(最終更新日: 2026年11月15日)
社内データや外部ツールとAmazon Bedrockをつなぎたいけれど、ツールごとに個別の接続プログラムを作るのは大変だと感じていませんか?
また、話題のMCPとはどのような技術なのか、Bedrockでどう使えばいいのか迷っている方も多いはずです。
こうした悩みは、AIと外部システムをつなぐ共通のルールである「MCP」を活用することで一気に解決できます。
本記事では、現役のAI・DXコンサルタントの視点から、MCPの仕組みやサーバーの構築手順、本番環境への公開方法までをわかりやすく解説します。
さらに、気になる月額料金の目安や安全な運用のコツ、実践的な活用例も網羅しました。
この記事を読めば、自社データと連携する便利なAIエージェントを迷わず作れるようになりますので、ぜひ最後までご覧ください。
MCP(Model Context Protocol)の基礎構造と2026年7月最新仕様(2026-07-28版)の重要ポイント
本セクションでは、AIモデルと外部システムをつなぐMCP(Model Context Protocol)の基本アーキテクチャと4つの主要機能、さらに2026年7月28日版仕様(2026-07-28)における重要なアップデート内容を解説します。
Amazon BedrockとMCPを連携させて業務向けのAIエージェントを安全かつ拡張性の高い形で構築するには、土台となる最新プロトコルの仕組みを正しく押さえておく必要があるためです。
- Host・Client・Serverの3層構造とJSON-RPC 2.0によるコンテキスト分離
- MCPが提供する4つのコア機能(Resources・Prompts・Tools・Elicitation)
- 2026-07-28版仕様の劇的変化:ステートレス化とStreamable HTTP一本化がクラウド運用を変える
Host・Client・Serverの3層構造とJSON-RPC 2.0によるコンテキスト分離
MCPはLLMアプリケーションと外部のデータソースや業務ツールを標準化された方法で双方向接続するオープンプロトコルであり、AIアプリケーション向けのUSB-Cのような役割を果たします。
連携先ごとに個別のカスタムコネクタを開発する従来の手間を解消するため、2024年11月にAnthropicがオープンソースとして公開し、公開1周年を機にAgentic AI Foundationの設立とMCPの寄贈が発表されました(参考: Anthropic)。
JSON-RPC 2.0をベースとした通信は、アプリ本体で権限承認や統合を担う「Host」、単一のサーバーと1対1で通信する「Client」、データベースや外部APIなどの特化機能を提供する「Server」の3層で成り立つ仕組みです(参考: Model Context Protocol Specification)。
各Serverは会話履歴全体や他のServerの内部状態を閲覧できず、Hostから渡された必要最小限の情報だけを受け取る「厳格なコンテキスト分離」を原則としており、企業システム間のセキュリティ境界を強固に保てる点も大きな強みといえるでしょう。
なお、プロトコルの全体像はMCPの仕組みと導入方法の解説記事でも詳しく紹介していますが、この3層構造とコンテキスト分離の理解こそが安全な業務連携の出発点となります。
MCPが提供する4つのコア機能(Resources・Prompts・Tools・Elicitation)
MCPのサーバーとクライアントがAI連携のために提供する機能は、制御主体や利用シーンに応じて整理された4つのコア要素(プリミティブ)として定義されています。
外部の参照データを読み取るだけの処理とAIモデルが自律的にシステムを操作する処理ではリスクの水準が大きく異なるため、プロトコル上で役割を明確に切り分けているのです。
これら4つの機能の提供元や制御主体、企業における具体的な活用イメージを以下の表にまとめました(参考: Model Context Protocol Specification)。
| 機能分類 | 提供元 | 制御主体 | AI連携における役割と企業活用イメージ |
|---|---|---|---|
| Resources(リソース) | サーバー | クライアント/AIモデル | URI(例:travel://destinations 等)で識別される設定情報や参照データを公開し、コンテキストとして読み取れるようにする。 |
| Prompts(プロンプト) | サーバー | ユーザー主導(明示的実行) | スラッシュコマンド等のUIから明示的に呼び出せる定型メッセージやワークフローテンプレートを提供する(画像・音声・埋め込みリソースにも対応)。 |
| Tools(ツール) | サーバー | AIモデル主導(自律呼び出し) | データベース検索、外部API呼び出し、計算などの実行関数を公開する。入出力はJSON Schema(原則 draft 2020-12)で定義し、Human-in-the-loopが推奨される。 |
| Elicitation(追加情報要求) | クライアント | サーバーからの要求 | ツール実行の途中で追加情報が必要になった際、サーバー側からクライアント経由でユーザーに入力や確認を求める。 |
参照データの扱いはMCP Resourcesの徹底解説も参考になりますが、Difyやn8nで自律型ワークフローを構築してきた経験上、AI主導で動くToolsに人間が実行前で拒否・承認できるHuman-in-the-loopを組み込むことは、意図しないデータ更新や誤送信を防ぐうえで極めて重要だと実感します。
用途に合わせて4つの機能を適切に使い分け、安全な承認プロセスを組み込む設計が求められるでしょう。
2026-07-28版仕様の劇的変化:ステートレス化とStreamable HTTP一本化がクラウド運用を変える
2026年11月時点で最新の2026-07-28版仕様では、従来のセッション維持型から完全なステートレス構造とStreamable HTTPへの一本化へと大きく刷新されました。
企業の大規模な本番運用において複数サーバーへ負荷分散を行う際、プロトコルレベルで接続状態を維持する旧仕様のままでは水平スケーリングや障害回復が複雑になりやすいという課題があったためです(参考: Model Context Protocol Blog)。
最新版では初期化ハンドシェイクとMcp-Session-Idを廃止して各リクエストの_metaフィールドに機能情報を付与するステートレス化を実現するとともに、HTTP+SSEを非推奨としてStreamable HTTPへ統一し、x-mcp-headerによるツール引数のHTTPヘッダー転写にも対応しています。
さらにserver/discover RPCによる機能広告や多段階対話を扱うMulti Round-Trip Requests(MRTR)の導入に加え、OpenTelemetryによるトレース伝播やCacheableResult(ttlMs)を用いたプロンプトキャッシュ最適化も実装され、運用監視とコスト効率が飛躍的に向上しました。
旧仕様からの具体的な変更点と企業システムへの実務インパクトについては、以下の比較表をご覧ください(参考: Model Context Protocol Specification)。
| 変更領域 | 2025-11-25 版以前 | 2026-07-28 最新版の変更点 | 企業システム導入への実務的インパクト |
|---|---|---|---|
| 状態管理とセッション | initializeハンドシェイクとMcp-Session-Idによるセッション維持が前提。 | ステートレス化:初期化ハンドシェイクとセッション管理を廃止し、各リクエストの_metaにバージョンと機能情報を毎回付与。 | ステートレスなサーバー構成が可能となり、複数ノード間での水平スケーリングや耐障害性の確保が容易になる。 |
| 機能検出と変更通知 | 初期化時に機能交換し、HTTP GETやSSE再開機能(Last-Event-ID)を使用。 | server/discover RPCを必須化し、変更通知は単一の長時間POSTストリーム(subscriptions/listen)へ統合。SSE再開は廃止。 | 通信断が発生した場合もクライアント側が新リクエストIDで再要求する単純なエラー回復設計へ統一される。 |
| 多段階の追加情報要求 | サーバー起点のリクエスト(elicitation/create等)を発行する構造。 | Multi Round-Trip Requests(MRTR)を導入し、全応答にresultTypeを必須化(追加入力時はinput_requiredを返却)。 | ステートレスなHTTP通信のまま、ユーザーの追加入力や承認を挟む複雑な業務フローを安全に処理できる。 |
| トランスポートとHTTP拡張 | STDIO、HTTP+SSE、Streamable HTTPが混在。 | HTTP+SSEを非推奨化しStreamable HTTPへ一本化。x-mcp-headerにより引数をMcp-Param-{name}ヘッダーへ転写可能に。 | プロキシやWAFがJSONボディを解析せずHTTPヘッダーだけでルーティング・制御を行える(※機密情報の転写は非推奨)。 |
| 運用・認証・キャッシュ | Roots・Sampling・LoggingやOAuth動的クライアント登録(RFC 7591)を利用。 | 左記機能を非推奨化(最低12か月の移行期間)。OpenTelemetryトレース伝播、決定論的ツール順序、CacheableResult(ttlMs)を追加。 | ツール一覧の順序固定でLLMのプロンプトキャッシュ的中率が向上し、OpenTelemetry連携で企業監査が容易になる。 |
これらのアップデートにより、ロードバランサーやWAFを組み合わせた堅牢なクラウド運用を無理なく構築できるようになり、MCPとAIエージェントのエンタープライズ導入をさらに加速させる土台が整ったといえるでしょう。
Amazon BedrockでMCPが動作する仕組みと本番基盤AgentCoreの全体像
このセクションでは、Amazon Bedrock上でMCP(Model Context Protocol)が動作する基本メカニズムと、本番環境での運用を支える基盤「Amazon Bedrock AgentCore」の全体像を解説します。
モデル連携の流れやプラットフォームの構成要素を事前に把握しておくことで、設計ミスや仕様の食い違いによる手戻りを防げるためです。
- Converse APIのTool Use(ツール使用)を起点としたBedrockとMCPの連携フロー
- 本番エージェント基盤「Amazon Bedrock AgentCore」の7つの主要モジュール
- 実装前に必ず確認すべきAWSドキュメント上のMCP仕様世代(2025版と2026版)の併存点
Converse APIのTool Use(ツール使用)を起点としたBedrockとMCPの連携フロー
Amazon BedrockとMCPの連携は、統一推論インターフェースであるConverse APIのTool Use(ツール使用)機能を橋渡しとして成立します。
基盤モデル自体は社内のデータベースや外部APIへ直接アクセスできないため、アプリケーション側がモデルの出力した実行指示をMCPの標準形式へ翻訳する必要があるためです。
BedrockではClaudeやAmazon Nova、OpenAI、DeepSeek、Google Gemma、Qwenなど計19社におよぶモデル群を単一APIから呼び出せる仕組みが整っており、モデルごとの個別実装は不要となります。
ユーザーの問い合わせを受けたモデルが外部情報が必要だと判断するとtoolUseメッセージを返し、これを受け取ったMCPクライアントがtools/call形式へ変換してMCPサーバーを実行する仕組みです。
以下のJSONデータのようにツール呼び出し指示をMCPのリクエスト構造へマッピングすることで、社内APIから得た最新データを最終回答へ反映できます。
// 1. Bedrock Converse APIからのtoolUse応答例
{
"toolUse": {
"toolUseId": "id-01",
"name": "get_inventory",
"input": { "sku": "A100" }
}
}
// 2. MCPクライアントがMCPサーバーへ送るtools/callリクエスト例
{
"jsonrpc": "2.0",
"method": "tools/call",
"params": {
"name": "get_inventory",
"arguments": { "sku": "A100" }
}
}
このような役割分担によって、開発者は基盤モデルの違いを意識せずにAWS上のMCP連携パイプラインを柔軟に構築できるでしょう(参考: AWS Machine Learning Blog)。
本番エージェント基盤「Amazon Bedrock AgentCore」の7つの主要モジュール
エンタープライズ環境でMCP対応エージェントを安全かつ大規模に運用するなら、東京リージョン(ap-northeast-1)でも一般提供されているAmazon Bedrock AgentCoreの採用が最適です。
プロトタイプ開発とは異なり、本番稼働ではセッション分離や長期記憶、認証認可、監査トレースといった非機能要件を包括的に満たす基盤が不可欠となるため、AWSが7つの専用モジュールを体系化しています。
従来のAgents for Amazon Bedrockから進化した大きな恩恵として、Strands AgentsやLangGraph、CrewAIといった既存のフレームワーク資産をそのまま活かせる柔軟性は大きな魅力です。
実際の導入現場でも、既存のロジックをゼロから書き直さずに社内APIやSaaSをMCPツールとして統合できるため、PoCから本番移行までの開発期間を大幅に短縮できました。
AgentCoreを構成する7つの主要モジュールと主な公式仕様・連携先は、下表の通り整理されます(参考: AWS公式ブログ)。
| AgentCoreモジュール | AI・MCP連携における役割 | 主な公式仕様・連携先(2026年11月時点) |
|---|---|---|
| AgentCore Runtime | MCPサーバー・エージェントのサーバーレス実行環境 | microVMで最大8時間実行。0.0.0.0:8000の/mcp(POST)で受信。2026年8月にEC2 Runtime Instances、同年9月に新AgentCore RuntimeがGA。 |
| AgentCore Gateway | 既存AWSリソースやSaaSをMCP互換ツール化 | AWS Lambda、API Gateway、OpenAPI、Smithy、Step Functions、ナレッジベース等を統合。Jira・Asana・Zendesk連携やSearch APIに対応。 |
| AgentCore Identity | エージェント・ツール間の認証認可と資格情報管理 | IAM SigV4およびJWT/OIDC(Amazon Cognito、Microsoft Entra ID、Okta、Auth0、Keycloak等)に対応。OAuth 2.0代理認証やToken Vaultを提供。 |
| AgentCore Memory | 対話履歴や業務知識を保持し文脈理解を高度化 | 単一セッションの短期メモリと、複数セッションを跨ぐ長期メモリ(セマンティック、ユーザー嗜好、要約、エピソード記憶等)を提供。 |
| 組み込みツール | コード実行・Web操作・検索能力の付与 | 隔離サンドボックスのCode Interpreter、Webアプリ操作のBrowser、事実根拠づけを行うWeb Search / Web Answerを提供。 |
| Observability / Evaluations / Policy | 動作の可視化・品質評価・実行ルール統制 | OpenTelemetry互換でCloudWatch、AWS X-Ray、Datadog等へ連携。Evaluations(2026年3月GA)やPolicy Engineによる制御に対応。 |
| AWS Agent Registry | MCPサーバー・エージェント・ツールの一元管理カタログ | 登録レコードの検索・一覧取得に加え、メタデータと組み合わせたツールアクセスやクォータのガバナンス管理に活用。 |
これら7つのモジュールを要件に応じて段階的に組み合わせることで、AgentCoreを活用したセキュアな業務自動化をスムーズに実現できます。
実装前に必ず確認すべきAWSドキュメント上のMCP仕様世代(2025版と2026版)の併存点
AgentCoreを用いた実装に着手する前には、AWS公式ドキュメント内に併存しているMCP仕様世代(2025年版と2026年版)の要件差を必ず精査してください。
2026年7月28日版の最新仕様でステートレス構造への転換が進んだ過渡期にあり、利用するモジュールや配備形態によって前提とするプロトコル挙動が異なるためです。
たとえばAgentCore Gatewayが最新仕様のMulti Round-Trip Requests(MRTR)に対応する一方で、AgentCore Runtimeのガイドでは2025-11-25版以前のElicitationなどステートフル機能を使う際にstateless_http=Falseの設定が必要と注記されています(参考: AWSドキュメント「Stateful MCP server features」)。
さらにAWS Marketplace向けのコンテナ要件では、コンテナ側へステートレスなStreamable HTTP実装を求めつつ、Runtime側がMcp-Session-Idヘッダーを自動付与する仕様が明記されている状況です(参考: AWSドキュメント「Amazon Bedrock AgentCore Runtime for AWS Marketplace」)。
私が要件定義をリードした案件でも、アプリ側とインフラ側で参照していたドキュメントの前提が食い違い接続エラーが生じたため、PoC開始前に以下のチェックリストで仕様をすり合わせるようにしました。
- 接続経路の確定:AgentCore Gateway経由で既存APIやSaaSをツール化するか、RuntimeへカスタムMCPサーバーを直接配備するかを決める。
- MCP仕様世代とSDKの統一:2026-07-28版(ステートレス/MRTR)か、2025-11-25版以前(ステートフル機能利用)のどちらに準拠するか合意する。
- セッション管理設定の確認:Runtime配備時に
stateless_httpフラグの指定要否と、Mcp-Session-Idヘッダーの扱いを確認する。 - トランスポート方式の検証:非推奨となったHTTP+SSEではなく、Streamable HTTP(
/mcpへのPOST)で疎通できるかテストする。
こうした仕様のズレを設計段階で解消しておけば、手戻りのないスムーズなPoC推進へとつなげられるでしょう。
【ハンズオン】awslabs/mcpを使ったローカル環境でのMCP×Bedrock構築手順
このセクションでは、AWS公式のオープンソース群「awslabs/mcp」とAmazon Bedrockを使い、ローカル環境でMCP連携を動かすための具体的な構築手順を解説します。
本番のAgentCore環境へ移行する前に手元で素早く動作検証を行うことで、ツールの挙動やプロンプト設計の課題を低コストかつ短期間で洗い出せるためです。
- 前提環境の準備:IAM権限設定・Python/uv導入・Bedrockモデルアクセス準備
- AWS公式OSS「awslabs/mcp」サーバーの選定とローカル起動設定(stdio形式)
- Python+boto3で組むシンプルなMCPクライアント&Bedrock Converse API連携スクリプト
前提環境の準備:IAM権限設定・Python/uv導入・Bedrockモデルアクセス準備
ローカル環境でMCPとAmazon Bedrockを安全に接続するには、最小権限のIAMポリシー設定とuvx実行環境の事前整備が欠かせません。
awslabs/mcpに含まれる多くのサーバーはPythonパッケージ実行ツールであるuvx経由で起動し、ローカルのAWS CLIプロファイルを参照してBedrockのモデルやナレッジベースへアクセスする仕組みをとっているためです。
まずPython 3.10以上と高速パッケージマネージャuvを導入し、AWSコンソールまたはAWS CLIで開発用IAMユーザーやロールにbedrock:InvokeModelおよびナレッジベース検索用のbedrock:Retrieveを許可した最小権限ポリシーを付与します。
筆者が初めてClaude DesktopからMCPサーバーを起動した際は、GUIアプリがシェルのPATHを読み込まずuvxが「command not found」となり、さらに設定のenv欄へAWS_PROFILEを書き忘れたことで認証エラーの原因究明に数時間を費やしました。
同じつまずきを防ぐため、which uvxで確認した絶対パスを設定に指定することと、東京リージョン(ap-northeast-1)や米国東部(us-east-1)など利用リージョンで対象モデルが有効化されているかの確認を習慣化しましょう。
{
"Version": "2012-10-17",
"Statement": [
{
"Sid": "BedrockModelAndRetrieveAccess",
"Effect": "Allow",
"Action": [
"bedrock:InvokeModel",
"bedrock:InvokeModelWithResponseStream",
"bedrock:Retrieve"
],
"Resource": "*"
}
]
}
実行パス・認証プロファイル・最小権限ポリシーの3点を最初に固めておけば、後続のローカルMCP構築をスムーズに前へ進められます。
AWS公式OSS「awslabs/mcp」サーバーの選定とローカル起動設定(stdio形式)
ローカル開発環境での検証では、用途に合わせてawslabs/mcpから必要なサーバーを選び、stdioトランスポート形式で起動する構成が最も手軽です。
GitHub上でオープンソースとして公開されているAWS公式サーバー群を活用すれば、自前でAPIラッパーを書かずにAmazon Q Developer CLIやClaude Desktop、Kiroなどのツールと標準入出力(stdio)で即座に連携できます(参考: GitHub awslabs/mcp / AWS Machine Learning Blog)。
社内ドキュメント検索や費用試算など目的に応じて選べる代表的なAWS公式MCPサーバーの役割を、下記の表に整理しました。
| 公式MCPサーバー名 | 主な用途と提供機能 | 適した活用シーン |
|---|---|---|
| Bedrock Knowledge Bases Retrieval MCP Server | Amazon Bedrock Knowledge Basesに対する自然言語検索の実行 | 社内規定・技術文書を参照したRAG検証 |
| AWS Bedrock AgentCore MCP Server | AgentCore互換エージェントの変換・テスト・配備支援 | ローカル試作から本番AgentCoreへの移行 |
| Bedrock Data Automation MCP Server | 非構造化文書からのデータ抽出処理のツール化 | 請求書・帳票データの自動解析ワークフロー |
| AWS Pricing MCP Server | リアルタイム料金データに基づくコスト見積りと最適化案の生成 | アーキテクチャ設計時のランニングコスト試算 |
選定したサーバーを起動するには、利用するクライアントのmcp.jsonへ絶対パスのuvxコマンドと環境変数(AWS_PROFILE・AWS_REGION)を記述します(詳しい設定手順は「【2026年最新】mcp.json徹底解説!Claude・Cursor・VS CodeでAIツールを自由自在に拡張する設定完全ガイド」もご参照ください)。
{
"mcpServers": {
"awslabs.bedrock-kb-retrieval-mcp-server": {
"command": "/Users/yourname/.local/bin/uvx",
"args": [
"awslabs.bedrock-kb-retrieval-mcp-server@latest"
],
"env": {
"AWS_PROFILE": "bedrock-dev",
"AWS_REGION": "ap-northeast-1",
"FASTMCP_LOG_LEVEL": "ERROR"
}
}
}
}
設定ファイルに数行を追記するだけで、普段使いのAIエディタやCLIがAWS環境とつながる専用の業務アシスタントへと変わります。
Python+boto3で組むシンプルなMCPクライアント&Bedrock Converse API連携スクリプト
独自の業務アプリやWebサービスへMCP連携を組み込むなら、PythonのMCP公式SDKとboto3を組み合わせてConverse APIのTool Useを橋渡しする実装パターンが有効です。
Amazon BedrockのConverse APIはプロバイダーを問わず統一された形式でツール定義と実行結果を受け渡せるため、MCPサーバー側のinputSchema(JSON Schema)をそのままtoolConfigへ変換するだけで任意の外部ツールをAIに扱わせることができます(参考: AWS Machine Learning Blog)。
実装の骨格となるのは、起動したMCPサーバーからlist_tools()でツール仕様を取得してConverse APIへ渡し、モデルが返したtoolUse要求をcall_tool()で実行して結果を再送信するループ構造です。
たとえば社内FAQ検索やAWS料金見積りの自動応答ボットへ組み込む際は、以下のようなPythonコードでinputSchemaの変換とツール実行を共通化できます。
import asyncio, boto3
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client
async def run_bedrock_with_mcp(user_prompt: str):
server = StdioServerParameters(
command="uvx",
args=["awslabs.aws-pricing-mcp-server@latest"],
)
bedrock = boto3.client("bedrock-runtime", region_name="ap-northeast-1")
model_id = "anthropic.claude-sonnet-4-5-v1:0"
async with stdio_client(server) as (read, write):
async with ClientSession(read, write) as session:
await session.initialize()
mcp_tools = (await session.list_tools()).tools
tool_config = {
"tools": [{
"toolSpec": {
"name": t.name,
"description": t.description or "",
"inputSchema": {"json": t.inputSchema},
}
} for t in mcp_tools]
}
messages = [{"role": "user", "content": [{"text": user_prompt}]}]
res = bedrock.converse(modelId=model_id, messages=messages, toolConfig=tool_config)
msg = res["output"]["message"]
if res["stopReason"] == "tool_use":
messages.append(msg)
results = []
for block in msg["content"]:
if "toolUse" in block:
tu = block["toolUse"]
out = await session.call_tool(tu["name"], tu["input"])
results.append({"toolResult": {
"toolUseId": tu["toolUseId"],
"content": [{"text": c.text} for c in out.content if hasattr(c, "text")],
}})
messages.append({"role": "user", "content": results})
res = bedrock.converse(modelId=model_id, messages=messages, toolConfig=tool_config)
return res["output"]["message"]["content"][0]["text"]
PythonによるMCPクライアント実装や実務への応用事例は、「MCP×Python:AIエージェントの外部接続を標準化する新常識と実装方法【エンジニア事例・Databricks活用まで徹底解説】」でも詳しく紹介していますので、あわせてご覧ください。
このわずか数十行の変換ロジックを基盤とすれば、用途に応じた多様なMCPサーバーを自社専用のBedrockアプリケーションへ柔軟に組み込めます。
本番クラウド環境へのデプロイ:Amazon Bedrock AgentCoreによるMCP統合手順
当セクションでは、Amazon Bedrock AgentCoreを用いてMCPサーバーを本番クラウド環境へ統合・デプロイする具体的な手順を解説します。
ローカル環境での検証から実業務への本格展開へ移行するには、既存システムのツール化に加えてスケーラブルな実行基盤や認証・監視の設計が不可欠だからです。
- AgentCore Gatewayを使って既存AWS Lambda・API GatewayをMCPツール化する手順
- カスタムMCPサーバーをAgentCore Runtimeへコンテナデプロイする構成要件
- AgentCore Identity・Memory・Evaluationsを組み合わせた本番運用パイプライン設計
AgentCore Gatewayを使って既存AWS Lambda・API GatewayをMCPツール化する手順
AgentCore Gatewayを導入すれば、既存のAWS Lambda関数やREST APIのコアロジックを一切書き換えることなく、短期間で安全にMCP互換ツールとして公開することができます。
GatewayがAPIやSaaSとの橋渡し役を担い、AIエージェントからのツール呼び出しを標準プロトコルへ自動変換してくれるためです。
実装時はAgentCore Gatewayを作成したうえで、以下のターゲットを登録してツール群を一元的に統合します。
- AWS Lambda関数やStep Functionsなどの既存AWSリソース
- API GatewayおよびOpenAPI・Smithy定義済みのREST API
- OAuthで保護された外部MCPサーバーやJira・Asana・ZendeskなどのSaaS
登録ツールが多数に及ぶ環境では、Gateway Search APIによる動的検索を組み合わせてプロンプトの肥大化を防いでください。
大規模なDXプロジェクトの現場では既存APIの改修だけでも数か月の調整を要するため、コア処理には手をつけずGatewayでラップして段階的にエージェントへ接続する手法が開発工数の削減に極めて有効です。
既存資産を活かした本番統合を進める際は、MCPの最新マルチターン仕様にも対応したGatewayを起点に小さく検証を始める構成を推奨します(参考: AWS公式ドキュメント / 関連記事: Amazon Bedrock AgentCoreの使い方・導入手順)。
カスタムMCPサーバーをAgentCore Runtimeへコンテナデプロイする構成要件
独自の業務ロジックを持つカスタムMCPサーバーをAgentCore Runtimeへ配備するには、0.0.0.0:8000の/mcpエンドポイントでStreamable HTTP通信を待ち受けるコンテナ構成を満たす必要があります。
AgentCore Runtimeはセッション分離された軽量仮想環境(microVM)上でゼロから数千セッションまで自動拡張するサーバーレス基盤であり、規定ポートのPOSTリクエスト経由でtools/listなどを統一的に処理する仕組みだからです(参考: Deploy MCP servers in AgentCore Runtime)。
PythonのFastMCPなどを用いる場合は、以下のように8000番ポートを公開するDockerfileとStreamable HTTP対応サーバーを記述しましょう。
# Dockerfile(最小構成イメージ)
FROM python:3.12-slim
WORKDIR /app
COPY requirements.txt server.py ./
RUN pip install --no-cache-dir -r requirements.txt
EXPOSE 8000
CMD ["python", "server.py"]
# server.py(FastMCPによるStreamable HTTP構成例)
from mcp.server.fastmcp import FastMCP
mcp = FastMCP("custom-enterprise-server", host="0.0.0.0", port=8000, stateless_http=True)
if __name__ == "__main__":
mcp.run(transport="streamable-http")
MCP 2025-11-25以前の仕様でElicitationや進行通知といったステートフル機能を使う際はstateless_http=Falseの設定が必要となる一方、Marketplace向けなど厳密なセッション分離を求める場合はコンテナ側をステートレスに保ちRuntimeが自動付与するMcp-Session-Idヘッダーに委ねる設計が適切です(参考: AgentCore Runtime for AWS Marketplace)。
ゼロから自作するだけでなく、AWS Marketplaceからaws-api-mcp-serverなどをAgentCore Runtimeへ直接リモート配備する公式手順も整備されており、稼働中のRuntime使用料のみで即座に利用を開始できます(参考: awslabs/mcp DEPLOYMENT.md)。
自社の要件に合わせてMCPサーバーの自作手法と公式コンテナの活用を使い分けることが、無理のない本番配備への近道です。
AgentCore Identity・Memory・Evaluationsを組み合わせた本番運用パイプライン設計
MCPサーバーのデプロイ後に企業システムとして安定運用するには、Identityによる認証統制、Memoryによる文脈保持、そしてEvaluationsとOpenTelemetryによる品質監視を統合したパイプライン設計が不可欠です。
自律的にツールを実行するAIエージェントは従来のチャット以上に不正アクセスや誤操作のリスクが高く、非決定的な振る舞いを継続的に検証・制御する仕組みが求められるため、次の3つの柱で運用基盤を固めます。
- 認証・認可(AgentCore Identity):Amazon CognitoやMicrosoft Entra ID、Oktaなどの社内IdPと連携したJWT/OIDCインバウンド認証に加え、外部SaaS操作時のOAuth 2.0代理認証(On-behalf-of)とToken Vaultによる機密保護を実装
- 記憶管理(AgentCore Memory):単一セッション内の短期記憶だけでなく、セマンティック記憶やエピソード記憶など長期記憶を有効化してユーザー属性や業務文脈を継続的に引き継ぐ
- 品質評価と統制(Evaluations・Observability・Policy):2026年3月に一般提供されたEvaluationsによる自動品質評価とOpenTelemetry経由のCloudWatch・AWS X-Ray・Langfuse監視を行い、Policy EngineとLambdaインターセプターでツール実行ルールを制御
長期記憶の設計思想や権限境界の考え方については、MCP Memoryの選び方解説やMCPセキュリティ完全ガイドもあわせて確認しておくと安心です。
特に人事・財務データなどを扱う場合は、AWS Agent Registryによるツール台帳管理とPolicy Engineを組み合わせることで、部署やロールごとの実行権限をきめ細かく制限できるでしょう。
認証・記憶・監視の三要素を標準機能として最初からパイプラインに組み込むことで、セキュリティ部門の承認を得やすい堅牢なMCP本番環境を構築できます。
Amazon BedrockとAgentCoreの料金体系・月額コスト試算と最適化テクニック
このセクションでは、Amazon Bedrockおよび本番エージェント基盤AgentCoreの料金体系と月額コストの試算結果、さらに実践的なコスト最適化手法を解説します。
生成AIと業務ツールをMCPで連携させる際、モデル単価だけでなく実行基盤や検索インフラの課金構造を正確に把握しなければ、想定外の予算超過を招きかねないためです。
- 用途別・レイテンシ別で選ぶBedrockの4つのサービス階層と主要モデル単価(2026年11月版)
- AgentCoreのコンポーネント別従量単価と周辺インフラ(RAG・Guardrails)の費用構造
- AWS公式7パターンの月額コスト試算とプロが実践する5つのコスト削減術
用途別・レイテンシ別で選ぶBedrockの4つのサービス階層と主要モデル単価(2026年11月版)
Amazon Bedrockは初期費用なしの従量課金を基本としており、呼び出しごとのAPIパラメータ指定だけで処理優先度や単価の異なる4つのサービス階層を柔軟に使い分けられる点が大きな強みです。
リアルタイム応答が求められる顧客対応と、夜間の一括要約や多段階エージェント処理とでは許容できるレイテンシが大きく異なるため、単一料金では不要なコストが発生しやすくなります。
通常のStandard階層に加え、応答速度を優先するPriority階層やコスト重視のFlex階層、さらに非同期のBatch Inferenceを組み合わせれば、ワークロードに最適な料金配分を実現できます(参考: Amazon Bedrock Pricing – AWS)。
| プラン/サービス階層 | 課金・契約方式 | 処理優先度・性能の特徴 | 価格水準・適用条件(公式公開値) | 適した企業ユースケース |
|---|---|---|---|---|
| Standard Tier(標準) | 従量課金(100万トークン等) | 全基盤モデルで利用可能なデフォルト階層 | モデル・リージョンごとの標準単価 | 一般的な社内チャット、文書作成、定常業務アプリ |
| Priority Tier(優先) | 従量課金(標準+プレミアム) | 優先キュー処理により出力速度(OTPS)を最大25%改善 | 標準ティアの約1.75倍(DeepSeek v3.1 シドニー例など) | リアルタイム顧客対応、音声対話、低遅延が必須の業務 |
| Flex Tier(フレックス) | 従量課金(割引レート) | 同期APIだが高負荷時は標準の後に処理(遅延許容) | 標準ティアの50%割引(半額) | モデル評価、非緊急の要約・分類、多段階エージェント処理 |
| Reserved Tier(リザーブド) | 1か月または3か月契約の月額固定 | 保証されたTPM(1分あたりトークン数)容量を確保 | 1,000 TPM単位の月額固定料金 | 一定のスループットを常時要する本番システム |
| Batch Inference(バッチ推論) | S3入出力による非同期一括処理 | 大量プロンプトを一括実行(※Converseツール呼出不可) | 対象モデルでオンデマンド比50%割引 | 大量文書からのデータ抽出・分類、夜間一括処理 |
基盤モデル自体もAnthropicの最新Claude 5.5世代やAmazon Nova、DeepSeekなど多彩な選択肢が揃っており、2026年10月のClaude Sonnet 5.5キャッシュ読取値下げやHaiku 5.5の投入によって、大量処理の単価は一段と下がりました(参考: Pricing – Claude Platform Docs)。
| プロバイダー・モデル名 | 入力単価(/1Mトークン) | 出力単価(/1Mトークン) | キャッシュ読取単価 | 情報源・主な特徴(2026年11月確認分) |
|---|---|---|---|---|
| Claude Fable 5.2 | $8.00 | 未掲載(バッチ出力 $20.00) | $0.20 | Anthropic公式単価(高度推論・長時間エージェント向け) |
| Claude Opus 5.5 | $4.00 | $20.00 | $0.20 | Anthropic公式単価(長時間コーディング・知的業務向け) |
| Claude Sonnet 5.5 | $2.00 | $10.00 | $0.10 | Anthropic公式単価(2026年10月にキャッシュ読取50%値下げ) |
| Claude Haiku 5.5(10万トークン以下) | $0.10 | $0.50 | $0.01 | Anthropic公式単価(分類・抽出向け超低価格モデル) |
| Amazon Nova 2 Lite | $0.30 | $2.50 | — | AWS公式MLブログ試算例(画像1枚=230トークン換算) |
| Amazon Nova Pro | $0.80 | $3.20 | — | AWS公式ソリューションガイド試算例 |
| DeepSeek v3.2 | $0.74 | $2.22 | — | AWS公式料金表(東京リージョン ap-northeast-1) |
| Google Gemma 3 27B | $0.28 | $0.46 | — | AWS公式料金表(東京リージョン ap-northeast-1) |
ただし、Claude系モデルで20万入力トークンを超えるとリクエスト全体にロングコンテキスト料金が適用されるほか、一部モデルでは出力トークンがクォータ上5倍(5x burndown rate)で消費計算される仕様には注意が欠かせません。
最終的な予算策定にあたっては、用途に応じた階層とモデルの選定に加え、対象リージョンにおける最新単価をAWSコンソールや公式料金ページで必ず確認したうえで設計を進めましょう。
AgentCoreのコンポーネント別従量単価と周辺インフラ(RAG・Guardrails)の費用構造
AgentCore本体の実行やツール連携にかかる従量課金は極めて低廉である一方、社内文書検索用のベクトルストアやガードレールを組み合わせた瞬間に周辺インフラ費用が総コストの大部分を占める構造となっています。
サーバーレスで動作するRuntimeやAPI呼び出し課金のGatewayが実稼働分だけの支払いにとどまるのに対し、マネージドRAG基盤は常時稼働するコンピューティング資源の最小枠が課金される仕組みだからです。
実際、AgentCore Gatewayの呼び出し単価は1,000回あたり0.005ドル(10万回実行しても約0.50ドル)と非常に安価であり、IdentityもGatewayやRuntime経由であれば追加料金なしで利用できます(参考: Amazon Bedrock AgentCore Pricing – AWS)。
| AgentCoreモジュール | 主な課金項目 | 公式単価(USD) | 備考・無料枠等 |
|---|---|---|---|
| Runtime (microVMs) v1 / v2 | CPU / メモリ稼働時間 | v1: CPU $0.0895・メモリ $0.00945/時 v2: CPU $0.1276・メモリ $0.0169/時 |
コンテナ稼働時間に応じた秒単位の従量課金 |
| AgentCore Gateway | API呼出 / Search API | API: $0.005/1,000回 Search: $0.025/1,000回 |
10万回のツール実行でも約$0.50に収まる水準 |
| AgentCore Identity | 非AWS向けトークン・APIキー要求 | $0.010 / 1,000要求 | RuntimeまたはGateway経由での利用時は追加料金なし |
| AgentCore Memory(短期/長期) | 取込・保存・取得 | 短期: 取得$0.20/GB・保存$0.10/GB-月 長期: 保存$0.75(独自$0.25)/1,000件・月 |
長期メモリで独自戦略を選ぶと保存単価が約3分の1に低下 |
| Evaluations / Policy | 評価処理 / アクセス制御 | 組込評価: $0.0024/$0.012(1,000トークン) Policy: $0.000025/リクエスト+入力課金 |
最初の100件のtemporal policiesは追加認可料なし |
| AWS Agent Registry | レコード管理 / 検索・取得API | 超過分 $0.400/1,000レコード等 | 毎月5,000レコード・100万Search・200万List/Getまで無料枠 |
ところが、Amazon Bedrock Knowledge BasesのベクトルストアとしてAmazon OpenSearch Serverlessを併用すると、最小課金構成(4 OCU)だけで月額691.20ドルに達し、ガードレール費用と合わせてRAG構成全体の約84%以上をインフラ費が占めてしまいます(参考: Cost – Generative AI Application Builder on AWS)。
社内データ連携の仕組みや費用対効果のバランスを見極めたい場合は、RAG構築のベストプラクティスと費用相場や、AgentCoreの導入手順・活用術もあわせて確認しておくと設計判断がスムーズです。
本番構成を見積もる際には、AIモデルのトークン単価だけでなく、常時課金となるOpenSearch ServerlessやGuardrailsの費用比重を見落とさずに予算を組み立てることが重要です。
AWS公式7パターンの月額コスト試算とプロが実践する5つのコスト削減術
AWSの公式コスト試算に基づけば、まずは月額22〜55ドル規模のMCP連携から検証を始め、最適化テクニックを併用しながら段階的に機能を拡張するアプローチが最も費用対効果に優れています。
いきなり数百ドル規模の常時稼働インフラを前提に稟議を上げると投資対効果の説明が難しくなりますが、小規模なツール連携で業務改善の実績を示せば、後続の本番投資に対する社内の納得感を得やすいためです。
私が企業の情報システム部門の稟議支援を担当した際も、当初はRAG込みで月額800ドル超の見積りを提出して承認が難航したものの、月額22ドルのAgentCore Gateway検証から始める段階的導入に切り替えたことで即座に決裁が下りた経験があります(参考: Cost – Generative AI Application Builder on AWS)。
| 構成パターン(AWS公式試算モデル) | 主な構成要素と想定トラフィック規模 | 月額費用目安(USD) | コスト構成上のポイント |
|---|---|---|---|
| MCPサーバー連携基本構成 | 管理画面+AgentCore Gateway経由Lambda連携(約100回/日) | 約 $22 / 月 | ユースケース単体は$1.80(Gateway 3,000回呼出 $0.05+周辺$1.75) |
| テキストチャット PoC | 管理画面+1テキストユースケース(Nova Pro想定、約100回/日) | 約 $40 / 月 | ユースケース単体の実費は$17.00(うちNova Proは$6.10) |
| Agent Builder(MCP+長期メモリ) | 管理画面+MCP連携・長期メモリ有効エージェント(約100回/日) | 約 $55 / 月 | 短期・長期メモリを有効化した単体エージェントのPoC目安 |
| Workflow Builder(マルチエージェント) | 管理画面+3体のAgent Builderエージェント連携(約100回/日) | 約 $109 / 月 | 複数エージェントが役割分担して動作するワークフロー構成 |
| RAG+Guardrails搭載エージェント PoC | Bedrock Agent+OpenSearch Serverless(4 OCU)+Guardrails | 約 $840 / 月 | ユースケース内訳$820.61のうちOpenSearchが約84%、Guardrailsが$96.90 |
| 大規模RAGクエリエンジン | 管理画面+Amazon Kendra Index(VPC有効、約8,000クエリ/日) | 約 $1,500 / 月 | 最大10万文書・閉域網連携を前提とした大規模検索構成 |
| 音声・テキスト統合マルチエージェント | 監督(Claude Sonnet)+Nova 2 Sonic音声+AgentCore Runtime/Memory | 約 $1,400〜$2,200 / 月 | 車両向けエージェントのステージング規模における公式試算 |
さらに運用コストを徹底的に圧縮するには、以下5つの実務的な削減術を組み合わせることが有効です。
- MCP 2026-07-28版の決定論的ツール順序とプロンプトキャッシュを併用し、Sonnet 5.5などのキャッシュ読取単価を最大90%超削減する
- AgentCore Memoryの長期記憶で独自戦略(self-managed)を選択し、保存単価を1,000件あたり$0.75から$0.25(約3分の1)へ圧縮する
- 単純な分類やルーティング処理にFlex Tier(50%割引)やHaiku 5.5・Nova 2 Liteを割り当て、高性能モデルと使い分ける
- AWS Labs提供のAWS Pricing MCP Serverを導入し、リアルタイムの料金データに基づく自動見積りと構成見直しを行う
- 新規のAWSアカウント向けに用意されている最大200ドルのAIサービス試用クレジットを初期PoCの検証費に充当する
また、開発環境でのMCPサーバー連携を高速に検証したい場合は、Claude CodeをAmazon Bedrockで使う導入手順を取り入れることで、開発コスト自体も抑えられます。
スモールスタートで検証コストを月額数十ドルに抑えつつ、キャッシュ活用やモデル使い分けを徹底して、持続可能なAIエージェント基盤を構築してみてください。
Anthropic直接APIとの比較とエンタープライズ向けセキュリティ・ガバナンス設計
当セクションでは、Amazon Bedrock(AgentCore)とAnthropic直接APIの比較に加え、企業導入で必須となるセキュリティとガバナンスの設計要件を解説します。
社内機密や顧客データを扱う業務システムへMCPを組み込む場合、通信経路の閉域化やデータ保持ポリシーの違いが導入可否を左右するからです。
- Amazon Bedrock(AgentCore) vs Anthropic公式「MCPコネクタ」徹底比較
- データプライバシー保護・Abuse Detection例外・Amazon NovaのIP補償仕様
- エンタープライズ導入のための4大セキュリティ・ガバナンスチェックリスト
Amazon Bedrock(AgentCore) vs Anthropic公式「MCPコネクタ」徹底比較
企業が業務システムでMCPを本番運用するなら、Anthropicの直接APIではなくAmazon BedrockとAgentCoreの組み合わせを選ぶべきです。
Anthropic Messages APIが提供する「MCPコネクタ(ベータ)」はClaudeモデル専用かつリモートHTTPのツール呼び出し機能に限定されており、最大の懸念点としてZDR(ゼロデータ保持)契約の対象外であると公式に明記されているためです(参考: Claude Platform Docs – MCPコネクタ)。
一方のAmazon BedrockおよびAgentCoreは、AWSサービス規約(Section 50.3)に基づきプロンプトや出力を保存せずモデル学習にも使用しない非保存ポリシーを採用しており、社内ネットワーク要件にも対応しています。
具体的なアーキテクチャや機能面の違いは、以下の5軸比較表に整理しました。
| 評価軸 | Amazon Bedrock + AgentCore(AWS) | Anthropic公式「MCPコネクタ(ベータ)」/Claude製品群 |
|---|---|---|
| 利用可能なAIモデル | Claudeに加え、Amazon Nova、OpenAI、DeepSeek、Google Gemma、Qwen等を単一APIで併用・使い分け可能 | AnthropicのClaudeモデル群専用 |
| 対応トランスポートと配備形態 | リモート(Streamable HTTP)のホスティングとGatewayによる既存Lambda/APIのMCP化に対応。ローカル用途にはawslabs/mcp(stdio)を提供 | API「MCPコネクタ」はリモートHTTP(Streamable HTTPおよびSSE)のみ対応し、ローカルSTDIOサーバーには直接接続不可(Claude Desktop/Codeは両対応) |
| サポートするMCP機能 | Runtime / Gatewayを通じToolsに加えResources、Prompts、Elicitation、MRTR等に幅広く対応 | Messages APIのMCPコネクタ(ベータ)でサポートされているのはツール呼び出し(Tools)のみ |
| データ保持・ZDR(重要差異) | プロンプトや出力を保存・レビューせず、モデル学習にも不使用(※不正利用検出時の例外あり)。顧客管理KMS暗号化や自社S3への選択的保存に対応 | API「MCPコネクタ」はZDR(ゼロデータ保持)契約の対象外と明記されており、交換データがAnthropicの標準データ保持ポリシーに従って保持される |
| 認証・閉域網・監査統制 | AWS PrivateLinkによるVPC閉域接続、IAM SigV4および社内IdP(Entra ID、Okta等)とのJWT/OIDC連携、CloudTrail監査、セッションタグ単位のコスト配分に対応 | MCPサーバー定義でOAuthベアラートークンを渡す方式に対応。OAuthフローの事前処理とトークン更新はAPI利用者側が担う |
表が示す通り、エンジニア個人のローカル検証にはClaude CodeやClaude Desktopが手軽であるものの、顧客情報を扱う本番環境ではAWS PrivateLinkによる閉域接続やCloudTrail監査を備えたAWS基盤が圧倒的に有利になります。
機密データの外部流出リスクを遮断しつつマルチモデルの柔軟性も確保する観点から、企業の本番システムにはAmazon Bedrockを軸とした設計が最適です。
データプライバシー保護・Abuse Detection例外・Amazon NovaのIP補償仕様
情報システム部門や法務部門のセキュリティ審査を通過するには、AWSの責任共有モデルに沿ったデータ保護の原則と例外規定を正確に把握しておく必要があります。
稟議時のセキュリティチェックシートでは「入力データがモデル学習に使われないか」「例外的に保存・閲覧されるケースはあるか」が必ず問われるためであり、曖昧な回答は導入遅延を招きます。
AWS公式ドキュメントはAmazon Bedrockが顧客の入出力を保存・レビューせず学習にも不使用であることを明記していますが、不正利用検出(Abuse detection)においてCSAM(児童性的虐待コンテンツ)とフラグ付けされた入出力に限り、判定および関連機関への報告目的で例外的に保存・レビューされる規定が存在します(参考: AWS Documentation – Amazon Bedrock abuse detection)。
また、AgentCore Memoryへ対話履歴を蓄積する場合や監査用に自社S3バケットへログを出力する場合は顧客側の管理範囲となるため、AWS KMSの顧客管理キー(CMK)を用いた暗号化とアクセス制御の設計が欠かせません(参考: AWS Documentation – Data protection in Amazon Bedrock AgentCore)。
さらに知的財産リスクへの備えとして、一般提供(GA)されたAmazon Novaモデルが生成した出力にはAWSサービス規約Section 50.10に基づく上限なしのIP補償(Uncapped IP indemnity)が付与されており、商用利用時の法務的な後ろ盾となります(参考: AWS Documentation – Responsible use – Amazon Nova)。
非保存ポリシーの原則と例外条件、顧客管理領域の暗号化責任、そしてIP補償の範囲を切り分けて説明できれば、社内審査をスムーズに突破できるでしょう。
エンタープライズ導入のための4大セキュリティ・ガバナンスチェックリスト
社内データの検索だけでなく業務システムの更新操作まで担うAIエージェントを安全に運用するには、4つの統制ポイントを設計・稟議段階で必須チェック項目に組み込むことが不可欠です。
従来のチャット型AIと異なり、MCP経由で外部ツールを実行するエージェントは権限設定の甘さや監視漏れがそのまま業務インシデントや予期せぬコスト増大に直結するからです(参考: MCPセキュリティ完全ガイド)。
実際の設計レビューで現場の情シス担当者や導入コンサルタントが確認すべき要点は、次のチェックリストの通りです。
- ① 認証・権限最小化とキー管理:AgentCore Gatewayの受信認証にIAM SigV4または社内IdP(Cognito、Entra ID、Okta等)のJWT/OIDCを適用し、Lambda実行ロールやAgentCore IdentityのToken VaultをKMS CMKで暗号化・分離する。
- ② 閉域ネットワーク接続と保存データ暗号化:AWS PrivateLinkを設定してVPCからBedrockおよびAgentCoreエンドポイントへの通信をインターネットから隔離し、ナレッジベースが参照するデータソースもKMS CMKで暗号化する(AWS Security HubコントロールBedrock.1準拠)。
- ③ 監査ログとコスト配分の可視化:CloudTrailでBedrock APIおよびAgentCore Gatewayのデータイベントを記録し、OpenTelemetry(OTEL)で推論・ツール呼び出しを監視する。複数部署で共有する場合はセッション管理とコスト配分タグを設定し、CUR 2.0およびAWS Cost Explorerで部門別利用額を追跡する。
- ④ サービスクォータの事前確保とアラート設定:本番リリース前に利用モデル(Claude SonnetやAmazon Nova等)の対象リージョンにおけるRPM/TPMやAgentCore Runtimeの同時実行数クォータを確認し、約2週間のリードタイムを見込んで引き上げ申請を行うとともにCloudWatchアラームをしきい値80%に設定する。
認証・閉域化・監査・クォータ管理の4本柱を初期設計から徹底しておくことで、堅牢なガバナンスのもとでMCPエージェントの本番稼働を安定維持できます。
RAGやGuardrailsと統合した実践的MCPエージェントの活用ユースケース
当セクションでは、Amazon BedrockのRAG機能やGuardrails、さらにAWS公式のリモートMCPサーバーを組み合わせた実践的なエージェント活用ユースケースを解説します。
MCPによる外部ツール連携だけでは業務プロセスの自動化や安全性の担保が不十分になりやすく、検索基盤や出力統制と統合したアーキテクチャ設計が本番導入の成否を分けるためです。
- Knowledge Bases(Agentic Retrieval / GraphRAG)+MCPによる社内業務自動化シナリオ
- Amazon Bedrock GuardrailsとAutomated Reasoning checksによる出力・ツール実行の統制
- AWS公式リモートMCPサーバーを活用した開発・運用(AWS環境管理)の効率化
Knowledge Bases(Agentic Retrieval / GraphRAG)+MCPによる社内業務自動化シナリオ
社内業務の本格的な自動化を実現するには、検索(RAG)で終わらせずMCPツールによる更新処理までを一気通貫で繋ぐ設計が不可欠です。
従来のチャットボットのように社内規定や顧客情報を検索して回答を表示するだけでは、担当者が別画面を開いてシステムへ転記・入力する手作業が残ってしまうため、業務プロセス改革(BPR)としては片手落ちになるからでしょう。
実際に私が携わったSalesforce・Slack・Zapierを連携させた業務自動化プロジェクトでも、データ参照から登録・通知までを自動で完遂させることで年間1,400時間もの工数削減を達成しており、AIエージェントにおいても「参照して判断し、そのまま実行する」設計が極めて重要だと痛感しています。
Amazon Bedrock Knowledge BasesのAgentic RetrievalやGraphRAG、Cohere Rerank 3.5を組み合わせて社内ナレッジを精密に抽出したうえで(参考: AWS公式ブログ)、AgentCore Gateway経由のMCPサーバーから以下のような更新アクションを自律実行させれば、問い合わせ対応から起票・顧客情報更新までをワンストップで完結できます。
- Salesforceにおける顧客・商談レコードの自動更新
- JiraやZendeskへの障害・問い合わせチケットの起票
- 構造化データ向けSQL生成機能と連携した社内データベースへの結果記録
高精度なRAG構築のベストプラクティスとMCPによるシステム更新を組み合わせることで、単なる情報検索ツールを超えた実践的な業務自動化エージェントが完成します。
Amazon Bedrock GuardrailsとAutomated Reasoning checksによる出力・ツール実行の統制
外部ツールを実行するMCPエージェントを企業で安全に稼働させるには、AgentCoreの処理パイプラインの前後段に多層的なガードレールと論理検証を組み込む統制設計が求められます。
AIエージェントはプロンプトインジェクション攻撃による不正なツール呼び出しや、外部データに含まれる機密情報・個人情報(PII)の意図しない出力リスクを抱えているため、モデルへのプロンプト指示だけでは十分なガバナンスを効かせられないからです。
AWSの公式リファレンス構成では、入力段階でAmazon Bedrock Guardrailsが攻撃やPIIを検知・マスキングし、AgentCoreによるMCPツール実行後の出力段階ではコンテキストグラウンディングチェックに加えて、人事・財務規定などの論理整合性を数学的に証明するAutomated Reasoning checksで検証する仕組みが示されています(参考: AWS Prescriptive Guidance)。
さらにテキスト・画像の有害コンテンツ遮断や禁止トピック制御を組み合わせることで、参照元に根拠のないハルシネーションや社内ルール違反の回答をシステムレベルで確実にブロックできるでしょう(参考: Amazon Bedrock Guardrails)。
MCPにおけるセキュリティリスクと対策を踏まえた多層防衛ラインを構築すれば、コンプライアンス要件の厳しい業務領域でも安心してエージェントを本番展開できます。
AWS公式リモートMCPサーバーを活用した開発・運用(AWS環境管理)の効率化
MCPとAmazon Bedrockの統合メリットは自社向け業務アプリの開発にとどまらず、開発チームやSRE自身のAWS構築・運用効率を飛躍的に高める領域でも大きな威力を発揮します。
AWS公式がフルマネージドでホストするリモートMCPサーバー群をAmazon Q Developerや開発用IDEへ接続するだけで、最新の仕様確認から安全なリソース操作までを自然言語で完結できるためです(参考: awslabs/mcp GitHub)。
実際に私がYouTubeや技術ブログ向けの検証を行う際も、AWS Knowledge MCP ServerをIDEに繋いでおくことで膨大な公式ドキュメントを行き来して検索する手間が激減し、開発リードタイムの大幅な短縮を実感しました。
また、IAMベースの権限制御とCloudTrail監査ログを伴うAWS MCP Serverや料金試算用のサーバーを組み合わせれば(参考: AWS Machine Learning Blog)、インフラ構築の設計相談から障害時のリソース調査、さらにはリアルタイムのコスト見積りまでをガバナンスを保ったまま自動化できます。
- AWS Knowledge MCP Server:最新ドキュメントとWell-Architectedガイダンスを即時参照
- AWS MCP Server(プレビュー):IAM制御・CloudTrail監査付きで安全にAWS API操作を実行
- AWS Pricing MCP Server:リアルタイム単価に基づくコスト見積りと最適化案を自動生成
アプリ開発と並行してAWS環境におけるMCP活用を運用現場へ取り入れることが、組織全体のAI開発サイクルを加速させる近道となるでしょう。
MCP×Amazon Bedrock連携のトラブルシューティングとよくある質問(FAQ)
このセクションでは、MCPとAmazon Bedrockを連携させる際に直面しやすいエラーの解決方法や、本番運用で押さえておくべきよくある質問について解説します。
プロトコル仕様の移行期にあるMCPと多機能なAgentCoreを組み合わせる環境では、設定のわずかな食い違いが思わぬ接続障害やコスト増につながるためです。
- 「ツールが呼び出されない・接続できない」頻出エラーと原因別デバッグ手順
- 「ThrottlingException(スロットリング)」やレスポンス遅延・トークン上限への対策
- 導入検討者・開発者からよく寄せられるQ&A(既存Agentsからの移行・モデルの選び方など)
「ツールが呼び出されない・接続できない」頻出エラーと原因別デバッグ手順
MCPとAmazon Bedrockの接続エラーは、「スキーマ定義の曖昧さ」「ステートレス仕様の不一致」「権限・暗号鍵の設定漏れ」という3つのポイントを切り分けることで迅速に解決できます。
Converse APIを介したツール呼び出しやAgentCore Runtimeのコンテナ実行では、モデル側の判断とクラウド側の通信規約・IAM認可がすべて噛み合って初めて正常に動作する仕組みになっているからです。
たとえば実際の開発現場でも、MCPサーバー自体は正常稼働しているのにモデルが一切ツールを選んでくれない事象に直面し、OpenTelemetry(OTEL)のトレースログをCloudWatchで確認してtools/call自体が発行されていないと突き止めた結果、JSON Schemaのdescription欄における引数説明の不足が原因だったケースがありました。
よくある症状ごとの原因と具体的な対処手順は、以下のトラブルシューティング早見表に整理しています。
| 症状・エラー内容 | 主な原因 | 解決コマンド・設定例 |
|---|---|---|
Converse APIでツールが選ばれない(toolUse が返らない) |
JSON Schemaの description 不足やプロンプトの曖昧さによるモデル側の判断ミス |
ツールの用途・前提条件・引数の形式を description に明記し、OTELトレースでモデル応答の stopReason を検証する |
AgentCore Runtime接続時の 404 やセッション不一致エラー |
ポート8000の /mcp 待ち受け漏れ、または旧MCP仕様(2025-11-25以前)とステートレス設定の矛盾 |
コンテナの待受を 0.0.0.0:8000 の /mcp(POST)に統一し、2026-07-28版のMRTRか旧仕様向け stateless_http=False を仕様に合わせて設定する |
IAM認証やToken Vaultでのアクセス拒否(AccessDenied 等) |
IAM SigV4署名不備、OIDC/JWTトークン期限切れ、またはKMSキーポリシーの許可漏れ | CognitoやEntra ID等のJWT有効期限と実行ロールを見直し、Token Vault用KMS CMKポリシーに実行ロールの復号権限を追加する |
特にMCP 2026-07-28版でのステートレス化に伴い、AgentCore Runtime上で旧版のElicitationなどステートフル機能を使う場合はstateless_http=Falseを指定し、コンテナを0.0.0.0:8000の/mcpで待ち受けさせる要件を必ず満たしてください(参考: Amazon Bedrock AgentCore Documentation)。
エラー発生時は手当たり次第にコードを修正するのではなく、OTELトレースやCloudWatchログを起点に3層のどこで処理が止まっているかを順に確認しましょう。
「ThrottlingException(スロットリング)」やレスポンス遅延・トークン上限への対策
MCP連携におけるスロットリングや遅延は、「クォータ消費ルールの把握」「クロスリージョン推論の活用」「ツール定義の圧縮」を組み合わせることで効果的に防ぐことができます。
AIエージェントは1回のユーザー質問に対してツール検索・実行・回答生成と複数回のモデル推論を連続して走らせるため、通常のチャットよりもRPM(1分あたりリクエスト数)とTPM(1分あたりトークン数)を急速に消費するためです。
とりわけAnthropic Claude Opus 4やSonnet 4.5などのモデルでは出力トークンがクォータ上「5倍(5x burndown rate)」として計算される仕様があり、東京リージョン単体では上限に達しやすいため、複数リージョンへ自動で負荷を逃がすクロスリージョン推論(Cross-Region Inference)の設定が有効に機能します(参考: AWS Machine Learning Blog)。
さらにAgentCore GatewayのSearch APIを使って必要なツール定義だけを動的に取得すれば、プロンプトに載せる不要なツールスキーマ分の入力トークンを圧縮でき、非緊急タスクへのFlex Tier(標準の50%割引)適用も有効な選択肢です。
本番リリース前には約2週間のリードタイムを見込んでサービスクォータの引き上げ申請を行いつつ、しきい値80%でアラートが鳴るCloudWatch監視を設定しておくのが鉄則でしょう(参考: AWS Documentation)。
出力トークンの消費倍率やツール数による負荷増大を設計段階で正確に見積もり、余裕のあるスループットを確保してください。
導入検討者・開発者からよく寄せられるQ&A(既存Agentsからの移行・モデルの選び方など)
導入検討や開発の現場で迷いやすい設計上の判断基準は、「スモールスタートで効果を確認しつつ、本番要件に合わせて段階的に拡張する」という方針で整理できます。
AgentCoreやMCPサーバーは機能ごとに疎結合で提供されているため、最初から大規模な構成を組まなくても既存資産を活かして無理なく移行・拡張できるからです。
アーキテクチャ選定やコスト面に関して特に多く寄せられる4つの質問と回答をまとめました。
- Q1. 従来のAgents for Amazon BedrockからAgentCoreへ移行すべきですか?
これから新規に本番エージェントを構築する場合や、LangGraph・Strands Agentsなど任意のフレームワーク利用、最大8時間の長時間実行、細かな認証・監視統制を求める場合は、一般提供(GA)されているAgentCoreの採用が適しています(詳しい手順はAmazon Bedrock AgentCoreの使い方・導入手順をご参照ください)。既存のAgents構成が安定稼働している場合は、まず外部ツール連携部分からAgentCore Gatewayへ切り出す段階的な移行が現実的です。 - Q2. MCPサーバーは自作と
awslabs/mcpのどちらから始めるべきですか?
最初はAWS公式オープンソース群であるawslabs/mcpやマネージド型のAWS Knowledge MCP Serverを使ってローカル環境で挙動を検証し、社内独自のAPIやデータベースをつなぐ段階で自作サーバーやGatewayによる既存LambdaのMCP化へ進むのが近道です(実装方法はMCPサーバー自作の完全ガイドでも解説しています)。 - Q3. MCP連携にはClaude 5.5系とAmazon Novaのどちらを選ぶべきですか?
複雑なマルチステップ推論やコーディングを伴うタスクにはClaude Sonnet 5.5やOpus 5.5が向いており、大量データの高速分類・ルーティングやコスト重視の用途にはClaude Haiku 5.5やAmazon Nova(Lite / 2 Lite / Pro)を組み合わせる使い分けが効果的です(AWS上の連携全体像はMCP AWSの仕組みと活用事例もあわせて確認できます)。また、一般提供済みのAmazon NovaにはAWSによる上限なしの知的財産権補償が付帯する点も企業採用における強みとなります。 - Q4. OpenSearch Serverlessを使わずに安価にRAGとMCPを組むことはできますか?
可能です。OpenSearch Serverlessの最小構成(4 OCU)だけで月額約691米ドルが発生するため、初期検証ではKnowledge Basesを使わずにAgentCore Gateway経由のMCPサーバーから既存の社内検索APIやデータベースを直接呼び出す構成にすれば、月額22〜55米ドル規模から実用検証を始められます(RAG構成ごとの費用相場はRAG構築のベストプラクティスで詳しく比較しています)。
まずは低コストな検証構成で手応えを掴み、利用規模とガバナンス要件が見えてきた段階で本格的なRAGやガードレールを追加していきましょう。
まとめ
本記事では、2026年7月版の最新MCP仕様とAmazon Bedrock、および本番基盤AgentCoreの連携手順から料金試算・セキュリティ設計までを体系的に解説しました。
ステートレス化で拡張性を高めたMCPと、VPC閉域網やデータ非保存ポリシーを備えたAgentCoreを組み合わせることで、安全かつスケーラブルな企業向けAIエージェントを構築できます。
月額約22ドルからの小規模な構成で段階的に検証を始められるため、初期投資を抑えながら自信を持って自社データ連携の第一歩を踏み出せます。
まずはAmazon Bedrock 公式料金ページやAgentCore ドキュメントで詳細を確認し、新規アカウント向けの最大200ドル無料クレジットも活用して、awslabs/mcpとAgentCore GatewayによるPoCをスタートしましょう。


