𝗔𝗺𝗮𝘇𝗼𝗻 𝗕𝗲𝗱𝗿𝗼𝗰𝗸 𝗔𝗴𝗲𝗻𝘁𝗖𝗼𝗿𝗲 𝗪𝗲𝗯 𝗦𝗲𝗮𝗿𝗰𝗵: 𝗔 𝗣𝗿𝗼𝗱𝘂𝗰𝘁𝗶𝗼𝗻 𝗚𝘂𝗶𝗱𝗲
あなたのAIエージェントは、ユーザーに嘘をついています。
静的な学習データや古くなったベクトルストアが、エージェントの失敗を招きます。これが「ナレッジの腐敗（Knowledge Rot Trap）」です。固定データに基づいて構築されたエージェントは、毎月3%から7%ずつ事実の正確性を失っていきます。評価指標は良好（グリーン）に見えても、ユーザーはツールへの信頼を失っていきます。
Amazon Bedrock AgentCore web searchは、この問題を解決します。これは、AWSの信頼境界内でライブWeb検索を可能にする、マネージドかつIAMネイティブなツールです。
本番環境においてこれが重要である理由：
- サードパーティのキー不要：TavilyやSerpAPIを使用する必要はありません。
- データセキュリティ：データがVPCの外に出ることはありません。すべてがAWSネットワーク内に留まります。
- マネージド・インフラストラクチャ：検索ツール用のLambda関数を記述・維持管理する必要がなくなります。
- 構造化された引用：ツールがメタデータを返すため、すべての回答を検証できます。
信頼性の高いエージェントの設計方法：
速度と鮮度のバランスを取るために、Grounded RAG Fallback Chainを使用します。
- まず、内部のベクトルデータベースにクエリを投げます。
- 信頼度のしきい値を設定します（例：コサイン類似度 0.75）。
- 信頼度が低い場合は、フォールバックとしてAgentCore web searchを実行します。
- 出典ラベル（provenance labels）を付けて最終的な回答を合成します。
このアプローチでは、プライベートなドキュメントには内部RAGを使用し、最新の出来事やニュースにはWeb検索を使用します。
次のようなよくある間違いを避けましょう：
- 無限ループ：推論ループに陥ったエージェントは、予算を使い果たす可能性があります。
max_iterationsを10に設定してください。 - 引用の欠如：出典のない回答はハルシネーション（幻覚）のように見えます。モデルに必ずソースURLを含めるよう強制してください。
- Web検索への過度な依存：有効期限が30日未満の事実に対してのみWeb検索を使用してください。それ以外はすべてRAGを使用します。
コストを抑えるには、セマンティック・キャッシング（semantic caching）を使用します。頻繁なクエリに対しては、ライブWebにアクセスせずに済むよう、ElastiCacheに埋め込み（embeddings）を保存します。これにより、検索呼び出しを40%から60%削減できます。
劣化していくエージェントのリリースはやめましょう。AIが現実に基づいた状態（grounded）を維持できるよう、ライブ検索を活用して構築してください。
Optional learning community: https://t.me/GyaanSetuAi