AWS、マルチエージェント運用の知見を反映した「Deep Insight」を公開　実環境における課題と解決策を提示

要点

• AWSのソリューションアーキテクチャチームが、データ分析からレポート作成までを自動化する実運用向けマルチエージェントシステム「Deep Insight」の設計知見を公開した。

• プロンプト調整やモデル変更を重ねても業務ロジックの逸脱や検証スキップが再発する課題に対し、認知アーキテクチャと実行フロー全体の設計が重要であると指摘している。

• システム内では7種類の専門エージェントが協調し、分析計画に対するユーザーの承認を経て処理を進める仕組みを採用している。

• Anthropicが提唱するコンテキストエンジニアリング手法を適用し、Amazon BedrockやAWS Fargateなどを組み合わせた技術スタックで構築されている。

• 全3回の技術ブログシリーズとして展開され、GitHub上でサンプルコードも提供されている。

• Amazon Web Services（AWS）のソリューションアーキテクチャチームは2026年10月21日、マルチエージェントシステム（複数の自律型AIが協調して動作する仕組み）を本番環境へ導入する際の課題と解決アプローチを解説する技術ブログシリーズを公開した。本シリーズでは、同チームが実際に構築したデータ分析向けマルチエージェントシステム「Deep Insight」の開発を通じて得られた知見、設計上のトレードオフ、運用上の教訓が共有されている。第1弾となる記事では、試作段階から実業務環境へ移行する際に直面する5つの核心的課題と、それらを解決するためのシステム設計が取り上げられた。

試作から実業務への移行で直面する運用の壁とプロンプト調整の限界

記事によると、オープンソースフレームワークやクラウドサービスの発展により、数行のプロンプトといくつかのツール呼び出しを組み合わせることで、マルチエージェントシステムの試作品自体は数日程度で構築できるようになっているという。しかし、パイロット段階から実際のビジネスアプリケーションへと移行させようとした段階で、多くの開発チームが共通の壁に直面するとチームは指摘している。

現場で頻発する具体的な問題として、エージェントが業務ロジックに従わない、必要な検証手順をスキップしてしまう、あるいは想定外のエッジケースを捕捉できないといった現象が挙げられている。こうした課題に対してプロンプトエンジニアリング（AIへの指示文を工夫する技術）による調整やプロンプト例の追加、モデルの変更を試みても、同じ問題が繰り返し発生しがちだという。

その理由について同チームは、エージェントが固定された手順通りに動くのではなく、与えられたコンテキストに基づいて自律的な判断を下す性質を持つためだと説明している。そのため、単に指示を与えるだけでは不十分であり、エージェントがどのように思考し、どのタイミングで検証を行い、問題発生時にどのような対処を取るのかという「認知アーキテクチャ」と実行フロー全体の設計が不可欠になると述べている。

専門エージェントの階層構造でデータ分析を担う「Deep Insight」

こうした課題を解決するために構築されたのが、プロダクション水準のマルチエージェントシステム「Deep Insight」だ。Deep Insightは、CSV形式のデータファイルと自然言語による指示プロンプトを入力として受け取り、複雑なデータ分析から洞察の抽出までを自動化するシステムである。

システム内部では、役割ごとに特化されたエージェント群が階層的に連携して処理を分担する。具体的には、全体を取りまとめる「Coordinator」、計画を立案する「Planner」、進捗を管理する「Supervisor」、コードを生成・実行する「Coder」、計算結果などの正確性をチェックする「Validator」、最終成果物をまとめる「Reporter」、そして実行状態を記録する「Tracker」の計7種類のエージェントが協調して動作する。これらのエージェントが連携することで、データの読み込み、各種分析の実行、グラフの生成、計算内容の検証、さらには出典引用を含めたWord形式（.docx）の本格的なレポート作成までを一貫して遂行する。

人間の判断を組み込むデモシナリオと実行フロー

記事では、架空の食品会社「Yummy Food」の広告出稿データを用いた具体的なデモの様子も紹介されている。入力データとして広告データ（yummy-food-market.csv）とカラム定義情報（column_definitions.json）を与え、「売上とマーケティングの観点から分析を行い、グラフと洞察を生成して.docx形式のレポートを出力せよ」という自然言語の指示を投入するシナリオだ。

この処理においてDeep Insightは、指示を受け取った後にいきなり分析を完了させるのではなく、まず全体の大まかな分析計画を生成してユーザーに提示する。そして、人間の承認を得てから実際のデータ処理へと進む「ヒューマン・イン・ザ・ループ」（処理工程に人間の確認を挟む設計）のステップを組み込んでいる。これにより、ユーザーの意図から外れた処理が自動で進行することを防いでいる。

コンテキストエンジニアリングの実装と採用された技術スタック

Deep Insightの設計では、AI研究企業のAnthropicが提唱する「Context Engineering（コンテキストエンジニアリング）」の手法が積極的に取り入れられているという。具体的には、複数エージェントによる協調体制のほか、構造化されたノートテイク（記録の管理・保持）や、前述の人間による介入プロセスなどが本番環境向けに適用されている。

また、システムを支えるインフラおよびソフトウェアスタックには、AWSの各種クラウドサービスと専用フレームワークが採用されている。エージェント制御の基盤となる「Strands Agents SDK」をはじめ、基盤モデルを提供する「Amazon Bedrock」、エージェント運用を支援する「Amazon Bedrock AgentCore」、負荷分散を担う「Application Load Balancer」、コンテナ実行基盤である「AWS Fargate」などが各層に組み合わされており、それぞれの層が本番運用上の課題を解決する役割を果たしている。

全3回にわたる技術解説とサンプルの一般公開

今回公開されたブログは全3部作の第1部であり、続く第2部ではコンテキストエンジニアリングの具体的な適用手法、第3部では開発環境から本番環境へ移行するためのハーネスエンジニアリングの実践が順次解説される予定となっている。なお、Deep Insightのソースコードは、誰でも検証できるようGitHub上のリポジトリ（aws-samples/sample-deep-insight）でサンプルコードとして公開されている。