ してください。 セキュリティのための AI の現状: 信頼にとって何が重要かを測定する – セキュリティチームはトリアージ、脅威モデリング、インシデント対応、コードレビューに AI を使用していますが、すべてにフラグを立てるツールでは時間の節約にはなりません。「 セキュリティのための AI の現状 」では、Anshumali Shrivastava 氏と Neha Rungta 氏が Deception Benchmark を紹介しました。これは、モデルが実際の脆弱性と、リスクが高いように見えるけれども実際には安全なコードを見分けることができるかどうかをテストする新しい評価です。ベンチマークには、16 の言語と 70 を超える共通脆弱性タイプ一覧 (CWE) カテゴリ全体で 14,822 のサンプルが含まれています。標準プロンプトでは、精度は 55% 前後に達しますが、精度とほぼ同じくらい不正確になる可能性も高く、テストした 12 のモデルのいずれも、偽陽性と偽陰性の両方を 10％ 未満に抑えていませんでした。投稿は、検証済みの採点のためのデータセット、ホワイトペーパー、および送信ワークフローにリンクしています。 AI を活用した足場により、フルスタック AWS アプリケーションを数分で構築 – Nx Plugin for AWS のバージョン 1.0 は、API、ウェブサイト、データベース、AI エージェント用の決定論的ジェネレーターと、それらを実行するための AWS インフラストラクチャを含むオープンソースのツールキットです。各ジェネレーターは、セキュリティ、オブザーバビリティ、および型安全性が既に実装された状態で、実際にデプロイ可能なコードを作成しているため、AI アシスタントは基盤を組み立て、アプリケーションロジックに労力を費やすことができます。Bingo Industries ではこれを利用して、マルチエージェント運用チャットボットをアイデアから本番稼働までを 3 週間未満で完了させました。プラグインは GitHub 上のオープンソース です。 pnpm create @aws/nx-workspace を使用してワークスペースを作成し、コーディングエージェントに付属の MCP サーバーを指定します。 コンピューティングでの最も古いアーキテクチャ – 「 All Things Distributed 」で、Werner Vogels 氏はお客様からよく聞かれる質問「AI が私の仕事を取ってしまうのか?」という質問から始めます。そして記憶に行き着きます。Kiro Crew で時間を過ごした後、彼は Jeff Hawkins の「 A Thousand Brains 」から、Crew がマークダウンファイル、ベクトルデータベース、およびキーバリューインデックスでどのように保存、統合、忘却を行うかまでの線をなぞります。彼の結論は、脳はコンピューティングでの最も古いアーキテクチャであり、それがどのように機能するかを最もよく考えた人が次のツールを構築するということです。さあ、構築しましょう。 AWS のブログ記事の詳細な一覧については、 AWS ブログ ページをご確認ください。 今後の AWS イベント カレンダーを確認して、近日開催予定の AWS イベントにサインアップしましょう: AWS Summits – AWS Summits は、クラウドや AI のコミュニティが一堂に会し、つながり、学び、そして最新のテクノロジーを探求するための無料の対面イベントです。 今後の場所にはドバイ (9 月 30 日) が含まれます。 カレンダー全体 を閲覧してお近くのサミットを探したり、グローバルライブストリームやオンデマンドハブを介してセッションをストリーミングしたりできます。 AWS Community Days – コミュニティリーダーたちがコンテンツを計画、調達、提供するコミュニティ主導のカンファレンス。今後のイベントには、 ベルリンでの DACH (9 月 15 日) 、 ブダペストでの CEE (9 月 17 日) 、 オランダのユトレヒト (9 月 23 日) 、 南フロリダのマイアミ (10 月 14 日) 、 オーストラリアのブリスベン (10 月 16 日) などがあります。 AWS Builder Center に参加して、ビルダーとつながり、ソリューションを共有し、開発をサポートするコンテンツにアクセスしましょう。 こちら から、今後開催されるすべての AWS 主導の対面イベントおよび仮想イベントとデベロッパー向けのイベントをご覧いただけます。 9 月 14 日週のニュースは以上です。9 月 21 日週に再びアクセスして、新たな1週間のまとめをぜひお読みください! – Micah この記事は、 Weekly Roundup シリーズの一部です。毎週、AWS からの興味深いニュースや発表を簡単にまとめてお知らせします! 原文は こちら です。

目次 概要 主な変更点 できること 動作に必要な環境など シーケンス図（超概略図） 動かし方 1. 準備 1.1. GitHub リポジトリのダウンロード 1.2. .env ファイルに必要な情報を記載します。 2. ビルドおよびコンテナの起動 2.1. ビルド 2.2. コンテナの起動 3. EIS の設定 4. Elasticsearch へのデータ登録 4.1. 密ベクトル生成前のテキストデータの登録 4.2. インデックスの作成 4.3. マッピングの作成 4.4. _reindex 4.5. キーワード検索 4.6. セマンティック検索 4.7. ハイブリッド検索 4.8. セマンティックリランク 5. AI Agent 5.1. AI Agent の設定 5.2. AI Agent 用の Tool の追加 5.3. AI Agent 用の Tool の登録 Type Details Labels 5.4. 保存した AI Agent Tool のテスト 5.5. AI Agent の作成 5.6. AI Agent の登録 Settings タブ Tools タブ 5.7. AI Agent の実行準備 5.8. AI Agent の実行 6. Elastic Agent Tool の呼び出し回数などの集計 発展形 まとめ 無償トレーニングコースの紹介 参考URL 概要 2025年1月に公開した White Paper 用のプロジェクト（ 簡易RAGアプリケーション ）を、Elastic AI Agent 用にリニューアルしてみました。 結論から書くと、かなり簡単に実現できるようになっています。 主な変更点 項目 2025-01版 2026-09版 ベースとなる Elasticsearch のバージョン v8.16.0 v9.5.3 index.mode standard vectordb_document Machine Learning Node 必須 不要 (代わりにEISを利用) クエリーの言語 Query DSL ES|QL 密ベクトル生成用のモデル .multilingual-e5-small_linux-x86_64 .jina-embeddings-v5-text-nano セマンティックリランク用モデル なし .jina-reranker-v3.5 質問回答用LLM Cohere Command R (2024年12月版) Anthropic Claude 5 Sonnet (例) UI Streamlit Elastic AI Agent できること Elastic AI Agent を使って、サンプルデータ「柿之助」についての質問に答えてもらうことができます。 ※「柿之助」は、青空文庫からダウンロードした「桃太郎」を元に、改変したお話です（LLMが事前学習していないお話にするため）。 動作に必要な環境など Elastic Cloud Enterprise License （EIS 用に必要） Docker 実行環境 （筆者はWindows用のRancher Desktop 1.24.0を利用） 動作に必要な Dockerfile などは、下記に置いています。 ※Elasticsearch 9.5.3、Kibana 9.5.3 は、自動的にダウンロードされます。 https://github.com/SIOS-Technology-Inc/elastic-blogs/tree/main/2026-09-rag-by-ai-agent/README.md シーケンス図（超概略図） 動かし方 1. 準備 1.1. GitHub リポジトリのダウンロード 下記の URL から GitHub リポジトリをダウンロードします。 https://github.com/SIOS-Technology-Inc/elastic-blogs/ （方法はいくつかありますが、ここでは zip をダウンロードする手順を紹介します。） 1. Web ブラウザで、 https://github.com/SIOS-Technology-Inc/elastic-blogs/ にアクセスします。 2. [<>Code] から Download ZIP をクリックします。 3. ZIP ファイルを解凍し、2026-09-rag-by-ai-agent フォルダへ移動します。 1.2. .env ファイルに必要な情報を記載します。 env.sample.txt ファイルを .env にコピーします。 cp env.sample.txt .env .env ファイルを編集します。 ... ES_LOCAL_PASSWORD=... KIBANA_PASSWORD=... ... SAVEDOBJECTS_ENCRYPTIONKEY=... ... 2. ビルドおよびコンテナの起動 2.1. ビルド docker-compose.yml があるディレクトリで下記を実行します。 docker compose build Elasticsearch 9.5.3 および Kibana 9.5.3 のダウンロードが行われ、ビルドが行われます。 2.2. コンテナの起動 docker compose up -d Self-Managed の Elasticsearch および Kibana が起動します。 3. EIS の設定 下記のブログを参考にして Stack Management / Cloud Connect の設定を行います。 Elastic Inference Service (EIS) を使った「ベクトル検索」および「生成AIによる回答（RAG）」（準備編） ※Self-Managed の Elasticsearch 上で、EIS を経由して、密ベクトル生成用モデル、セマンティックリランク用モデル、問い合わせへの回答用モデルを利用できるようになります。 ※別途、利用料金がかかります。 4. Elasticsearch へのデータ登録 4.1. 密ベクトル生成前のテキストデータの登録 Kibana の Integration / Upload File 機能を使って下記の ndjson ファイルを kakinosuke_tmp インデックスへ登録します（DataView は不要です）。   https://github.com/SIOS-Technology-Inc/elastic-blogs/blob/main/2026-09-rag-by-ai-agent/data/kakinosuke_chunked.ndjson 4.2. インデックスの作成 下記の md ファイル内のリクエストを Kibana の Dev Tools から発行し、kakinosuke_202609 インデックスを作成します。 https://github.com/SIOS-Technology-Inc/elastic-blogs/blob/main/2026-09-rag-by-ai-agent/es_scripts/01_create_index.md 4.3. マッピングの作成 下記の md ファイル内のリクエストを Dev Tools から発行し、kakinosuke_202609 インデックスへ mapping を登録します。 https://github.com/SIOS-Technology-Inc/elastic-blogs/blob/main/2026-09-rag-by-ai-agent/es_scripts/02_put_mapping.md 4.4. _reindex 下記の md ファイル内のリクエストを Dev Tools から発行し、kakinosuke_tmp インデックス内のドキュメントを kakinosuke_202609 インデックスへコピーします。 https://github.com/SIOS-Technology-Inc/elastic-blogs/blob/main/2026-09-rag-by-ai-agent/es_scripts/03_reindex.md このとき、kakinosuke_202609 インデックスには密ベクトルデータや日本語形態素解析されたデータも生成されます。 4.5. キーワード検索 下記の md ファイル内のリクエストを Dev Tools から発行し、kakinosuke_202609 インデックスに対しキーワード検索を行います。 https://github.com/SIOS-Technology-Inc/elastic-blogs/blob/main/2026-09-rag-by-ai-agent/es_scripts/04_keyword_search.md （これは必須の操作ではありません。確認のための作業です。） 4.6. セマンティック検索 下記の md ファイル内のリクエストを Dev Tools から発行し、kakinosuke_202609 インデックスに対しセマンティック検索を行います。 https://github.com/SIOS-Technology-Inc/elastic-blogs/blob/main/2026-09-rag-by-ai-agent/es_scripts/05_semantic_search.md （これは必須の操作ではありません。確認のための作業です。） 4.7. ハイブリッド検索 下記の md ファイル内のリクエストを Dev Tools から発行し、kakinosuke_202609 インデックスに対しキーワード検索をとセマンティック検索のハイブリッド検索(RRF)を行います。 https://github.com/SIOS-Technology-Inc/elastic-blogs/blob/main/2026-09-rag-by-ai-agent/es_scripts/06_hybrid_search.md （これは必須の操作ではありません。確認のための作業です。） 4.8. セマンティックリランク 下記の md ファイル内のリクエストを Dev Tools から発行し、kakinosuke_202609 インデックスのハイブリッド検索後の検索結果に対しセマンティックリランクを行います。 https://github.com/SIOS-Technology-Inc/elastic-blogs/blob/main/2026-09-rag-by-ai-agent/es_scripts/07_semantic_rerank.md （これは必須の操作ではありません。確認のための作業です。） 5. AI Agent ※以降の画面は、Dispay Language : English で表示したものを添付しています。日本語で表示した場合には、画面イメージが多少異なります。 5.1. AI Agent の設定 Kibana の Elasticsearch / Agents から Elastic AI Agent 画面へ遷移します。 5.2. AI Agent 用の Tool の追加 さきほど作成したセマンティックリランク用のクエリーを AI Agent 用の Tool として追加します。 Elastic AI Agent の下の Tools をクリックします。Tools の画面が表示されるので、右上の [(+) Add tool] をクリックします。 さらに Create a tool をクリックします。 5.3. AI Agent 用の Tool の登録 参考:  https://github.com/SIOS-Technology-Inc/elastic-blogs/blob/main/2026-09-rag-by-ai-agent/es_scripts/08_ai_agent_tool.md Create new tool 画面が表示されるので、下記のように入力します。入力完了後、右下の [Save & test] をクリックします。 Type Type : ES|QL ES|QL Query : 以下のクエリーを入力 （4.8. のセマンティックリランク用 ES|QL をAI Agent Tool用に修正した内容です。） FROM kakinosuke_202609* METADATA _score, _id, _index | FORK (WHERE MATCH(content.semantic, ?query) | SORT _score DESC | LIMIT 10) (WHERE MATCH(content, ?query) | SORT _score DESC | LIMIT 10) | FUSE RRF | KEEP chunk_no, content, _score | SORT _score DESC | LIMIT 10 | RERANK ?query ON content WITH { "inference_id" : ".jina-reranker-v3.5" } | SORT _score DESC | LIMIT 5 ES|QL Parameters Infer parameter をクリックしてから、下記を入力します。 Name : query （自動表示されます） Description : 検索したい内容 Type : string （自動表示されます） Optional : false Details Tool ID : kakinosuke.get_contents Description : 下記を入力 kakinosuke_202609 インデックスに対して、キーワード検索とセマンティック検索を行い、RRFで結果を統合したあと、セマンティックリランクで質問に近い順に並べ直し、上位5件の本文チャンクを返す。 Labels Labels : kakinosuke 5.4. 保存した AI Agent Tool のテスト [Save & test] をクリックすると、Tool のテスト実行画面が表示されます。 query に、下記を入力した後、[→ Submit] をクリックします。 柿之助の3人の家来は? Response に5件の結果が表示されることを確認します。 5.5. AI Agent の作成 左上の Elastic AI Agent の [v] メニューをクリックします。さらに Available agents 一覧の [+ New agent] をクリックします。 5.6. AI Agent の登録 参考:  https://github.com/SIOS-Technology-Inc/elastic-blogs/blob/main/2026-09-rag-by-ai-agent/es_scripts/09_ai_agent.md New Agent 画面が表示されるので、以下の内容を登録していきます。 Settings タブ Agent ID : kakinosuke.agent Custom Instructions : 以下を入力します。 あなたは柿之助についての質問に答えるエージェントです。 # 指示1 与えられた質問を query とし、次の tool を呼び出して、結果の 5 件のドキュメントを受け取りなさい。 受け取った5件のドキュメントを指示2に渡しなさい。 - tool : kakinosuke.get_contents # 指示2 指示1 で取得した 5 件のドキュメントを元に、与えられた質問 (query) に答えなさい。 Enable Elastic capabilities : false Labels : kakinosuke Access control : Public Display name : Kakinosuke Agent Display description : 柿之助に関する質問に答える AI Agent です。 Workflows : なし Tools タブ 以下の手順で、kakinosuke.get_contents tool のみを利用するよう、設定します。 Tool list の右上の Show active only を on にします。 2. チェックがついている tool を全て off にします。 3. 再度、Show active only を off にしてから、検索欄に “kakinosuke” と入力します。 4. kakinosuke.get_contents が表示されるので、チェックを入れて、[Save] をクリックします。 5.7. AI Agent の実行準備 Stack Management / Model Management の Feature Settings をクリックします。 Feature settings 画面が表示されるので、Global model から利用したいモデルを選択します。 （モデルの利用料金が別途かかります。） 今回は、Feature specific models を Disabled に設定しておきます（全ての AI 機能で Global model が利用されます）。 モデルを選択後、右上の [Save settings] をクリックします。 （下記は、Anthropic Claude Sonnet 5 を選択した例です。） 5.8. AI Agent の実行 Home / Elasticsearch / Agents 画面を開きます。 Elastic AI Agent の右の [v] をクリックします。Available agents の中から Kakinosuke Agent を選択します。 画面中央のプロンプトに次のように入力し、[↑] をクリックします。 柿之助の3人の家来は? しばらく待つと以下のような回答が画面に表示されます。 回答の下の左から3番目のアイコンをクリックすると、LLM のトレースを表示することができます。 この回答の根拠 (reasoning) についても確認することができます。 回答内の 1 tool responded > で閉じられている部分を展開すると、以下のような内容が表示されます。 Found 5 results のリンクをクリックすると、根拠になった 5 件の結果も表示されます。 6. Elastic Agent Tool の呼び出し回数などの集計 Elastic Agent Tool の呼び出し回数、エラー回数、平均処理時間は、以下のクエリーで取得することが可能です。 FROM traces-agent_builder.otel-* | WHERE span.name LIKE "execute_tool *" | STATS calls = COUNT(*), errors = COUNT(*) WHERE status.code == "Error", avg_ms = ROUND(AVG(duration) / 1000000.0, 1) BY tool = attributes.gen_ai.tool.name | SORT calls DESC 発展形 今回は非常に小さいデータの検索でしたが、巨大なデータを検索する場合にはさらなる発展形として、以下のようなことも考えられます。 ツールの数を増やす（いろんな条件ごとに検索対象や検索ロジックを変える）。 検索時の重み付けを複数パターンにする（今回のサンプルでは、単純なキーワード検索とベクトル検索のRRFでのシンプルな重み付けのみ）。 条件に応じて複数ツールを呼び分けるよう Elastic AI Agent で制御する。 Elastic AI Agent の処理の前半で呼ぶツールと処理の後半で呼ぶツールとを分ける。 まとめ v8 のときの Python を使った場合よりも、v9 の Elastic AI Agent を使った方がかなり簡単に RAG を実現できるようになっています。 また、LLM の呼び出し時のトレースや、Reasoning の確認も簡単にできるようになっています。 Elastic AI Agent は、RAG 以外にも利用可能です（Observability や Security での異常発見後の処理など）。 さらに、Elastic Workflows と組み合わせて利用することも可能です。 その他、今回作成した Elastic AI Agent Tool を MCP Client から呼び出すことも可能です。 参考URL: Claude DesktopにElastic Agent BuilderのMCPサーバーを追加する方法 まずは、一度、Elastic AI Agent を動かしてみて、その凄さを体験していただければ、と思います。 無償トレーニングコースの紹介 2026年9月時点では、Elastic Cloud 上で受講できる AI Agent 関連の無償トレーニングコースとして以下のコースが用意されています。 Platform / Custom agents with Elastic Agent Builder for conversational search ※受講するには、Elastic Cloud へのユーザー登録（無料ユーザーで可）が必要です。 ※内容は英語で書かれています。 参考URL 2025年1月公開の簡易RAGアプリケーション GitHubリポジトリ Elastic Inference Service (EIS) を使った「ベクトル検索」および「生成AIによる回答（RAG）」（準備編） Claude DesktopにElastic Agent BuilderのMCPサーバーを追加する方法 Elastic の無償トレーニングコースの紹介(2026年9月時点) The post Pythonコード不要？Elastic AI Agent と ES|QL で実現する超シンプルな次世代RAG first appeared on Elastic Portal .

― Harness EngineeringとSwitchyardで考えるTokenomics はじめに １つ前の記事では、NVIDIA研修の事前課題についてご紹介しました。この記事では、NVIDIA の AI Advisors Workshop に参加してきましたので、その続きについてお伝えします。（講師は、マクニカ、NVIDIA の方でした） 研修では、Agentic AI、NVIDIAのAIエコシステム、AI Factory、製造業・金融業でのユースケース、Go-To-Market、PoCの進め方など、技術からビジネスまで幅広いテーマが扱われました。 その中でも、個人的に特に