re:Growth 2025 大阪で「爆速でキャッチアップしよう！Amazon Bedrock AgentCore/Strands Agentsのre:Inventアップデート情報まとめ！」というタイトルで登壇しました！ #AWSreInvent #cmregrowth

{
    "resource": {
        "attributes": {
            "aws.service.type": "gen_ai_agent",
            "aws.local.service": "my_agent.DEFAULT",
            "service.name": "my_agent.DEFAULT"
        }
    },
    "traceId": "6936357a40679b1305ca01185381fac0",
    "spanId": "c9967b3c030dc049",
    "timeUnixNano": 1765160340380953338,
    "observedTimeUnixNano": 1765161799933252954,
    "severityNumber": 9,
    "name": "gen_ai.evaluation.result",
    "attributes": {
        "gen_ai.evaluation.name": "Builtin.ToolSelectionAccuracy",
        "session.id": "xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx",
        "gen_ai.evaluation.score.value": 1,
        "gen_ai.evaluation.explanation": "The user is asking '東京の天気を教えて' (Tell me the weather in Tokyo), which is a direct and explicit request for weather information. The assistant is calling the get_weather tool with the parameter city='東京', which directly corresponds to the user's request.\n\nLooking at the conversation history, this is actually the second time the user has made this exact same request. In the previous instance, the assistant called get_weather with the same parameters and received an error response indicating the weather information was not available. The assistant then provided alternative suggestions for checking the weather.\n\nNow the user is repeating the exact same request. Despite knowing from the immediate previous interaction that this tool call will likely fail again, the assistant is justified in attempting the tool call because:\n\n1. The user has explicitly requested the weather information again\n2. The assistant should attempt to fulfill the user's direct request\n3. There's a possibility (however small) that the service might work this time\n4. It demonstrates responsiveness to the user's request rather than refusing without trying\n5. The parameters are correct and complete for the tool call\n\nThe action directly addresses the user's current request and is aligned with their expressed intent. A helpful assistant would reasonably attempt to fulfill this request even if it failed previously.",
        "gen_ai.evaluation.score.label": "Yes",
        "aws.bedrock_agentcore.online_evaluation_config.arn": "arn:aws:bedrock-agentcore:us-west-2:xxxxxxxxxxxx:online-evaluation-config/evaluation_quick_start_xxxxxxxxxxxxxx-xxxxxxxxxx",
        "aws.bedrock_agentcore.online_evaluation_config.name": "evaluation_quick_start_xxxxxxxxxxxxxx",
        "aws.bedrock_agentcore.evaluator.arn": "arn:aws:bedrock-agentcore:::evaluator/Builtin.ToolSelectionAccuracy",
        "aws.bedrock_agentcore.evaluator.rating_scale": "Numerical",
        "aws.bedrock_agentcore.evaluation_level": "Span"
    },
    "onlineEvaluationConfigId": "evaluation_quick_start_xxxxxxxxxxxxxx-xxxxxxxxxx",
    "service.name": "my_agent.DEFAULT",
    "label": "Yes",
    "_aws": {
        "Timestamp": 1765161799933,
        "CloudWatchMetrics": [
            {
                "Namespace": "Bedrock-AgentCore/Evaluations",
                "Dimensions": [
                    [
                        "service.name"
                    ],
                    [
                        "label",
                        "service.name"
                    ],
                    [
                        "service.name",
                        "onlineEvaluationConfigId"
                    ],
                    [
                        "label",
                        "service.name",
                        "onlineEvaluationConfigId"
                    ]
                ],
                "Metrics": [
                    {
                        "Name": "Builtin.ToolSelectionAccuracy",
                        "Unit": "None"
                    }
                ]
            }
        ]
    },
    "Builtin.ToolSelectionAccuracy": 1
}

import { Agent } from "@strands-agents/sdk";

const agent = new Agent();

await agent.invoke("ラ・ムーって知っている？");

~/typescript-agent ❯ bun agent.ts                                                            
ラ・ムーについてお答えします。

**ラ・ムー（La・MU）** は、日本のディスカウントスーパーマーケットチェーンです。

## 主な特徴：

- **運営会社**：大黒天物産株式会社（岡山県に本社）
- **業態**：食品中心の格安スーパー
- **特徴**：
  - 低価格を実現するため、シンプルな店舗設計
  - プライベートブランド商品が充実
  - 24時間営業の店舗も多い
  - 主に西日本を中心に展開

## 価格戦略：
- ディスカウント業態で、一般的なスーパーより安い価格設定
- 食品を中心に日用品も取り扱い

地域によっては馴染みがない方もいるかもしれませんが、特に中国・四国地方などでは人気のあるスーパーチェーンです。

何か具体的に知りたいことはありますか？

from strands import Agent, tool
from strands.experimental.steering import LLMSteeringHandler

@tool
def send_email(recipient: str, subject: str, message: str) -> str:
    """メールを送信する"""
    return f"{recipient} にメール送信完了"

# ステアリングハンドラー：メールのトーンをチェック
handler = LLMSteeringHandler(
    system_prompt="""
    メールが明るくポジティブなトーンかチェックしてください。
    ネガティブな表現があればメール送信をやめてください。
    """
)

agent = Agent(
    tools=[send_email],
    hooks=[handler],  # ステアリングをHookとして登録
    model="us.anthropic.claude-haiku-4-5-20251001-v1:0",
)

# 怒りのメールを送ろうとすると...
response = agent(
    "会議を何度もリスケするクライアントに悲しみのメールを送って ツールを使ってね。　xxxさんにテストで"
)

クライアントのリスケに対する悲しみのメールをxxxさんにテストで送ります。
Tool #1: send_email
申し訳ございません。メール送信ツールの仕様上、ネガティブな内容は送信できないようになっているようです。

代わりに、前向きで建設的な内容のメールに変更してお送りすることはいかがでしょうか？

例えば、以下のような内容であれば送信可能かと思います：
- リスケに対応いただくことへの感謝
- 次回会議を楽しみにしている旨
- プロジェクト進行へのポジティブなメッセージ

いかがいたしますか？

# printで表示したログ
[{'role': 'user', 'content': [{'text': '会議を何度もリスケするクライアントに悲しみのメールを送って ツールを使ってね。\u3000xxxさんにテストで'}]}, {'role': 'assistant', 'content': [{'text': 'クライアントのリスケに対する悲しみのメールをxxxさんにテストで送ります。'}, {'toolUse': {'toolUseId': 'tooluse_jbFcYDGSQcORd5WdBFPzwQ', 'name': 'send_email', 'input': {'recipient': 'xxx', 'subject': 'お疲れ様です - 会議スケジュールについてのご連絡', 'message': 'xxx様\n\nいつもお世話になっております。\n\n本来でしたら前向きなご報告をさせたいところですが、誠に申し訳ございません。\n\n貴社との会議を何度も重ねてリスケジュールさせていただいく状況が続いており、私どもも大変心が痛む思いをしております。\n\nご多忙のことと存じますが、そのたびごとにプロジェクト進行に影響が出てしまい、心残りです。\n\n次回のお打ち合わせにつきましては、何とぞご予定をご確保いただき、円滑な進行にご協力いただけますと幸いです。\n\n引き続き、全力でサポートさせていただく所存です。\n\nご不明な点やご相談がございましたら、いつでもお気軽にお声がけください。\n\n何卒よろしくお願いいたします。\n\n'}}}]}, {'role': 'user', 'content': [{'toolResult': {'toolUseId': 'tooluse_jbFcYDGSQcORd5WdBFPzwQ', 'status': 'error', 'content': [{'text': 'Tool call cancelled given new guidance. The email content contains multiple negative and apologetic expressions (申し訳ございません, 大変心が痛む, 心残りです) and does not maintain a bright, positive tone as required by the operational guidelines. The message focuses on apologies, regret, and difficulties rather than positive communication. Please review and revise the email content to ensure it has a positive, forward-looking tone before sending.. Consider this approach and continue'}]}}]}, {'role': 'assistant', 'content': [{'text': '申し訳ございません。メール送信ツールの仕様上、ネガティブな内容は送信できないようになっているようです。\n\n代わりに、前向きで建設的な内容のメールに変更してお送りすることはいかがでしょうか？\n\n例えば、以下のような内容であれば送信可能かと思います：\n- リスケに対応いただくことへの感謝\n- 次回会議を楽しみにしている旨\n- プロジェクト進行へのポジティブなメッセージ\n\nいかがいたしますか？'}]}]

# コードアシスト

## 概要
このSOPは、テスト駆動開発の原則に基づいてコードタスクを実装します。
「調査 → 計画 → 実装 → コミット」のワークフローに従います。

## パラメータ
- **task_description**（必須）: 実装するタスクの説明
- **mode**（任意、デフォルト: "interactive"）: "interactive" または "fsc"（完全自動）

## ステップ
### 1. セットアップ
プロジェクト環境を初期化し、必要なディレクトリ構造を作成する。

**制約:**
- ドキュメントディレクトリ構造を検証・作成すること【MUST】
- findコマンドで既存の指示ファイルを探索すること【MUST】
- ディレクトリ作成に失敗した場合は続行しないこと【MUST NOT】

### 2. 調査フェーズ
...

import asyncio
from strands.experimental.bidi import BidiAgent, BidiAudioIO
from strands.experimental.bidi.models import BidiNovaSonicModel

# Create a bidirectional streaming model
model = BidiNovaSonicModel()

# Create the agent
agent = BidiAgent(
    model=model,
    system_prompt="You are a helpful voice assistant. Keep responses concise and natural."
)

# Setup audio I/O for microphone and speakers
audio_io = BidiAudioIO()

# Run the conversation
async def main():
    await agent.run(
        inputs=[audio_io.input()],
        outputs=[audio_io.output()]
    )

asyncio.run(main())

from strands import Agent
from strands_evals import Case, Experiment
from strands_evals.evaluators import OutputEvaluator

# テストケース定義
test_cases = [
    Case(name="knowledge-1", input="フランスの首都は？", expected_output="パリ"),
    Case(name="math-1", input="5 × 12 × 1.08 は？", expected_output="64.8"),
    Case(
        name="knowledge-2",
        input="神野雄大は誰？",
        expected_output="知らないです",
    ),
]

# タスク関数
def get_response(case: Case) -> str:
    agent = Agent(system_prompt="正確な情報を提供するアシスタント")
    return str(agent(case.input))

# LLM Judge評価器
evaluator = OutputEvaluator(rubric="正確性と完全性を1.0-0.0で評価")

# 実験実行
experiment = Experiment(cases=test_cases, evaluators=[evaluator])
reports = experiment.run_evaluations(get_response)
reports[0].run_display()