3단계: 배포 대시보드 마법사를 사용하여 사용 사례 배포

배포 대시보드 마법사에서 다음 중 하나를 선택해야 합니다.

텍스트 사용 사례 - 선택적 RAG 기능을 사용하여 채팅 애플리케이션을 배포합니다.
Bedrock Agent 사용 사례 - Amazon Bedrock Agents를 사용하여 작업을 완료하거나 반복 워크플로를 자동화합니다.
MCP 서버 - 게이트웨이 또는 런타임 메서드를 사용하여 MCP 서버 배포 및 관리
에이전트 빌더 - MCP 통합 및 메모리 관리를 사용하여 AgentCore에서 사용자 지정 에이전트를 빌드하고 배포합니다.
Workflow Builder - 계층적 위임을 사용하여 여러 Agent Builder 에이전트 오케스트레이션

텍스트 사용 사례 생성, Bedrock 에이전트 사용 사례 생성, MCP 서버 사용 사례 생성, 에이전트 빌더 사용 사례 생성 또는 워크플로 사용 사례 생성의 5가지 옵션을 표시합니다.

3a단계: 텍스트 사용 사례 배포

이 섹션에서는 텍스트 사용 사례를 배포하기 위한 지침을 제공합니다.

사용 사례 선택

텍스트 사용 사례 생성을 선택하면 UI에서 사용 사례 선택 화면이 열립니다. 다음 정보를 제공합니다.

사용 사례 이름입니다.
사용 사례를 위해 Amazon Cognito 사용자 풀에 추가할 사용 사례의 기본 사용자의 선택적 이메일 주소와 상호 작용할 수 있는 권한이 부여됩니다.
이 사용 사례로 UI를 배포할지 여부입니다. 사용 사례와 함께 UI를 배포하지 않으려면 배포된 API 엔드포인트를 애플리케이션에 사용할 수 있습니다.

사용 사례 세부 정보

사용 사례 세부 정보 단계를 사용하면 배포에 대한 추가 설정을 구성할 수 있습니다.

기본적으로 텍스트 사용 사례는 솔루션이 배포 대시보드를 배포할 때 Amazon Cognito 사용자 풀을 생성하고 구성합니다. 이 솔루션은 동일한 사용자 풀에서 새로 생성된 클라이언트를 사용하여 새 사용 사례를 인증합니다. 하지만 사용 사례와 함께 자체 Amazon Cognito 사용자 풀과 클라이언트를 사용하려면이 단계에서 기존 사용자 풀 ID와 클라이언트 ID를 제공할 수 있습니다.

중요

배포 마법사를 통해 Amazon Cognito 사용자 풀이 생성되면 관리자 사용자는 배포된 모든 사용 사례에 액세스할 수 있습니다. 배포 중에 자체 사용자 풀을 제공하는 경우 관리자에게 배포된 사용 사례에 액세스할 수 있는 권한이 있는지 확인해야 합니다.

또한 Cognito의 앱 클라이언트에서 허용된 콜백 URLs 및 허용된 로그아웃 URLs을 업데이트해야 합니다. 방법:

Cognito 콘솔로 이동합니다.
사용자 풀(User Pools)을 선택합니다.
사용자 풀을 선택합니다.
왼쪽 메뉴에서 앱 클라이언트를 선택합니다.
수정할 앱 클라이언트를 선택합니다.
로그인 페이지 탭을 선택합니다.
편집을 선택하고 URLs 추가합니다.
변경 사항 저장을 선택합니다.

또한 사용 사례에 사용자를 더 추가해야 하는 경우 Cognito 사용자 풀 관리 섹션을 참조하세요.

네트워크 구성 선택

이 마법사 단계를 사용하면 기존 또는 새로운 Amazon Virtual Private Cloud(Amazon VPC)를 사용하여 사용 사례를 배포할 수 있습니다. 기존 VPC를 선택하는 경우이 VPC에 사용할 VPC ID, 최대 16개의 서브넷 ID 및 최대 5개의 보안 그룹 IDs를 제공해야 합니다. 기존 VPC를 사용하지 않는 경우 이러한 설정이 자동으로 구성됩니다.

모델 선택

모델 선택 단계의 드롭다운 메뉴에서 모델 공급자를 선택할 수 있습니다. Bedrock과 SageMaker의 두 가지 옵션이 있습니다.

SageMaker를 선택하면 SageMaker AI 콘솔에서 SageMaker AI 모델 엔드포인트를 생성하고 모델이 예상하는 입력 스키마를 제공하고 LLM 응답에 JSONPath를 출력할 수 있습니다. Amazon SageMaker AI를 LLM 공급자로 사용 섹션과 솔루션의 GitHub 리포지토리에 제공된 SageMaker AI 페이로드 예제를 참조할 수 있습니다.

Amazon Bedrock을 선택하면 네 가지 옵션이 표시됩니다.

퀵 스타트 모델 - 가격/성능 특성이 서로 다른 모델 모음을 빠르게 시작합니다. 첫 번째 앱을 빌드하는 데 권장됩니다. 이 옵션을 사용하면 제공된 목록에서 모델 이름을 선택할 수 있습니다.
기타 파운데이션 모델 - 다양한 기능과 전문화를 갖춘 전체 파운데이션 모델에 액세스할 수 있습니다. 이 옵션을 사용하면 원하는 Bedrock 온디맨드 파운데이션 모델의 모델 ID를 입력할 수 있습니다.
추론 프로필 - 추론 프로필은 Bedrock의 교차 리전 추론을 활용하여 최대 사용률 버스트 중에 여러 AWS 리전에 요청을 라우팅하여 처리량을 늘리고 복원력을 개선합니다. 이 옵션을 사용하면 사용하려는 추론 프로파일의 ID를 입력할 수 있습니다.
프로비저닝된 모델 - 일관된 성능이 필요한 프로덕션 워크로드를 위한 전용 처리량 용량입니다. 이 옵션을 사용하면 Amazon Bedrock에서 사용할 프로비저닝된/사용자 지정 모델의 ARN을 입력할 수 있습니다.

모델 선택 단계에서는 고급 모델 설정을 선택할 수도 있습니다. Amazon Bedrock 가드레일 구성, Amazon Bedrock의 프로비저닝된 처리량 및 추가 모델 파라미터에 대한 자세한 내용은 고급 LLM 설정을 참조하세요.

교차 리전 추론

리전 간 추론을 통해 Amazon Bedrock 사용자는 다양한 AWS 리전에서 컴퓨팅을 사용하여 계획되지 않은 트래픽 버스트를 원활하게 관리할 수 있습니다. 교차 리전 추론을 사용하려면 추론 프로파일이 필요합니다. 추론 프로파일은 구성된 AWS 리전 세트의 온디맨드 리소스 풀을 추상화한 것입니다. 소스 리전에서 시작된 추론 요청을 해당 풀에 구성된 다른 리전으로 라우팅할 수 있습니다. 이를 통해 여러 AWS 리전에 트래픽을 분산할 수 있습니다. 이렇게 하면 수요가 가장 많은 기간 동안 처리량을 높이고 복원력을 높일 수 있습니다.

추론 프로파일은 지원하는 모델 및 리전의 이름을 따서 명명됩니다. 포함된 리전 중 하나에서 추론 프로파일을 호출해야 합니다. 예를 들어 다음 표와 같이 추론 프로파일 ID를 us.anthropic.claude-3-haiku-20240307-v1:0 사용하면 선택한 모델의 us-east-1 및 us-west-2 리전을 통해 트래픽을 배포할 수 있습니다. 특정 모델은 특정 리전의 추론 프로파일에서만 사용할 수 있습니다.

추론 프로파일 추론 프로파일 ID 포함된 리전

추론 프로파일	추론 프로파일 ID	포함된 리전
US Anthropic Claude 3 Haiku	`us.anthropic.claude-3-haiku-20240307-v1:0`	미국 동부 (버지니아 북부) (`us-east-1`) 미국 서부 (오리건) (`us-west-2`)

US Anthropic Claude 3 Haiku

us.anthropic.claude-3-haiku-20240307-v1:0

미국 동부 (버지니아 북부) (us-east-1)

미국 서부 (오리건) (us-west-2)

모델 ID 대신 추론 프로필 ID를 사용하려면 적절한 추론 프로필 ID를 식별해야 합니다. 자세한 내용은 Amazon Bedrock 사용 설명서의 추론 프로파일에 대해 지원되는 리전 및 모델을 참조하세요. Amazon Bedrock 콘솔의 왼쪽 탐색 메뉴에 있는 교차 리전 추론 옵션은 이러한 추론 프로필 IDs 제공합니다.

사용할 추론 프로필 ID를 식별한 후 다음 단계를 수행하여 모델 선택 단계에서 사용할 수 있습니다.

모델 공급자로 Amazon Bedrock을 선택합니다.
추론 프로필 라디오 버튼 옵션을 선택합니다.
나타나는 텍스트 상자에 추론 프로필 ID를 입력합니다.

추론 프로파일에 대한 자세한 내용은 Amazon Bedrock 사용 설명서의 리전 간 추론을 통한 복원력 개선을 참조하세요.

지식 기반 선택

비 검색 증강 생성(RAG) 사용 사례를 배포하려는 경우이 단계를 건너뛸 수 있습니다.

그러나 배포의 일부로 RAG를 활성화하려는 경우 이제 사전 구성된 Amazon Kendra 인덱스 ID 또는 Amazon Bedrock 지식 기반 ID를 제공할 수 있습니다. 솔루션에 사용할 새 Amazon Kendra 인덱스를 생성할 수도 있습니다. 이 솔루션은 현재 Amazon Kendra 및 Amazon Bedrock 지식 기반을 RAG 기반 사용 사례 배포의 지식 기반으로 지원합니다.

RAG 기반 배포에 사용할 수 있도록 지식 기반에 데이터를 수집하는 방법에 대한 지침은 지식 기반 구성 섹션을 참조하세요.

고급 RAG 구성

마법사를 사용하면 쿼리가 지식 기반에 전송될 때마다 검색할 문서 수, 지식 기반에서 문서를 찾을 수 없을 때 LLM의 정적 텍스트 응답, 안전 확인을 위해 LLM 응답과 함께 문서 소스를 표시할지 여부 등 RAG 배포에 사용할 고급 옵션을 선택할 수 있습니다. Amazon Bedrock 지식 기반과 함께 Amazon OpenSearch Serverless를 사용할 때 역할 기반 액세스 제어(RBAC) 또는 검색 유형 재정의와 같은 Amazon Kendra에 대한 지식 기반별 구성을 추가로 구성할 수도 있습니다. 이러한 고급 설정에 대한 자세한 내용은 고급 지식 기반 설정 섹션을 참조하세요.

참고

지식 기반은 배포 대시보드 및 사용 사례 스택과 동일한 계정 및 리전에 있어야 합니다.

프롬프트 및 토큰 제한 선택

이 단계에서는 LLM과 함께 사용할 프롬프트를 구성할 수 있습니다. 프롬프트에는 {input}, {history} 및와 같은 자리 표시자가 필요할 수 있습니다{context}. 이러한 자리 표시자는 지식 기반에서 검색된 사용자 입력, 대화 기록 및 정보를 그릴 위치에 대해 LLM에 지시합니다.

Bedrock 모델 공급자의 경우 비 RAG 사용 사례에 대한 제한이 없는 시스템 프롬프트를 제공해야 합니다. 그러나 Bedrock 모델 공급자에 대한 모호하지 않은 프롬프트에는 및 라는 최소 2개의 자리 표시자가 필요합니다. {input} {history}
SageMaker 모델 공급자, 시스템 및 모호하지 않은 프롬프트의 경우 둘 다 및 라는 최소 2개의 자리 표시자가 필요합니다{input}{history}.
RAG 사용 사례의 경우 각 모델 공급자에 대해 {context} 자리 표시자가 추가로 필요합니다.

자세한 내용은 프롬프트 구성을 참조하세요. 프롬프트에 대한 토큰 제한 크기를 선택하는 동안 모델 토큰 제한 관리를 위한 팁 섹션을 참조할 수도 있습니다.

멀티모달 입력 활성화

이 단계를 통해 사용 사례에 맞게 멀티모달 입력 기능을 활성화할 수 있습니다. 활성화하면 사용자는 텍스트 쿼리와 함께 이미지와 문서를 업로드하고 전송할 수 있습니다.

지원되는 파일 유형 및 제약 조건:

이미지: 메시지당 최대 20개의 이미지. 각 이미지의 크기는 3.75MB, 높이 및 너비는 8,000픽셀 이하여야 합니다. 지원되는 형식: png, jpeg, gif, webp
문서: 메시지당 최대 5개의 문서. 각 문서의 크기는 4.5MB 이하여야 합니다. 지원되는 형식: pdf, csv, doc, docx, xls, xlsx, html, txt, md

멀티모달 입력을 사용하는 방법:

사용 사례 배포 중에 MultimodalEnabled 파라미터 활성화
채팅 인터페이스에서 사용자는 두 가지 방법으로 파일을 업로드할 수 있습니다.
- 채팅 입력 상자에서 업로드 버튼 클릭 또는
- 파일을 채팅 인터페이스로 직접 끌어서 놓기
파일은 Amazon S3에 업로드되고 선택한 모델에서 처리됩니다.
업로드된 파일은 48시간 후에 자동으로 삭제됩니다.

파일 상태 추적:

DevOps 사용자는 업로드 시간 및 처리 상태를 포함하는 DynamoDB의 파일 메타데이터를 모니터링할 수 있습니다. 파일은 다음과 같은 상태를 가질 수 있습니다.

보류 중 - 파일 업로드가 시작되었지만 아직 완료되지 않았습니다. 미리 서명된 URL이 생성될 때의 초기 상태입니다.
upload - 파일이 S3에 성공적으로 업로드되었으며 모델에서 처리할 준비가 되었습니다.
삭제됨 - 사용자가 파일을 삭제했으므로 더 이상 처리할 수 없습니다.
유효하지 않음 - 파일 유효성 검사 실패(예: 파일 유형 불일치 또는 보안 유효성 검사 실패).

업로드되지 않은 보류 상태의 파일은 TTL이 만료되면 자동으로 정리됩니다. 업로드된 상태의 파일만 모델에서 처리할 수 있습니다.

S3 멀티모달 버킷 및 DynamoDB 메타데이터 테이블은 MultimodalDataMetadataTable각각 MultimodalDataBucketName 및 키를 사용하여 배포 대시보드 출력에서 사용할 수 있습니다.

참고

일부 모델은 멀티모달 입력을 지원하지 않습니다. 이 기능을 활성화하기 전에 선택한 모델이 이미지 및 문서 처리를 지원하는지 확인합니다. 어떤 모델이 이미지를 입력 양식으로 지원하는지 확인하려면 Amazon Bedrock에서 지원되는 파운데이션 모델을 참조하세요.

중요

사용자가 업로드한 파일은 48시간 수명 주기 정책을 사용하여 Amazon S3에 저장됩니다. 업로드된 파일에 대한 메타데이터는 대화 기록을 위해 24시간 TTL과 함께 Amazon DynamoDB에 저장됩니다.

검토 및 배포.

이 단계 후에는 선택한 설정을 검토하고 사용 사례 배포를 선택합니다. 그러면 새 사용 사례가 배포되고 배포 대시보드 보기에 표시되어 추가로 관리할 수 있습니다.

3b단계: Bedrock Agent 사용 사례 배포

Bedrock 에이전트 사용 사례는 사용 사례 내에서 Amazon Bedrock 에이전트를 호출하기 위한 강력하고 안전한 메커니즘을 제공합니다. 이 기능을 통해 개발자는 강력한 보안 조치를 유지하면서 다양한 파운데이션 모델, 데이터 소스, 소프트웨어 애플리케이션 및 사용자 대화에서 다단계 작업을 오케스트레이션하고 실행할 수 있는 AI 기반 자율 에이전트의 기능을 원활하게 통합할 수 있습니다.

사전 조건

Amazon Bedrock 에이전트를 생성하기 전에 다음이 있는지 확인합니다.

Amazon Bedrock 콘솔에 액세스할 수 있는 AWS의 생성형 AI Application Builder가 배포되는 AWS 계정입니다.
Amazon Bedrock Agents를 생성하고 관리하기 위한 적절한 IAM 권한.

Amazon Bedrock 에이전트 생성

에이전트 생성에 대한 자세한 지침은 Amazon Bedrock 사용 설명서의 에이전트 수동 생성 및 구성을 참조하세요. 다음과 같은 옵션을 구성할 수 있습니다.

에이전트에 대한 지침(프롬프트)
지식 기반 - 사용자의 입력을 기반으로 추가 정보를 조회하는 데 사용됩니다.
에이전트가 여러 세션에서 정보를 기억할 수 있도록 허용하는 에이전트의 메모리(최대 30일)

Amazon Bedrock 에이전트를 성공적으로 생성한 후 AWS Bedrock 에이전트의 생성형 AI 애플리케이션 빌더 사용 사례 마법사 흐름으로 진행할 수 있습니다. 이렇게 하려면 배포 대시보드에서 새 사용 사례 배포를 선택하고 Bedrock 에이전트 사용 사례 생성을 선택합니다. 마법사에 따라 다음 단계에 따라 사용 사례를 구성합니다.

사용 사례 선택

이 단계는 앞서 설명한 텍스트 사용 사례와 동일합니다.

네트워크 구성 선택

이 단계는 앞서 설명한 텍스트 사용 사례와 동일합니다.

에이전트 선택

이 단계에서는 생성한 Amazon Bedrock 에이전트의 에이전트 ID와 별칭 ID를 제공해야 합니다.

3c단계: MCP 서버 사용 사례 배포

MCP(모델 컨텍스트 프로토콜) 서버 사용 사례를 사용하면 AI 모델 및 에이전트와 통합할 수 있는 MCP 서버를 배포하고 관리할 수 있습니다. MCP 서버는 AI 애플리케이션에 도구, 리소스 및 기능을 노출하는 표준화된 방법을 제공합니다. 기존 Lambda 함수 및 APIs에서 MCP 서버를 생성하거나 컨테이너 이미지를 사용하여 사용자 지정 MCP 서버를 호스팅할 수 있습니다.

사전 조건

MCP Server 사용 사례를 배포하기 전에 다음이 있는지 확인합니다.

AWS의 생성형 AI Application Builder가 배포되는 AWS 계정입니다.
Amazon Bedrock AgentCore 리소스를 생성하고 관리하기 위한 적절한 IAM 권한.
선택한 생성 방법에 따라:
- 게이트웨이 메서드(Lambda/API/MCP 서버)의 경우: Lambda 함수, 해당 스키마 파일이 있는 API 엔드포인트(Lambda의 경우 JSON 형식, APIs 경우 OpenAPI/Smithy) 또는 MCP 서버 URL 엔드포인트
- 런타임 메서드(ECR)의 경우: MCP 서버 구현이 포함된 Amazon ECR로 푸시된 도커 컨테이너 이미지

MCP 서버 생성 방법

이 솔루션은 MCP 서버를 생성하는 두 가지 방법을 지원합니다.

Lambda, API 또는 MCP 서버에서 생성(게이트웨이 메서드)

이 메서드는 기존 Lambda 함수, REST APIs 또는 외부 MCP 서버를 래핑하는 MCP 게이트웨이를 생성하여 MCP 도구로 액세스할 수 있도록 합니다. 게이트웨이는 MCP와 기존 서비스 간의 프로토콜 변환을 처리합니다.

Lambda 대상: 함수의 입력/출력 형식을 설명하는 함수 ARN과 JSON 스키마 파일을 제공하여 기존 Lambda 함수 통합
OpenAPI 대상: OpenAPI 사양(JSON 또는 YAML 형식)APIs 사용하여 REST API를 OAuth 2.0 또는 API 키 인증 지원과 통합
Smithy 대상: Smithy 모델 파일(.smithy 또는 .json 형식)을 사용하여 정의된 APIs 통합
MCP 서버 대상: URL 엔드포인트를 통해 외부 MCP 서버에 직접 연결하여 새 인프라를 배포하지 않고도 기존 MCP 서버를 통합할 수 있습니다.

단일 MCP 게이트웨이 내에서 여러 대상(최대 10개)을 구성할 수 있으며, 각 대상은 서로 다른 도구 또는 기능을 나타냅니다.

ECR 이미지에서 호스팅(런타임 메서드)

이 방법은 Amazon ECR 이미지에서 컨테이너화된 MCP 서버를 배포합니다. 독립 실행형 서비스로 실행해야 하는 사용자 지정 MCP 서버 구현이 있는 경우이 접근 방식을 사용합니다.

ECR 이미지 URI 제공(태그를 포함해야 함, 예: :latest 또는 :v1.0.0)
필요에 따라 컨테이너에 구성을 전달하도록 환경 변수 구성
컨테이너는 MCP 프로토콜을 구현하고 필요한 엔드포인트를 노출해야 합니다.

MCP 서버 배포

MCP 서버 사용 사례를 배포하려면 배포 대시보드에서 새 사용 사례 배포를 선택하고 MCP 서버 사용 사례 생성을 선택합니다. 마법사에 따라 다음 단계에 따라 사용 사례를 구성합니다.

사용 사례 선택

이 단계는 앞서 설명한 텍스트 사용 사례와 동일합니다.

네트워크 구성 선택

현재 퍼블릭 액세스만 활성화되고 VPC는 네트워크 구성에 지원되지 않습니다.

MCP 서버 생성

이 단계에서는 MCP 서버 배포를 구성합니다.

MCP 서버 생성 방법

다음 두 가지 생성 방법 중에서 선택합니다.

Lambda, API 또는 MCP 서버에서 생성: 기존 Lambda 함수, API 사양 또는 외부 MCP 서버 엔드포인트에서 MCP 게이트웨이 생성
ECR 이미지에서 호스팅: 컨테이너 이미지에서 사용자 지정 MCP 서버 배포

참고

배포 후에는 생성 방법을 변경할 수 없습니다. 메서드를 전환해야 하는 경우 새 MCP Server 사용 사례를 배포해야 합니다.

게이트웨이 구성(Lambda/API/MCP 서버 메서드용)

게이트웨이 메서드를 선택한 경우 하나 이상의 대상을 구성합니다.

대상 이름(필수):이 대상 구성을 식별하기 위한 표시 이름입니다.
대상 설명(선택 사항):이 대상이 수행하는 작업에 대한 간략한 설명
대상 유형: 구성할 대상 유형을 선택합니다.
- Lambda: AWS Lambda 함수의 경우
- OpenAPI: OpenAPI 사양이 있는 REST APIs 경우
- Smithy: Smithy 모델 정의가 있는 APIs 경우
- MCP 서버: URL 엔드포인트를 통해 외부 MCP 서버에 직접 연결
스키마 파일(필수): 대상을 설명하는 스키마 파일을 업로드합니다.
- Lambda의 경우: 입력/출력 형식을 설명하는 JSON 스키마 파일입니다. Lambda 도구 스키마 생성에 대한 자세한 내용은 Amazon Bedrock AgentCore 개발자 안내서의 Lambda 도구 스키마를 참조하세요.
- OpenAPI의 경우: OpenAPI 사양 파일(JSON 또는 YAML). OpenAPI 스키마 요구 사항에 대한 자세한 내용은 Amazon Bedrock AgentCore 개발자 안내서의 OpenAPI 스키마를 참조하세요.
- Smithy의 경우: Smithy 모델 파일(.smithy 또는 .json). Smithy 대상 빌드에 대한 자세한 내용은 Amazon Bedrock AgentCore 개발자 안내서의 Smithy 대상 빌드를 참조하세요.
Lambda 함수 ARN(Lambda 대상에 필요): 통합할 Lambda 함수의 ARN입니다.
MCP 서버 URL(MCP 서버 대상에 필요): 연결할 외부 MCP 서버의 URL 엔드포인트입니다. URL은 올바르게 인코딩되어야 하며 MCP 서버는 MCP 프로토콜 버전 2025-06-18에서 도구 기능을 지원해야 합니다. 자세한 내용은 Amazon Bedrock AgentCore 개발자 안내서의 MCP 서버 대상을 참조하세요.
아웃바운드 인증(OpenAPI 대상에 필요): REST API 호출에 대한 인증을 구성합니다.
- 인증 유형: OAuth 2.0 또는 API 키 선택
- 아웃바운드 인증 공급자 ARN: Amazon Bedrock AgentCore 토큰 볼트에 있는 자격 증명 공급자의 ARN
- 추가 구성: 인증 유형에 따라:
  - OAuth 2.0의 경우: 범위 및 사용자 지정 파라미터 구성
  - API 키의 경우: 위치(헤더 또는 쿼리 파라미터), 파라미터 이름 및 선택적 접두사 지정

다른 대상 추가를 선택하여 여러 대상(최대 10개)을 추가할 수 있습니다. 각 대상은 MCP 서버에서 노출되는 별도의 도구 또는 기능을 나타냅니다.

ECR 구성(ECR 이미지 메서드용)

런타임 메서드를 선택한 경우 다음을 제공합니다.

ECR 이미지 URI(필수): Amazon ECR에서 도커 이미지의 전체 URI
- 형식: account-id.dkr.ecr.region.amazonaws.com/repository-name:tag
- 이미지는 배포와 동일한 AWS 리전에 있어야 합니다.
- 태그가 필요합니다(예: , :latest:v1.0.0).
환경 변수(선택 사항): 런타임 시 컨테이너에 전달하도록 키-값 페어 구성
- 이를 사용하여 구성, 자격 증명 또는 사용자 지정 플래그 제공
- 최대 10개의 환경 변수를 추가할 수 있습니다.

검토 및 배포.

MCP 서버를 구성한 후 선택한 설정을 검토하고 사용 사례 배포를 선택합니다. 그러면 새 MCP 서버 사용 사례가 배포되고 추가 관리를 위해 배포 대시보드 보기에 표시됩니다.

참고

MCP Server 배포는 게이트웨이, 런타임 및 워크로드 ID를 포함하여 Amazon Bedrock AgentCore에 리소스를 생성합니다. 이러한 리소스는 솔루션에서 자동으로 관리되며 사용 사례를 삭제하면 정리됩니다.

3d단계: Agent Builder 사용 사례 배포

Agent Builder를 사용하면 Amazon Bedrock AgentCore에서 프로덕션 지원 AI 에이전트를 생성, 구성 및 배포할 수 있습니다. 이 기능은 시스템 프롬프트, 모델 선택, MCP 서버 통합 및 메모리 관리를 통해 에이전트 동작을 완벽하게 제어합니다.

배포 프로세스는 주로 텍스트 사용 사례와 동일하며 몇 가지 주목할 만한 차이점이 있습니다.

사용 사례 선택

이 단계는 앞서 설명한 텍스트 사용 사례와 동일합니다.

사용 사례 세부 정보

이 단계는 앞서 설명한 텍스트 사용 사례와 동일합니다.

에이전트 구성

이 단계에서는 시스템 프롬프트, 사용 가능한 MCP 서버/스트랜드 도구 및 메모리를 포함한 코어 에이전트 설정을 구성합니다.

시스템 프롬프트

시스템 프롬프트는 에이전트의 동작, 성격 및 기능을 정의합니다. 다음을 수행할 수 있습니다.

기본 시스템 프롬프트 템플릿 편집
기본값으로 재설정 버튼을 사용하여 원래 템플릿을 복원합니다.
도구 사용 및 응답 형식 지정에 대한 지침 포함

MCP 서버 통합(선택 사항)

에이전트에게 엔터프라이즈 도구 및 데이터에 대한 액세스 권한을 제공하도록 모델 컨텍스트 프로토콜 서버를 구성합니다.

드롭다운에서 사용 가능한 MCP 서버 중에서 선택
에이전트가 액세스할 수 있는 즉시 사용 가능한 도구 검토

참고

배포 전에 MCP 서버를 구성하고 액세스할 수 있어야 합니다. 서버 설정 지침은 MCP 설명서를 참조하세요.

메모리 구성

에이전트가 컨텍스트와 지식을 유지하는 방법을 구성합니다.

단기 메모리: 모든 에이전트에 대해 기본적으로 활성화됩니다. 세션 내에서 대화 컨텍스트를 유지합니다.
장기 메모리: 세션 간에 인사이트를 추출하고 저장할 수 있도록 전환합니다. 의미 체계 메모리 전략과 함께 AgentCore 메모리를 사용합니다.

검토 및 배포.

이 단계 후에는 선택한 설정을 검토하고 사용 사례 배포를 선택합니다. Agent Builder 배포는 일반적으로 10~15분 후에 완료됩니다. 그러면 배포 대시보드 보기에 새 사용 사례가 표시되어 추가로 관리할 수 있습니다.

3e단계: 워크플로 사용 사례 배포

Workflow Builder를 사용하면 에이전트를 도구로 위임 패턴을 사용하여 여러 Agent Builder 에이전트를 오케스트레이션하는 감독자 에이전트를 생성할 수 있습니다. 이 기능을 사용하면 기존 Agent Builder 배포를 재사용하여 복잡한 다중 에이전트 워크플로를 구축할 수 있습니다.

배포 프로세스는 에이전트 검색 및 선택을 위한 추가 단계와 함께 Agent Builder와 유사한 패턴을 따릅니다.

사용 사례 선택

이 단계는 앞서 설명한 텍스트 사용 사례와 동일합니다.

사용 사례 세부 정보

이 단계는 앞서 설명한 텍스트 사용 사례와 동일합니다.

감독자 에이전트 구성

이 단계에서는 특수 에이전트 빌더 에이전트를 조정할 감독자 에이전트를 구성합니다.

시스템 프롬프트

시스템 프롬프트는 감독자 에이전트가 특수 에이전트에게 작업을 위임하는 방법을 정의합니다. 다음을 수행할 수 있습니다.

기본 시스템 프롬프트 템플릿 편집
에이전트 선택 및 위임 지침 포함
여러 에이전트의 결과를 집계하는 방법 정의
기본값으로 재설정 버튼을 사용하여 원래 템플릿을 복원합니다.

참고

시스템 프롬프트는 각 특수 에이전트를 사용하는 시기와 방법을 명확하게 설명해야 합니다. 에이전트 설명은 적절한 위임에 매우 중요합니다.

모델 선택

감독자 에이전트의 파운데이션 모델을 선택합니다. 감독자 에이전트는이 모델을 사용하여 다음을 수행합니다.

사용자 요청 이해
적절한 전문 에이전트 선택
에이전트 실행 조정
응답 집계 및 형식 지정

특수 에이전트 선택

이 단계에서는 감독자가 작업을 위임할 수 있는 Agent Builder 에이전트를 선택합니다.

에이전트 추가

에이전트 추가를 클릭하여 에이전트 선택 대화 상자를 엽니다.
목록에서 하나 이상의 Agent Builder 에이전트를 선택합니다.
감독자에게 제공될 에이전트 설명 검토
선택 확인

참고

워크플로에는 특수 에이전트로서 최소 1개의 Agent Builder 사용 사례가 필요합니다.
워크플로를 생성하기 전에 모든 특수 에이전트를 성공적으로 배포해야 합니다.

검토 및 배포.

다음을 포함한 워크플로 구성을 검토합니다.

감독자 에이전트 시스템 프롬프트 및 모델
특수 에이전트 목록
메모리 설정

사용 사례 배포를 선택합니다. 워크플로 배포는 일반적으로 15~20분 후에 완료됩니다. 추가 관리를 위해 배포 대시보드 보기에 새 워크플로가 표시됩니다.

javascript가 브라우저에서 비활성화되거나 사용이 불가합니다.

AWS 설명서를 사용하려면 Javascript가 활성화되어야 합니다. 지침을 보려면 브라우저의 도움말 페이지를 참조하십시오.

문서 규칙

2단계: 사용 사례 배포

4단계: 배포 후 구성