AWS Native Agentic AI Platform: 매니지드 서비스 기반 Agent 중심 접근

개요

AWS 매니지드 서비스를 활용하면 인프라 운영이 아닌 Agent의 비즈니스 로직에 집중할 수 있습니다. GPU 관리, 스케일링, 가용성, 보안을 AWS가 처리하고, 개발팀은 Agent가 해결할 문제에만 역량을 투입합니다.

AWS Agentic AI 스택은 세 개의 축(Pillar)으로 구성됩니다.

Pillar	서비스	역할
기반(Foundation)	Amazon Bedrock	모델 액세스, RAG, 가드레일, 프롬프트 캐싱
개발(Development)	Strands Agents SDK	에이전트 프레임워크, MCP 네이티브, 도구 통합
운영(Operations)	Amazon Bedrock AgentCore	서버리스 배포, 메모리, 게이트웨이, 정책, 평가

핵심 관점

이 문서는 AWS 매니지드 서비스가 제공하는 Agent 개발 최적화 접근을 다룹니다. 매니지드 서비스로 충분한 영역은 AWS에 맡기고, 팀의 역량을 Agent 비즈니스 로직에 집중하는 전략입니다. 다만 이 접근은 다중 모델 여정의 첫 단계입니다. 트래픽 증가에 따른 비용 압박, 도메인 특화 SLM 필요성, 데이터 주권 요구가 생기면 EKS 기반 오픈 아키텍처로 확장하여 자체 호스팅 모델과 Bedrock을 하이브리드로 조합하는 것이 현실적 최적해입니다.

도전과제 해결 매핑

기술적 도전과제에서 다룬 5가지 핵심 과제를 AWS Native 접근으로 해결하는 방법:

도전과제	AWS Native 해결 방안
GPU 리소스 관리 및 비용 최적화	Bedrock 서버리스 추론 — GPU 관리 불필요
지능형 추론 라우팅 및 게이트웨이	Bedrock Cross-Region Inference + AgentCore Gateway
LLMOps 관찰성 및 비용 거버넌스	AgentCore Observability + CloudWatch
Agent 오케스트레이션 및 안전성	Strands SDK + Bedrock Guardrails + AgentCore Policy
모델 공급망 관리	Bedrock Model Evaluation + Prompt Management

AWS Native의 핵심 가치

GPU 인프라 관리, 스케일링, 가용성, 보안을 AWS가 처리하므로 팀은 Agent 비즈니스 로직에만 집중할 수 있습니다. 더 세밀한 제어가 필요한 경우 EKS 기반 오픈 아키텍처와 조합할 수 있습니다.

AWS Agentic AI 서비스 아키텍처

3-Pillar 아키텍처

Amazon Bedrock: 기반 레이어

Amazon Bedrock은 Agentic AI 플랫폼의 기반 인프라를 제공합니다. 100개 이상의 파운데이션 모델에 단일 API로 접근하고, RAG, 가드레일, 프롬프트 캐싱까지 매니지드로 지원합니다.

핵심 기능

기능	설명	핵심 가치
모델 액세스	Claude, Nova, Llama, Mistral 등 100+ 모델	단일 API, 모델 전환 코드 변경 불필요
Knowledge Bases	문서 파싱 → 청킹 → 임베딩 → 인덱싱 → 검색	원클릭 RAG 파이프라인, S3 업로드만으로 완료
Guardrails	PII 필터링, 프롬프트 인젝션 방어, 토픽 제한	콘솔에서 정책 설정, 코드 변경 없음
Prompt Caching	반복 컨텍스트 캐싱	비용 최대 90% 절감, 지연 최대 85% 단축
Cross-Region Inference	리전 간 자동 트래픽 분산	용량 한계 시 자동 폴백, 가용성 향상
Prompt Management	프롬프트 버전 관리, A/B 테스트	프롬프트 이력 추적, 롤백 지원
Model Evaluation	자동화된 모델 평가, 배치 처리	LLM-as-a-judge, 사람 평가 워크플로우

Prompt Caching 활용

긴 시스템 프롬프트나 반복적인 도구 정의를 사용하는 Agent는 Prompt Caching을 활성화하면 비용과 지연을 대폭 줄일 수 있습니다. 특히 RAG 컨텍스트가 자주 반복되는 패턴에 효과적입니다.

Strands Agents SDK: 개발 프레임워크

Strands Agents SDK는 AWS가 Apache 2.0으로 공개한 오픈소스 에이전트 프레임워크입니다. 최소한의 코드로 프로덕션급 Agent를 구현하며, Model-agnostic 설계로 Bedrock 외에도 다양한 모델 프로바이더를 지원합니다.

최소 코드 Agent 구현

from strands import Agent
from strands.models import BedrockModel

# 기본 Agent — 3줄로 완성
agent = Agent(
    model=BedrockModel(model_id="anthropic.claude-sonnet-4-20250514"),
    tools=["calculator", "web_search"],
)
result = agent("서울의 현재 기온을 섭씨와 화씨로 변환해줘")

MCP 네이티브 지원

from strands import Agent
from strands.tools.mcp import MCPClient

# MCP 서버 연결 — 외부 도구를 자동 탐색하여 Agent에 통합
mcp_client = MCPClient(server_url="http://mcp-server:8080")

agent = Agent(
    model=BedrockModel(model_id="anthropic.claude-sonnet-4-20250514"),
    tools=[mcp_client],  # MCP 도구 자동 탐색 및 등록
)
result = agent("최근 주문 내역을 조회하고 배송 상태를 확인해줘")

커스텀 도구 정의

from strands import Agent, tool

@tool
def lookup_customer(customer_id: str) -> dict:
    """고객 정보를 조회합니다."""
    # 비즈니스 로직 구현
    return {"name": "홍길동", "tier": "GOLD", "since": "2023-01"}

@tool
def create_ticket(title: str, priority: str, description: str) -> dict:
    """고객 문의 티켓을 생성합니다."""
    return {"ticket_id": "TK-2026-0042", "status": "OPEN"}

agent = Agent(
    model=BedrockModel(model_id="anthropic.claude-sonnet-4-20250514"),
    tools=[lookup_customer, create_ticket],
    system_prompt="당신은 고객 서비스 Agent입니다. 고객 정보를 조회하고 필요 시 티켓을 생성합니다.",
)

Strands SDK 핵심 특성

특성	설명
Apache 2.0	상업적 사용 자유, 포크 가능
Model-agnostic	Bedrock, OpenAI, Anthropic API, Ollama 등 다양한 백엔드 지원
Framework-agnostic	FastAPI, Flask, Lambda 등 어떤 런타임에서든 실행
MCP 네이티브	Model Context Protocol 빌트인 지원, 별도 어댑터 불필요
AgentCore 통합	`agentcore deploy` 한 줄로 프로덕션 배포
스트리밍 응답	토큰 단위 스트리밍, 실시간 UX 지원

Amazon Bedrock AgentCore: 운영 플랫폼

AgentCore는 Agent의 프로덕션 운영에 필요한 모든 것을 매니지드로 제공하는 플랫폼입니다. 2025년 10월 GA(General Availability)로 출시되었으며, 7개의 핵심 서비스로 구성됩니다.

7대 핵심 서비스

1. Runtime — 서버리스 Agent 배포

AgentCore Runtime은 Firecracker MicroVM 기반의 격리된 실행 환경을 제공합니다.

항목	사양
격리 수준	Firecracker MicroVM (하드웨어 수준 격리)
세션 지속	최대 8시간 연속 세션
스케일링	0에서 자동 확장, 요청 없으면 0으로 축소
배포	`agentcore deploy` CLI 또는 CloudFormation
콜드 스타트	수 초 이내

# Strands Agent를 AgentCore에 배포
agentcore deploy \
  --agent-name "customer-service" \
  --entry-point "agent.py" \
  --runtime python3.12 \
  --memory 512 \
  --timeout 3600

2. Memory — 단기/장기 기억 관리

Agent가 대화 컨텍스트와 사용자 선호를 기억하도록 하는 매니지드 메모리 서비스입니다.

메모리 유형	설명	활용 예시
단기 메모리	세션 내 대화 기록	멀티턴 대화에서 이전 질문 참조
장기 메모리	세션 간 지속 정보	사용자 선호, 과거 상호작용 패턴
자동 요약	긴 대화를 자동 요약하여 저장	컨텍스트 윈도우 초과 시 핵심 정보 유지
사용자 프로파일	개인화 정보 학습	"이 사용자는 간결한 답변을 선호"

3. Gateway — 지능형 도구 라우팅

AgentCore Gateway는 REST API를 MCP 프로토콜로 자동 변환하고, 시맨틱 도구 검색으로 수백 개의 도구 중 관련 있는 도구만 선별합니다.

시맨틱 도구 검색

Agent에 300개의 도구가 등록되어 있어도 Gateway가 사용자 요청을 분석하여 관련 있는 4개 도구만 Agent에 전달합니다. 이를 통해 LLM 컨텍스트 윈도우를 절약하고 도구 선택 정확도를 높입니다.

기능	설명
REST → MCP 변환	기존 REST API를 MCP 도구로 자동 래핑
시맨틱 검색	300개 도구 → 관련 4개 자동 필터링
도구 레지스트리	중앙 집중식 도구 등록 및 버전 관리
인증 전파	사용자 인증 정보를 도구까지 안전하게 전달

4. Identity — 위임 인증

기능	설명
IdP 통합	Okta, Amazon Cognito, OIDC 호환 프로바이더
위임 인증	Agent가 사용자 대신 도구에 인증 (OAuth 2.0 토큰 교환)
세분화된 권한	도구별, 리소스별 접근 제어
감사 로그	모든 인증 이벤트 CloudTrail 기록

5. Policy — 자연어 정책 정의

자연어로 정책을 정의하면 결정론적 런타임으로 컴파일되어 일관된 정책 적용을 보장합니다.

# 자연어 정책 예시
정책: "골드 등급 이상 고객만 환불 처리를 허용한다"
→ 컴파일 → 결정론적 룰 엔진으로 실행 (LLM 호출 없이)

정책: "외부 API 호출 시 반드시 PII를 마스킹한다"
→ 컴파일 → Gateway 레벨에서 자동 적용

특성	설명
자연어 입력	비개발자도 정책 정의 가능
결정론적 실행	컴파일된 정책은 LLM 없이 확정적으로 적용
실시간 강제	런타임에서 매 요청마다 정책 검증
감사 추적	정책 적용/거부 이력 전체 기록

6. Observability — 통합 모니터링

기능	설명
CloudWatch 통합	메트릭, 로그, 알람 자동 수집
OpenTelemetry	표준 계측으로 기존 모니터링 도구와 호환
스텝별 트레이스	Agent 추론 → 도구 호출 → 응답 전 과정 추적
비용 대시보드	모델별, Agent별, 세션별 비용 시각화

7. Evaluation — 지속적 품질 모니터링

기능	설명
LLM-as-judge	LLM이 Agent 응답 품질을 자동 평가
13개 평가 기준	정확성, 관련성, 유해성, 일관성 등
A/B 테스트	프롬프트/모델 변경의 품질 영향을 정량 측정
지속적 모니터링	프로덕션 트래픽에서 실시간 품질 추적
사람 평가 워크플로우	자동 평가와 전문가 평가 병행

아키텍처 패턴

Build → Deploy → Operate 워크플로우

단순 Agent 패턴

FAQ, 빌링 조회, 상태 확인 등 단일 작업을 수행하는 Agent에 적합합니다.

복잡 Agent 패턴 (멀티스텝)

여러 도구를 순차/병렬로 호출하고, 중간 결과에 따라 분기하는 Agent에 적합합니다.

멀티 에이전트 패턴

독립적인 Agent들이 협업하여 복잡한 비즈니스 프로세스를 처리합니다.

from strands import Agent
from strands.models import BedrockModel
from strands.multiagent import MultiAgentOrchestrator

# 전문 Agent 정의
research_agent = Agent(
    model=BedrockModel(model_id="anthropic.claude-sonnet-4-20250514"),
    system_prompt="당신은 리서치 전문가입니다.",
    tools=["web_search", "document_reader"],
)

analysis_agent = Agent(
    model=BedrockModel(model_id="anthropic.claude-sonnet-4-20250514"),
    system_prompt="당신은 데이터 분석 전문가입니다.",
    tools=["calculator", "chart_generator"],
)

writer_agent = Agent(
    model=BedrockModel(model_id="anthropic.claude-sonnet-4-20250514"),
    system_prompt="당신은 보고서 작성 전문가입니다.",
    tools=["document_writer"],
)

# 멀티 에이전트 오케스트레이션
orchestrator = MultiAgentOrchestrator(
    agents=[research_agent, analysis_agent, writer_agent],
    strategy="sequential",  # 순차 실행: 리서치 → 분석 → 작성
)
result = orchestrator("2026년 1분기 시장 동향 보고서를 작성해줘")

배포 가이드

AWS Native Agentic AI Platform의 실전 배포 방법은 다음 세 가지 접근으로 구성됩니다:

배포 방법 개요

접근	도구	적합 시나리오
CLI 배포	`agentcore deploy`	빠른 프로토타입, 단일 Agent 배포
IaC 배포	CloudFormation / CDK	프로덕션 환경, 재현 가능한 인프라
풀스택 템플릿	FAST 템플릿	전체 스택 (Agent + API + UI) 부트스트랩

Strands + AgentCore 개념

Strands Agent 구조:

from strands import Agent
from strands.models import BedrockModel

# 최소 코드로 Agent 정의
agent = Agent(
    model=BedrockModel(model_id="anthropic.claude-sonnet-4-20250514"),
    tools=["calculator", "web_search"],
    system_prompt="당신은 수학 도우미입니다.",
)

# Lambda 핸들러로 래핑
def handler(event, context):
    return agent(event["prompt"])

AgentCore 배포 워크플로우:

Agent 코드 작성 (Python)
agentcore deploy 실행 → Firecracker MicroVM에 자동 배포
엔드포인트 생성 → REST API로 Agent 호출 가능
Memory/Gateway/Policy 자동 연결

CloudFormation IaC 패턴

AWS CloudFormation을 사용하면 Agent와 관련 리소스(Knowledge Base, Guardrails 등)를 선언적으로 관리할 수 있습니다:

Resources:
  CustomerServiceAgent:
    Type: AWS::Bedrock::AgentCoreEndpoint
    Properties:
      AgentName: customer-service
      Runtime: python3.12
      EntryPoint: agent.py:handler
      Environment:
        Variables:
          MODEL_ID: anthropic.claude-sonnet-4-20250514
          KNOWLEDGE_BASE_ID: !Ref KnowledgeBase

  KnowledgeBase:
    Type: AWS::Bedrock::KnowledgeBase
    Properties:
      Name: customer-faq
      StorageConfiguration:
        Type: OPENSEARCH_SERVERLESS

실전 배포 가이드

상세한 kubectl/helm 명령어, 전체 YAML 매니페스트, Python boto3 배포 스크립트는 Reference Architecture 섹션을 참조하세요. 이 문서는 AWS Native 접근의 개념과 패턴에 집중합니다.

엔터프라이즈 적용 사례

Baemin(배달의민족): RAG 기반 지식 Agent

항목	내용
과제	고객센터 상담사의 내부 정책 검색 시간 단축
구성	Strands Agent + Bedrock Knowledge Bases + Claude
성과	상담 효율 30% 향상, 정책 검색 시간 90% 단축
핵심 가치	RAG 파이프라인 구축 없이 S3 문서 업로드만으로 지식 Agent 완성

CJ OnStyle: 멀티에이전트 라이브커머스

항목	내용
과제	라이브 방송 중 실시간 고객 질문 응답 자동화
구성	멀티에이전트 (상품 정보 Agent + 주문 Agent + 추천 Agent)
성과	고객 응답률 3배 향상, 실시간 처리 지연 2초 이내
핵심 가치	AgentCore Runtime의 자동 스케일링으로 방송 트래픽 급증 대응

Amazon Devices: 제조 Agent

항목	내용
과제	제조 라인 품질 검사 모델 파인튜닝 자동화
구성	Strands Agent + Bedrock Fine-tuning + AgentCore
성과	파인튜닝 소요 시간 수일 → 1시간으로 단축
핵심 가치	Agent가 데이터 전처리 → 파인튜닝 → 평가를 자동 오케스트레이션

비용 구조

AgentCore 기반 플랫폼의 비용은 사용한 만큼만 과금되는 서버리스 모델을 따릅니다.

과금 체계

서비스	과금 기준	특징
Bedrock 추론	입력/출력 토큰 수	온디맨드, 프로비저닝 처리량 선택 가능
AgentCore Runtime	세션 시간 + 메모리 사용량	요청 없으면 0 과금, 최대 8시간 세션
Knowledge Bases	스토리지 + 쿼리 수	OpenSearch Serverless 기반
Guardrails	처리된 텍스트 단위	입력/출력 각각 과금
Prompt Caching	캐시 히트 시 90% 할인	반복 패턴이 많을수록 절감

운영 비용 절감 포인트

영역	절감 요소
GPU 관리	GPU 인스턴스 프로비저닝, 패치, 스케일링 운영 인력 불필요
인프라 운영	서버리스 아키텍처로 클러스터 관리 부담 제거
보안 컴플라이언스	AWS의 SOC 2, HIPAA, ISO 27001 인증 활용
가용성 관리	멀티 AZ 자동 배치, Cross-Region Inference로 DR 내장
모니터링 구축	CloudWatch 네이티브 통합으로 별도 모니터링 스택 불필요

비용 최적화 팁

Prompt Caching: 시스템 프롬프트가 긴 Agent는 반드시 활성화하세요
프로비저닝 처리량: 안정적인 트래픽이 있다면 온디맨드 대비 최대 50% 절감됩니다
Cross-Region Inference: 특정 리전 용량 한계 시 자동 폴백으로 throttling을 방지합니다
Batch Inference: 실시간이 불필요한 평가/분석 작업은 배치 모드로 비용을 절감하세요

MCP 프로토콜과 EKS 통합

MCP (Model Context Protocol) 개요

MCP는 AI 에이전트와 도구 간의 표준 통신 프로토콜입니다:

도구 검색: 에이전트가 사용 가능한 도구를 동적으로 검색
컨텍스트 전달: 실행 컨텍스트와 상태를 표준화된 형식으로 전달
결과 반환: 도구 실행 결과를 구조화된 형식으로 반환
에이전트 간 통신: A2A 프로토콜을 통한 멀티 에이전트 협업

EKS MCP 서버 통합

AWS는 EKS 전용 호스팅 MCP 서버를 제공하여 Kubernetes 클러스터와 AI 에이전트 간의 통합을 지원합니다:

EKS MCP 서버 기능

Pod 로그 조회

특정 Pod의 로그를 실시간 스트리밍

K8s 이벤트 조회

클러스터 이벤트 검색 및 분석

CloudWatch 메트릭

클러스터 메트릭 조회 및 분석

리소스 상태 확인

Deployment, Service 등 리소스 상태 조회

트러블슈팅

에이전트 기반 자동 진단

EKS MCP 서버 배포 개념:

MCP 서버는 Kubernetes 클러스터 내에서 실행되며, Agent가 kubectl 명령어를 실행하지 않고도 클러스터 상태를 조회하고 작업을 수행할 수 있게 합니다.

# AWS MCP 서버 저장소 클론
git clone https://github.com/awslabs/mcp.git
cd mcp/servers/eks

# Docker 이미지 빌드 및 EKS 배포
docker build -t eks-mcp-server:latest .
kubectl apply -f k8s/deployment.yaml

AgentCore + MCP 통합 패턴:

Bedrock AgentCore는 MCP 서버를 Action Group으로 등록하여 Agent가 Kubernetes 도구를 사용할 수 있게 합니다:

import boto3

bedrock_agent = boto3.client('bedrock-agent')

# 에이전트 생성
response = bedrock_agent.create_agent(
    agentName='sre-agent',
    foundationModel='anthropic.claude-sonnet-4-20250514',
    instruction='You are an SRE agent for Kubernetes troubleshooting.',
    agentResourceRoleArn='arn:aws:iam::ACCOUNT:role/BedrockAgentRole',
)

# MCP 도구 연결 (Action Group)
bedrock_agent.create_agent_action_group(
    agentId=response['agent']['agentId'],
    agentVersion='DRAFT',
    actionGroupName='eks-mcp-tools',
    actionGroupExecutor={'customControl': 'RETURN_CONTROL'},
    apiSchema={
        'payload': {
            'openapi': '3.0.0',
            'info': {'title': 'EKS MCP Tools', 'version': '1.0'},
            'paths': {
                '/pod-logs': {'post': {'description': 'Get pod logs'}},
                '/k8s-events': {'post': {'description': 'Get K8s events'}},
            }
        }
    }
)

실전 배포 상세

완전한 boto3 스크립트, IAM 정책, YAML 매니페스트는 Reference Architecture 섹션을 참조하세요.

Self-hosted Agent와의 하이브리드 전략

EKS 기반 Self-hosted Agent와 Bedrock AgentCore를 함께 활용할 수 있습니다:

Kagent vs Bedrock AgentCore

비교 항목	Kagent (Self-managed)	Bedrock AgentCore
실행 환경	EKS Pod	AWS 관리형 런타임
모델 선택	자유 (vLLM, 외부 API)	Bedrock 모델
도구 프로토콜	커스텀 CRD	MCP 표준
스케일링	Karpenter/HPA	자동 스케일링
비용	GPU 인프라 비용	API 호출 비용
적합한 경우	GPU 보유, 커스텀 모델	빠른 프로덕션 배포

하이브리드 접근: 비용이 중요한 고빈도 호출은 EKS Self-hosted Agent로, 복잡한 추론이 필요한 저빈도 호출은 Bedrock AgentCore로 라우팅하는 전략이 효과적입니다.

멀티 에이전트 오케스트레이션

AgentCore는 MCP/A2A를 통한 에이전트 간 협업을 지원합니다:

멀티 에이전트 패턴

Sequential

순차적 에이전트 호출

진단 → 분석 → 해결

Parallel

병렬 에이전트 호출

여러 클러스터 동시 점검

Hierarchical

계층적 에이전트 구조

마스터 에이전트 + 전문 에이전트

Collaborative

에이전트 간 협업

복잡한 문제 해결

AWS MCP 서버 에코시스템

AWS는 공식 MCP 서버를 오픈소스로 제공합니다 (github.com/awslabs/mcp):

AWS MCP 서버 에코시스템

EKS MCP Server

Kubernetes 클러스터 관리

CloudWatch MCP Server

메트릭 및 로그 조회

IAM Policy Autopilot

최소 권한 정책 생성

S3 MCP Server

오브젝트 스토리지 접근

RDS MCP Server

데이터베이스 관리

CloudWatch Gen AI Observability 통합

CloudWatch Gen AI Observability GA

CloudWatch Generative AI Observability는 2025년 10월 GA되었습니다. AgentCore와 네이티브로 통합되어 별도 설정 없이 에이전트 호출, 도구 실행, 토큰 사용량이 자동으로 CloudWatch에 기록됩니다.

에이전트 실행 추적: 엔드투엔드 트레이싱으로 전체 추론 흐름 가시화
도구 호출 모니터링: MCP 서버별 호출 횟수, 지연, 오류율 추적
토큰 소비 분석: 모델별 입출력 토큰 사용량 및 비용 추적
이상 탐지: CloudWatch Anomaly Detection과 연동하여 비정상 패턴 자동 감지

다음 단계

매니지드 vs 오픈소스 vs 하이브리드 중 최적 접근 선택 → AI 플랫폼 선택 가이드
EKS 기반 오픈소스 아키텍처가 필요하다면 → EKS 기반 오픈 아키텍처
전체 플랫폼 설계 → 플랫폼 아키텍처

개요​

도전과제 해결 매핑​

AWS Agentic AI 서비스 아키텍처​

3-Pillar 아키텍처​

Amazon Bedrock: 기반 레이어​

핵심 기능​

Strands Agents SDK: 개발 프레임워크​

최소 코드 Agent 구현​

MCP 네이티브 지원​

커스텀 도구 정의​

Strands SDK 핵심 특성​

Amazon Bedrock AgentCore: 운영 플랫폼​

7대 핵심 서비스​

1. Runtime — 서버리스 Agent 배포​

2. Memory — 단기/장기 기억 관리​

3. Gateway — 지능형 도구 라우팅​

4. Identity — 위임 인증​

5. Policy — 자연어 정책 정의​

6. Observability — 통합 모니터링​

7. Evaluation — 지속적 품질 모니터링​

아키텍처 패턴​

Build → Deploy → Operate 워크플로우​

단순 Agent 패턴​

복잡 Agent 패턴 (멀티스텝)​

멀티 에이전트 패턴​

배포 가이드​

배포 방법 개요​

Strands + AgentCore 개념​

CloudFormation IaC 패턴​

엔터프라이즈 적용 사례​

Baemin(배달의민족): RAG 기반 지식 Agent​

CJ OnStyle: 멀티에이전트 라이브커머스​

Amazon Devices: 제조 Agent​

비용 구조​

과금 체계​

운영 비용 절감 포인트​

MCP 프로토콜과 EKS 통합​

MCP (Model Context Protocol) 개요​

EKS MCP 서버 통합​

Self-hosted Agent와의 하이브리드 전략​

멀티 에이전트 오케스트레이션​

AWS MCP 서버 에코시스템​

CloudWatch Gen AI Observability 통합​

다음 단계​

참고 자료​

공식 문서​

논문 / 기술 블로그​

관련 문서 (내부)​

개요

도전과제 해결 매핑

AWS Agentic AI 서비스 아키텍처

3-Pillar 아키텍처

Amazon Bedrock: 기반 레이어

핵심 기능

Strands Agents SDK: 개발 프레임워크

최소 코드 Agent 구현

MCP 네이티브 지원

커스텀 도구 정의

Strands SDK 핵심 특성

Amazon Bedrock AgentCore: 운영 플랫폼

7대 핵심 서비스

1. Runtime — 서버리스 Agent 배포

2. Memory — 단기/장기 기억 관리

3. Gateway — 지능형 도구 라우팅

4. Identity — 위임 인증

5. Policy — 자연어 정책 정의

6. Observability — 통합 모니터링

7. Evaluation — 지속적 품질 모니터링

아키텍처 패턴

Build → Deploy → Operate 워크플로우

단순 Agent 패턴

복잡 Agent 패턴 (멀티스텝)

멀티 에이전트 패턴

배포 가이드

배포 방법 개요

Strands + AgentCore 개념

CloudFormation IaC 패턴

엔터프라이즈 적용 사례

Baemin(배달의민족): RAG 기반 지식 Agent

CJ OnStyle: 멀티에이전트 라이브커머스

Amazon Devices: 제조 Agent

비용 구조

과금 체계

운영 비용 절감 포인트

MCP 프로토콜과 EKS 통합

MCP (Model Context Protocol) 개요

EKS MCP 서버 통합

Self-hosted Agent와의 하이브리드 전략

멀티 에이전트 오케스트레이션

AWS MCP 서버 에코시스템

CloudWatch Gen AI Observability 통합

다음 단계

참고 자료

공식 문서

논문 / 기술 블로그

관련 문서 (내부)