// ツール定義の例 
{
   "name": "get_stock_price",
   "description": "指定した株式のティッカーシンボルの株価を取得します",
    "parameters": {
         "type": "object",
         "properties": {
                "ticker": {
                         "type": "string",         　　　　　　　　　　　　　　　　　　
                         "description": "株式のティッカーシンボル（例：AMZN）"
                         }
         },
         "required": ["ticker"]
         }
}

Pythonfrom strands import Agent
 agent = Agent() agent("何か面白いことを言って！")

Pythonagent = Agent(     model=model,     system_prompt="""
    あなたは AcmeCorp 社の出張予約エージェントです。
    従業員が会社のポリシーに準拠した出張を予約できるよう支援してください。
    """, ) agent("あなたは何ができますか？")

Pythonfrom strands import Agent, tool
 @tool def sum(a: int, b: int) -> int:     """Adds two numbers.
    Args:
        a: first number
        b: second number
    """     return a + b
 agent = Agent(tools=[sum])

Amazon Bedrock AgentCore
│
├── Runtime（実行環境）
│   エージェントのコードを安全・スケーラブルに実行
│
├── Memory（メモリ管理）
│   会話履歴や長期記憶の管理
│
├── Identity（認証・認可）
│   エージェントの権限管理とセキュリティ
│
├── Gateway（ゲートウェイ）
│   外部APIやサービスへの安全な接続
│
├── Code Interpreter（コードインタープリタ）
│   エージェントがコードを動的に実行
│
├── Browser（ブラウザ）
│   Webブラウジング機能
│
└── Observability（可観測性）
    ログ・メトリクス・トレースの収集と可視化

# .env ファイルの内容 AWS_ACCESS_KEY_ID=（AWSアクセスキー）
AWS_SECRET_ACCESS_KEY=（AWSシークレットアクセスキー）
AWS_DEFAULT_REGION=ap-northeast-1

Pythonfrom dotenv import load_dotenv
from strands import Agent
load_dotenv()  
agent = Agent("jp.anthropic.claude-haiku-4-5-20251001-v1:0") agent("JAWS-UG主催のAI Builders Dayはどこで開催される？")

pip install strands-agents python-dotenv
python 1_agent.py

Pythonimport os
from dotenv import load_dotenv
from strands import Agent, tool
from tavily import TavilyClient
load_dotenv()  
@tool 
def search(query):     """Web検索を実行するツール"""     
	tavily = TavilyClient(api_key=os.getenv("TAVILY_API_KEY"))     　				
	return tavily.search(query)  
agent = Agent(     
	model="apac.anthropic.claude-3-7-sonnet-20250219-v1:0",     
	tools=[search] ) 
agent("JAWS-UG主催のAI Builders Dayはどこで開催される？")

pip install tavily-python
python 2_tool.py

AWSコミュニティイベントの「JAWS-UG主催のAI Builders Day」の開催場所について調べてみます。検索機能を使って情報を取得します。

Tool #1: search
検索結果からは、JAWS-UG主催のAI Builders Dayの正確な開催場所が明確に示されていません。検索結果に「AI Builders Day」についての言及はありますが、具体的な会場情報がありません。より具体的に検索してみましょう。
Tool #2: search
まだ明確な情報が見つかりません。より直接的に「AI Builders Day」のイベントページを探してみましょう。
Tool #3: search
より具体的な情報を探すため、イベントページの詳細を確認しましょう：
Tool #4: search
最初の検索結果に会場情報がありそうです。より詳細な情報を確認するためにイベントページの内容を確認します：
Tool #5: search
検索結果から情報が確認できました。JAWS-UG主催のAI Builders Dayの開催場所について以下の通りお伝えします：

JAWS-UG主催のAI Builders Dayは、「池袋サンシャインシティ ワールドインポートマートビル 展示ホールA」で開催されます。
住所：〒170-8630 東京都豊島区東池袋3-1
このイベントは、AWSで生成AIアプリを作る日本の「ビルダー」たちを盛り上げるための国内最大規模の開発者向けイベントとして開催されます。connpassのイベントページでも確認できる情報です。

Pythonfrom dotenv import load_dotenv
from strands import Agent
from strands.tools.mcp import MCPClient
from mcp.client.streamable_http import streamablehttp_client
load_dotenv()  # AWSが公開しているMCPサーバーに接続 
mcp = MCPClient(     
	lambda: streamablehttp_client("https://knowledge-mcp.global.api.aws") 
	)  
with mcp:     
	agent = Agent(
         model="apac.anthropic.claude-3-7-sonnet-20250219-v1:0",         
         tools=mcp.list_tools_sync()     
    )     
    agent("Bedrock AgentCoreのランタイムってどんな機能？一言で説明して。")

AWS Bedrock AgentCoreのランタイムについて調べたいですね。AWS Bedrock Agentについての情報を検索してみます。

Tool #1: aws___search_documentation
AWS Bedrock AgentCoreランタイムについての情報が見つかりましたので、詳細を確認するために主要なページを読んでみます。

Tool #2: aws___read_documentation
AWS Bedrock AgentCore Runtimeを一言で説明すると：

AWS Bedrock AgentCore Runtimeは、任意のフレームワークやモデルを使用したAIエージェントを安全かつスケーラブルに実行するための、セキュアでサーバーレスな目的特化型の実行環境です。
主な特徴は：
- フレームワークに依存しない設計（LangGraph、Strands、CrewAIなど対応）
- 最長8時間までの長時間実行サポート
- セッション分離による安全性の確保
- 100MBの大型ペイロード処理能力
- 使用量ベースの料金体系
- 組み込み認証機能
- エージェント特化の可観測性

Python# 必要なライブラリをインポート
from dotenv import load_dotenv
from strands import Agent, tool
from strands_tools import calculator

# .envファイルから環境変数を読み込む
load_dotenv()

# サブエージェント1を定義
@tool
def math_agent(query: str):
    agent = Agent(
        model="apac.anthropic.claude-3-7-sonnet-20250219-v1:0",
        system_prompt="ツールを使って計算を行ってください",
        tools=[calculator]
    )
    return str(agent(query))

# サブエージェント2を定義
@tool
def haiku_agent(query: str):
    agent = Agent(
        model="jp.anthropic.claude-haiku-4-5-20251001-v1:0",
        system_prompt="与えられたお題で五・七・五の俳句を詠んで"
    )
    return str(agent(query))

# 監督者エージェントの作成と実行
orchestrator = Agent(
    model="jp.anthropic.claude-sonnet-4-5-20250929-v1:0",
    system_prompt="与えられた問題を計算して、答えを俳句として詠んで",
    tools=[math_agent, haiku_agent]
)
orchestrator("十円持っている太郎くんが二十円もらいました。今いくら？")

この問題を数学で解いた後、結果を俳句にします。
まずは計算してみましょう:

Tool #1: math_agent
太郎くんの所持金を計算しましょう。
太郎くんは最初に10円持っていて、そこに20円もらったので、合計金額を計算します。

Tool #1: calculator
太郎くんは今30円持っています。では、この答え（30円）を俳句にしてみましょう:

Tool #2: haiku_agent
## 太郎くんの三十円
三十円
夢広がる
駄菓子屋で

問題の答えは30円です。その結果を俳句にしました：
三十円
夢広がる
駄菓子屋で

Python# 必要なライブラリをインポート
from strands import Agent
from strands.tools.mcp.mcp_client import MCPClient
from mcp.client.streamable_http import streamablehttp_client
from bedrock_agentcore.runtime import BedrockAgentCoreApp

# AgentCoreランタイム用のAPIサーバーを作成
app = BedrockAgentCoreApp()

# エージェント呼び出し関数を、APIサーバーのエントリーポイントに設定
@app.entrypoint
async def invoke_agent(payload, context):

    # フロントエンドで入力されたプロンプトとAPIキーを取得
    prompt = payload.get("prompt")
    tavily_api_key = payload.get("tavily_api_key")

    ### この中が通常のStrandsのコード ----------------------------------
    # Tavily MCPサーバーを設定
    mcp = MCPClient(lambda: streamablehttp_client(
        f"https://mcp.tavily.com/mcp/?tavilyApiKey={tavily_api_key}"
    ))

    # MCPクライアントを起動したまま、エージェントを呼び出し
    with mcp:
        agent = Agent(
            model="apac.anthropic.claude-3-7-sonnet-20250219-v1:0",
            tools=mcp.list_tools_sync()
        )

        # エージェントの応答をストリーミングで取得
        stream = agent.stream_async(prompt)
        async for event in stream:
            yield event
    ### ------------------------------------------------------------

# APIサーバーを起動
app.run()

# スターターツールキットをインストール 
pip install bedrock-agentcore-starter-toolkit
 # デプロイ設定（ウィザード形式、全部Enterで OK） 
 agentcore configure --entrypoint tavily_agent.py
 # デプロイ実行（約1分でデプロイ完了） 
 agentcore launch

Python# 必要なライブラリをインポート
import os, boto3, json
import streamlit as st
from dotenv import load_dotenv

# .envファイルから環境変数をロード
load_dotenv(override=True)

# サイドバーで設定を入力
with st.sidebar:
    agent_runtime_arn = st.text_input("AgentCoreランタイムのARN")
    tavily_api_key = st.text_input("Tavily APIキー", type="password")

# タイトルを描画
st.title("なんでも検索エージェント")
st.write("Strands AgentsがMCPサーバーを使って情報収集します！")

# チャットボックスを描画
if prompt := st.chat_input("メッセージを入力してね"):
    # ユーザーのプロンプトを表示
    with st.chat_message("user"):
        st.markdown(prompt)

    # エージェントの回答を表示
    with st.chat_message("assistant"):
        # AgentCoreランタイムを呼び出し
        agentcore = boto3.client('bedrock-agentcore')
        payload = json.dumps({
            "prompt": prompt,
            "tavily_api_key": tavily_api_key
        })
        response = agentcore.invoke_agent_runtime(
            agentRuntimeArn=agent_runtime_arn,
            payload=payload.encode()
        )

        ### ここから下はストリーミングレスポンスの処理 ------------------------------------------
        container = st.container()
        text_holder = container.empty()
        buffer = ""

        # レスポンスを1行ずつチェック
        for line in response["response"].iter_lines():
            if line and line.decode("utf-8").startswith("data: "):
                data = line.decode("utf-8")[6:]

                # 文字列コンテンツの場合は無視
                if data.startswith('"') or data.startswith("'"):
                    continue

                # 読み込んだ行をJSONに変換
                event = json.loads(data)

                # ツール利用を検出
                if "event" in event and "contentBlockStart" in event["event"]:
                    if "toolUse" in event["event"]["contentBlockStart"].get("start", {}):
                        # 現在のテキストを確定
                        if buffer:
                            text_holder.markdown(buffer)
                            buffer = ""
                        # ツールステータスを表示
                        container.info("🔍 Tavily検索ツールを利用しています")
                        text_holder = container.empty()

                # テキストコンテンツを検出
                if "data" in event and isinstance(event["data"], str):
                    buffer += event["data"]
                    text_holder.markdown(buffer)
                elif "event" in event and "contentBlockDelta" in event["event"]:
                    buffer += event["event"]["contentBlockDelta"]["delta"].get("text", "")
                    text_holder.markdown(buffer)

        # 最後に残ったテキストを表示
        text_holder.markdown(buffer)
        ### ------------------------------------------------------------------------------

pip install streamlit
streamlit run frontend.py