Amazon Bedrock AgentCore

Amazon Bedrock AgentCore คือชุดบริการระดับ enterprise สำหรับ deploy, จัดการ และ scale AI agents ใน production environment ครบวงจร ต่างจาก Amazon Bedrock Agents ทั่วไปที่เน้น orchestration logic, AgentCore เน้นที่โครงสร้างพื้นฐาน (infrastructure layer) ที่รองรับ agent ทุกประเภท ไม่ว่าจะสร้างด้วย Bedrock, LangGraph, CrewAI, AutoGen หรือ framework อื่นๆ

AgentCore แก้ปัญหาหลักที่ทีมมักเจอเมื่อนำ AI agent จาก prototype ไปสู่ production ได้แก่ การจัดการ session และ memory ข้ามการสนทนา, การยืนยันตัวตนกับบริการภายนอก, การ debug และ monitor พฤติกรรม agent, การรัน browser และโค้ดอย่างปลอดภัย รวมถึง auto-scaling รองรับ load ที่เพิ่มขึ้นโดยไม่ต้องดูแล server

AWS Docs: https://docs.aws.amazon.com/bedrock/latest/userguide/agentcore.html

สถาปัตยกรรม

ฟีเจอร์หลัก

AgentCore Runtime

Managed container runtime สำหรับ deploy agent code ใน production:

รองรับ Python และ Node.js
Auto-scaling ตาม workload อัตโนมัติ
Session management: แต่ละ conversation มี isolated session context
Timeout handling และ retry logic ในตัว
Cold start optimization สำหรับ latency ต่ำ
รองรับ custom dependencies ผ่าน Docker image หรือ Lambda layers

วิธีการทำงาน: นักพัฒนาเขียน agent logic และ package เป็น container image หรือ zip file จากนั้น AgentCore Runtime จัดการ deploy, routing request เข้าสู่ instance ที่พร้อม, scale up/down และ monitor health โดยอัตโนมัติ

AgentCore Memory

ระบบ persistent memory สำหรับ agents รองรับการจดจำข้อมูลข้ามหลาย session:

ประเภทหน่วยความจำ:

Short-term memory (Session) — เก็บ context ในระหว่าง session ปัจจุบัน ล้างเมื่อ session จบ
Long-term memory (Persistent) — เก็บข้อมูลสำคัญข้าม session เช่น preferences, ประวัติการใช้งาน, profile ผู้ใช้

วิธีการจัดเก็บ:

Key-value store — เก็บข้อมูล structured เช่น user preferences, account info
Semantic (vector) store — เก็บ conversation history ที่สามารถค้นหาด้วย natural language query ได้

การค้นหา Memory:

Exact key lookup สำหรับ structured data
Vector similarity search สำหรับ "จำบทสนทนาที่คล้ายกัน"
Hybrid search รวม keyword และ semantic

AgentCore Identity

ระบบจัดการ authentication และ authorization สำหรับ agents ที่ต้องเชื่อมต่อกับบริการภายนอก:

รองรับ OAuth 2.0 และ OIDC flows
เชื่อมต่อกับ Identity Providers (IdPs) ยอดนิยม: Google Workspace, GitHub, Salesforce, Microsoft Entra ID (Azure AD), Okta, custom OAuth IdP
Token management อัตโนมัติ: refresh, store, revoke tokens โดยไม่ต้องเขียนโค้ดเอง
Agent-on-behalf-of-user: agent สามารถ authenticate กับบริการในนามผู้ใช้จริง
Audit trail บันทึกว่า agent ทำอะไร ในนามใคร เมื่อไหร่
เหมาะสำหรับ enterprise workflow ที่ agent ต้องเข้าถึงอีเมล, calendar, CRM หรือระบบ ERP ของผู้ใช้

AgentCore Gateway

API gateway สำหรับให้ agents เรียกบริการและระบบภายนอกได้อย่างปลอดภัย:

REST API integration — agent เรียก REST endpoint ของระบบภายนอกได้
GraphQL support — รองรับ GraphQL queries
Lambda integration — เรียก Lambda functions เพื่อ execute custom logic
Database access — เชื่อมต่อ Amazon RDS, Aurora, DynamoDB ผ่าน secure channel
Auto-generate tool schemas — อ่าน OpenAPI/Swagger spec แล้วสร้าง tool definition สำหรับ LLM โดยอัตโนมัติ ไม่ต้องเขียน function description เอง
Rate limiting และ circuit breaker — ป้องกัน agent เรียก API มากเกินไป
Secret management — ดึง API keys จาก Secrets Manager โดยอัตโนมัติ

AgentCore Browser Tool

Headless Chromium browser ที่ให้ agents ท่องเว็บและโต้ตอบกับ web content ได้:

นำทาง URL และอ่านเนื้อหาหน้าเว็บ
คลิกปุ่ม, กรอกฟอร์ม, เลื่อนหน้า
จับภาพหน้าจอ (screenshot)
แยก structured data จากตาราง, รายการ
รองรับ JavaScript-heavy sites (SPA, React, Vue)
แต่ละ session รันใน isolated container เพื่อความปลอดภัย
Auto-cleanup session เมื่อหมดเวลา

ข้อจำกัด: ไม่รองรับการ login ด้วย CAPTCHA อัตโนมัติ, บางเว็บอาจบล็อก bot

AgentCore Code Interpreter

Sandboxed Python execution environment สำหรับให้ agents รันโค้ดได้อย่างปลอดภัย:

Isolated container — แต่ละ execution รันใน container แยกกัน ไม่สามารถ access ระบบภายนอกได้นอกจากที่อนุญาต
Pre-installed libraries: pandas, numpy, matplotlib, scipy, scikit-learn, Pillow, openpyxl และอื่นๆ
File I/O: รับไฟล์ input (CSV, Excel, JSON, image) และส่ง output กลับมา
Visualization: สร้าง chart และ graph แล้วส่งเป็น base64 image
Session persistence: ตัวแปรและ state คงอยู่ตลอด session เดียวกัน
Timeout protection: execution ถูกหยุดอัตโนมัติหากใช้เวลาเกินกำหนด
ไม่มี network access ภายใน sandbox (ยกเว้นที่ configure ไว้)

AgentCore Observability

ระบบ monitoring, tracing และ debugging สำหรับ agents:

OpenTelemetry traces — ติดตามทุก step ของ agent: LLM call, tool call, memory access, external API call
Token usage metrics — วัดการใช้ token ต่อ session, ต่อ agent, ต่อวัน
Latency breakdown — เห็นว่าเวลาส่วนใหญ่หมดไปกับอะไร (LLM inference, tool execution, network latency)
Visual debugger — ใน AWS Console มี trace visualizer แบบ timeline ให้เห็น flow ของ agent แต่ละ step
Error tracking — บันทึก exception, timeout, tool failure พร้อม context
CloudWatch integration — export metrics และ logs ไปยัง CloudWatch สำหรับ alerting และ dashboard
Session replay — ดูการสนทนาและการตัดสินใจของ agent ย้อนหลังได้

การติดตั้งและการตั้งค่า

เปิดใช้งานใน AWS Console

เข้า AWS Console ไปที่ Amazon Bedrock
ในแถบเมนูซ้าย เลือก AgentCore
เลือกคอมโพเนนต์ที่ต้องการ เช่น Runtime, Memory, Gateway
คลิก Get started แล้วทำตามขั้นตอน setup wizard
สร้าง IAM role ที่มี permissions ที่จำเป็น

ติดตั้ง SDK

Python

pip install boto3
# AgentCore ใช้ผ่าน boto3 เช่นเดียวกับ Bedrock services อื่นๆ

AWS CLI

aws configure --profile agentcore-dev
# ตั้งค่า region ที่รองรับ AgentCore เช่น us-east-1, us-west-2

IAM Permissions ที่จำเป็น

{
  "Version": "2012-10-17",
  "Statement": [
    {
      "Effect": "Allow",
      "Action": [
        "bedrock:CreateAgentRuntime",
        "bedrock:InvokeAgentRuntime",
        "bedrock:CreateMemoryStore",
        "bedrock:PutMemory",
        "bedrock:GetMemory",
        "bedrock:SearchMemory",
        "bedrock:CreateGateway",
        "bedrock:InvokeGateway",
        "bedrock:StartBrowserSession",
        "bedrock:InvokeCodeInterpreter",
        "bedrock:GetAgentTrace"
      ],
      "Resource": "*"
    },
    {
      "Effect": "Allow",
      "Action": [
        "secretsmanager:GetSecretValue"
      ],
      "Resource": "arn:aws:secretsmanager:*:*:secret:bedrock-agentcore/*"
    },
    {
      "Effect": "Allow",
      "Action": [
        "logs:CreateLogGroup",
        "logs:CreateLogStream",
        "logs:PutLogEvents"
      ],
      "Resource": "arn:aws:logs:*:*:log-group:/aws/bedrock/agentcore/*"
    }
  ]
}

วิธีใช้งาน

AgentCore Memory — บันทึกและดึงความจำ

import boto3
import json

# สร้าง client สำหรับ AgentCore Memory
bedrock_agentcore = boto3.client("bedrock-agentcore", region_name="us-east-1")

MEMORY_STORE_ID = "your-memory-store-id"
USER_ID = "user-12345"

# บันทึกข้อมูลเข้า memory
def save_user_preference(user_id: str, key: str, value: str):
    bedrock_agentcore.put_memory(
        memoryStoreId=MEMORY_STORE_ID,
        namespace=f"user/{user_id}/preferences",
        key=key,
        value=json.dumps({"value": value, "updated_at": "2025-04-22"})
    )
    print(f"บันทึก preference: {key} = {value}")

# ดึงข้อมูลจาก memory
def get_user_preference(user_id: str, key: str):
    response = bedrock_agentcore.get_memory(
        memoryStoreId=MEMORY_STORE_ID,
        namespace=f"user/{user_id}/preferences",
        key=key
    )
    return json.loads(response["value"])["value"]

# ค้นหา memory ด้วย semantic search
def search_past_conversations(user_id: str, query: str):
    response = bedrock_agentcore.search_memory(
        memoryStoreId=MEMORY_STORE_ID,
        namespace=f"user/{user_id}/conversations",
        query=query,
        maxResults=5
    )
    return response["results"]

# ตัวอย่างการใช้งาน
save_user_preference(USER_ID, "language", "Thai")
save_user_preference(USER_ID, "notification_channel", "LINE")

lang = get_user_preference(USER_ID, "language")
print(f"ภาษาที่ผู้ใช้ต้องการ: {lang}")

results = search_past_conversations(USER_ID, "ถามเรื่องการลงทุน")
for r in results:
    print(f"พบบทสนทนาที่เกี่ยวข้อง: {r['content'][:100]}...")

AgentCore Code Interpreter — รันโค้ด Python ใน sandbox

import boto3
import base64

client = boto3.client("bedrock-agentcore", region_name="us-east-1")

# สร้าง Code Interpreter session
session = client.create_code_interpreter_session(
    sessionTimeoutSeconds=300
)
session_id = session["sessionId"]

# รันโค้ดวิเคราะห์ข้อมูล
code = """
import pandas as pd
import matplotlib.pyplot as plt
import io, base64

# สร้างข้อมูลตัวอย่าง: ยอดขายรายเดือน
data = {
    'เดือน': ['ม.ค.', 'ก.พ.', 'มี.ค.', 'เม.ย.', 'พ.ค.', 'มิ.ย.'],
    'ยอดขาย': [120000, 135000, 98000, 156000, 142000, 178000]
}
df = pd.DataFrame(data)

# คำนวณสถิติ
print(f"ยอดขายเฉลี่ย: {df['ยอดขาย'].mean():,.0f} บาท")
print(f"ยอดขายสูงสุด: {df['ยอดขาย'].max():,.0f} บาท ({df.loc[df['ยอดขาย'].idxmax(), 'เดือน']})")
print(f"ยอดขายต่ำสุด: {df['ยอดขาย'].min():,.0f} บาท ({df.loc[df['ยอดขาย'].idxmin(), 'เดือน']})")
print(f"การเติบโต (ม.ค. ถึง มิ.ย.): {((df['ยอดขาย'].iloc[-1] - df['ยอดขาย'].iloc[0]) / df['ยอดขาย'].iloc[0] * 100):.1f}%")

# สร้าง bar chart
fig, ax = plt.subplots(figsize=(8, 4))
bars = ax.bar(df['เดือน'], df['ยอดขาย'], color='steelblue')
ax.set_title('ยอดขายรายเดือน 2025', fontsize=14)
ax.set_ylabel('บาท')
ax.yaxis.set_major_formatter(plt.FuncFormatter(lambda x, p: f'{x:,.0f}'))
plt.tight_layout()

buf = io.BytesIO()
plt.savefig(buf, format='png', dpi=100)
buf.seek(0)
chart_b64 = base64.b64encode(buf.read()).decode('utf-8')
print(f"CHART_DATA:{chart_b64}")
"""

response = client.invoke_code_interpreter(
    sessionId=session_id,
    code=code,
    timeoutSeconds=60
)

output = response["output"]
print("ผลลัพธ์จากโค้ด:")
print(output["stdout"])

if response.get("outputFiles"):
    for f in response["outputFiles"]:
        print(f"ไฟล์ output: {f['name']} ({len(f['content'])} bytes)")

# ปิด session เมื่อเสร็จ
client.delete_code_interpreter_session(sessionId=session_id)

AgentCore Browser Tool — ให้ agent ท่องเว็บ

import boto3
import json

client = boto3.client("bedrock-agentcore", region_name="us-east-1")

# เริ่ม browser session
session = client.start_browser_session(
    sessionTimeoutSeconds=120
)
session_id = session["sessionId"]

try:
    # นำทางไปยัง URL
    client.browser_navigate(
        sessionId=session_id,
        url="https://www.set.or.th/th/market/index/SET/overview"
    )

    # รอให้หน้าโหลด และดึงเนื้อหา
    content = client.browser_get_content(
        sessionId=session_id,
        selector="main",
        format="text"
    )
    print("เนื้อหาหน้าตลาดหลักทรัพย์:")
    print(content["text"][:500])

    # จับภาพหน้าจอ
    screenshot = client.browser_screenshot(
        sessionId=session_id
    )
    with open("/tmp/set_screenshot.png", "wb") as f:
        f.write(screenshot["imageData"])
    print("บันทึก screenshot สำเร็จ")

finally:
    # ปิด browser session เสมอ
    client.stop_browser_session(sessionId=session_id)

AgentCore Identity — จัดการ OAuth สำหรับ agent

import boto3

client = boto3.client("bedrock-agentcore", region_name="us-east-1")

# ลงทะเบียน OAuth credential สำหรับ Google Workspace
client.create_identity_credential(
    name="google-workspace-cred",
    identityProvider="GOOGLE",
    clientId="YOUR_GOOGLE_CLIENT_ID",
    clientSecretArn="arn:aws:secretsmanager:us-east-1:123456789:secret:google-oauth-secret",
    scopes=["https://www.googleapis.com/auth/gmail.readonly",
            "https://www.googleapis.com/auth/calendar"]
)

# เมื่อ agent ต้องการ token เพื่อเรียก Google API
def get_user_google_token(user_id: str) -> str:
    response = client.get_identity_token(
        credentialName="google-workspace-cred",
        userId=user_id
    )
    return response["accessToken"]

# ใช้ token เรียก Gmail API
import urllib.request

def get_user_emails(user_id: str, max_results: int = 5):
    token = get_user_google_token(user_id)
    req = urllib.request.Request(
        f"https://gmail.googleapis.com/gmail/v1/users/me/messages?maxResults={max_results}",
        headers={"Authorization": f"Bearer {token}"}
    )
    with urllib.request.urlopen(req) as response:
        return json.loads(response.read().decode())

AgentCore Observability — ดู traces

import boto3

client = boto3.client("bedrock-agentcore", region_name="us-east-1")

# ดึง traces ของ agent session
def get_agent_trace(trace_id: str):
    response = client.get_agent_trace(traceId=trace_id)
    trace = response["trace"]

    print(f"Session ID: {trace['sessionId']}")
    print(f"เริ่มต้น: {trace['startTime']}")
    print(f"สิ้นสุด: {trace['endTime']}")
    print(f"Total tokens: {trace['tokenUsage']['totalTokens']:,}")
    print(f"Latency รวม: {trace['totalLatencyMs']} ms")
    print()

    for step in trace["steps"]:
        print(f"  [{step['type']}] {step['name']}")
        print(f"    เวลา: {step['latencyMs']} ms")
        if step.get("tokenUsage"):
            print(f"    Tokens: {step['tokenUsage']['inputTokens']} in / {step['tokenUsage']['outputTokens']} out")
        if step.get("error"):
            print(f"    ERROR: {step['error']['message']}")

# ดึง metrics รวมของ agent
def get_agent_metrics(agent_id: str, days: int = 7):
    response = client.get_agent_metrics(
        agentId=agent_id,
        startTime=f"2025-04-{22 - days:02d}T00:00:00Z",
        endTime="2025-04-22T23:59:59Z"
    )
    metrics = response["metrics"]
    print(f"จำนวน session ทั้งหมด: {metrics['totalSessions']:,}")
    print(f"Token ที่ใช้ทั้งหมด: {metrics['totalTokens']:,}")
    print(f"ค่าใช้จ่ายรวม (USD): ${metrics['estimatedCostUsd']:.4f}")
    print(f"Latency เฉลี่ย: {metrics['avgLatencyMs']} ms")
    print(f"Error rate: {metrics['errorRate'] * 100:.2f}%")

ราคา (ประมาณการในบาท)

อัตราแลกเปลี่ยน: 1 USD = 35 บาท

AgentCore Runtime

รายการ	ราคา USD	ราคาบาท (โดยประมาณ)
Compute time	$0.0000167/วินาที	~0.00058 บาท/วินาที
ตัวอย่าง: agent รัน 10 วินาที	$0.000167	~0.006 บาท
ตัวอย่าง: 10,000 session/วัน x 10 วินาที	$1.67/วัน	~58 บาท/วัน

AgentCore Memory

รายการ	ราคา USD	ราคาบาท
Key-value storage	$0.10/GB/เดือน	~3.50 บาท/GB/เดือน
Vector storage	$0.10/GB/เดือน	~3.50 บาท/GB/เดือน
Memory read operations	$0.0001/1,000 reads	~0.0035 บาท/1,000 reads
ตัวอย่าง: user 1,000 คน x 1MB memory	$0.10/เดือน	~3.50 บาท/เดือน

AgentCore Gateway

รายการ	ราคา USD	ราคาบาท
API calls	$3.50/1M calls	~122.50 บาท/1M calls
ตัวอย่าง: 100,000 API calls/วัน	$0.35/วัน	~12.25 บาท/วัน

AgentCore Browser Tool

รายการ	ราคา USD	ราคาบาท
Browser session time	$0.05/นาที	~1.75 บาท/นาที
ตัวอย่าง: browsing 2 นาทีต่อ task	$0.10/task	~3.50 บาท/task
ตัวอย่าง: 1,000 tasks/วัน	$100/วัน	~3,500 บาท/วัน

AgentCore Code Interpreter

รายการ	ราคา USD	ราคาบาท
Execution time	$0.00003/วินาที	~0.00105 บาท/วินาที
ตัวอย่าง: รันโค้ด 30 วินาที	$0.0009	~0.032 บาท
ตัวอย่าง: 10,000 executions x 30 วินาที	$9/วัน	~315 บาท/วัน

ตัวอย่างค่าใช้จ่ายรวม (Production Agent)

สมมติ agent สำหรับ customer support ที่มี 500 sessions/วัน แต่ละ session:

Runtime: 30 วินาที
Memory: 5 reads/writes
Gateway: 3 API calls
Code Interpreter: ไม่ใช้ในกรณีนี้

รายการ	ค่าใช้จ่าย/วัน (USD)	ค่าใช้จ่าย/วัน (บาท)
Runtime (500 x 30s x $0.0000167)	$0.25	~8.75 บาท
Memory (500 x 5 x $0.0001/1K)	$0.00025	~0.01 บาท
Gateway (500 x 3 x $3.50/1M)	$0.0053	~0.18 บาท
LLM tokens (Claude 3.5 Haiku, ~2K tokens/session)	$0.80	~28 บาท
รวม	~$1.06/วัน	~37 บาท/วัน
ต่อเดือน (30 วัน)	~$31.80/เดือน	~1,113 บาท/เดือน

เหมาะสำหรับ

ทีม engineering ที่ต้องการ deploy AI agents ใน production โดยไม่ต้องสร้าง infrastructure เอง เช่น container orchestration, auto-scaling, session store
องค์กร enterprise ที่ต้องการ governance, security controls และ audit trail สำหรับ AI agents ทุกตัว
ทีมที่มี agent หลายตัว และต้องการ centralized management, monitoring และ cost tracking
นักพัฒนาที่สร้าง agent ด้วย framework อื่น (LangGraph, CrewAI, AutoGen) แต่ต้องการ production infrastructure จาก AWS
บริษัทที่ agent ต้องเชื่อมต่อกับบริการภายนอก เช่น Google Workspace, Salesforce, GitHub และต้องการ OAuth management ที่ปลอดภัย
ทีม data และ analytics ที่ต้องการให้ agent วิเคราะห์ข้อมูลด้วยโค้ด Python อย่างปลอดภัย
บริษัทที่มีข้อกำหนด compliance เช่น ต้องการ trace ทุก action ที่ agent ทำ พร้อม timestamp และ user attribution

ใช้ร่วมกับ AWS Services

AWS Service	การเชื่อมต่อ
Amazon Bedrock Agents	ใช้ AgentCore เป็น runtime สำหรับ Bedrock Agents ที่สร้างใน console
Amazon CloudWatch	AgentCore Observability ส่ง metrics, logs และ traces ไปยัง CloudWatch โดยอัตโนมัติ
AWS Lambda	AgentCore Gateway เรียก Lambda functions เป็น tools ของ agent
Amazon RDS / Aurora	AgentCore Gateway เชื่อมต่อ agent กับฐานข้อมูล relational
Amazon DynamoDB	เก็บ session state เพิ่มเติมสำหรับ high-throughput applications
Amazon S3	Code Interpreter อ่าน/เขียนไฟล์ผ่าน S3, Memory store backup
AWS Secrets Manager	เก็บ OAuth client secrets, API keys สำหรับ AgentCore Identity และ Gateway
Amazon OpenSearch Serverless	Vector store backend สำหรับ AgentCore Memory (semantic search)
AWS IAM	ควบคุม permissions ของ agent ด้วย IAM roles และ resource policies
Amazon EventBridge	Trigger agent workflows จาก events ของระบบอื่น
AWS X-Ray	ทำงานร่วมกับ AgentCore Observability สำหรับ distributed tracing ทั้งระบบ
Amazon VPC	Deploy AgentCore Runtime ภายใน VPC เพื่อเข้าถึง private resources

Use Case ตัวอย่าง

Use Case 1: AI Financial Advisor Agent สำหรับแอปธนาคาร

ธนาคารไทยต้องการ agent ที่ช่วยลูกค้าวิเคราะห์การใช้จ่าย วางแผนการออม และแนะนำผลิตภัณฑ์ทางการเงิน โดย agent ต้องจำพฤติกรรมและเป้าหมายของลูกค้าแต่ละคนข้ามหลาย session

สถาปัตยกรรม:

AgentCore Runtime — deploy agent Python code ที่เชื่อมต่อกับ Claude 3.5 Sonnet
AgentCore Memory — เก็บ long-term memory ของลูกค้า: เป้าหมายทางการเงิน, risk profile, preference, ประวัติคำแนะนำที่เคยให้
AgentCore Gateway — เชื่อมต่อกับ Core Banking API เพื่อดึงข้อมูลบัญชี, transaction history
AgentCore Identity — OAuth กับ LINE Official Account เพื่อให้ agent ส่ง notification ในนามธนาคาร
AgentCore Code Interpreter — agent รัน Python วิเคราะห์ spending pattern และสร้าง visualization แสดงให้ลูกค้าเห็น
AgentCore Observability — monitor ทุก agent interaction ตรวจสอบ compliance และ audit trail

ตัวอย่าง flow:

ลูกค้า: "เดือนนี้ฉันใช้จ่ายเกิน budget ไหม?"
Agent:
  1. ดึง memory: เป้าหมาย budget ของลูกค้า = 30,000 บาท/เดือน
  2. เรียก Gateway: ดึง transactions เดือนนี้จาก Core Banking API
  3. Code Interpreter: รัน pandas วิเคราะห์ categories การใช้จ่าย สร้าง pie chart
  4. ตอบ: "เดือนนี้คุณใช้ไป 32,500 บาท เกิน budget 2,500 บาท
         หมวดที่ใช้เกินมากที่สุดคืออาหาร (8,200 บาท, เกิน 23%)
         [แนบ chart]"
  5. บันทึก memory: อัปเดตว่าเดือนนี้เกิน budget

Use Case 2: Autonomous Research Agent สำหรับบริษัทวิจัยตลาด

บริษัทวิจัยต้องการ agent ที่สามารถรวบรวมข้อมูลจากเว็บ วิเคราะห์ข้อมูลจำนวนมาก และสร้างรายงานโดยอัตโนมัติ

สถาปัตยกรรม:

AgentCore Browser Tool — agent ท่องเว็บ อ่าน news sites, SEC filings, social media เพื่อรวบรวมข้อมูลบริษัทเป้าหมาย
AgentCore Code Interpreter — agent รัน Python วิเคราะห์ข้อมูลที่รวบรวมมา สร้างกราฟ, หา trend, คำนวณ financial ratios
AgentCore Memory — เก็บ research findings ที่ผ่านมาเพื่อให้ agent เปรียบเทียบกับข้อมูลใหม่
AgentCore Gateway — เรียก Bloomberg API, SET API สำหรับข้อมูลตลาดหลักทรัพย์
AgentCore Observability — ติดตามว่า agent เข้าเว็บไหนบ้าง ใช้เวลาเท่าไหร่ ค่าใช้จ่ายรวม

ผลลัพธ์: รายงานวิเคราะห์หุ้นที่เคยใช้เวลา 2 วัน เหลือ 45 นาที ค่าใช้จ่ายต่อรายงาน ~500 บาท (เทียบกับ ~5,000 บาท ถ้าจ้าง analyst)

Use Case 3: HR Onboarding Agent สำหรับองค์กรขนาดใหญ่

บริษัทมีพนักงานใหม่เข้า 50-100 คนต่อเดือน ต้องการ agent ช่วยดูแล onboarding process ตั้งแต่วันแรก

สถาปัตยกรรม:

AgentCore Runtime — deploy onboarding agent ที่รองรับ concurrent sessions สำหรับพนักงานใหม่หลายคนพร้อมกัน
AgentCore Identity — OAuth กับ Microsoft Entra ID เพื่อให้ agent ตั้งค่า email, calendar, Teams account ในนามพนักงานใหม่
AgentCore Gateway — เชื่อมต่อกับระบบ HR (Workday), IT Service Desk (ServiceNow), Active Directory เพื่อ provision accounts และ equipment
AgentCore Memory — จำ progress ของพนักงานแต่ละคนว่า complete task ไหนแล้วบ้าง ยังเหลืออะไร
AgentCore Browser Tool — กรอกแบบฟอร์มภาษีออนไลน์, ลงทะเบียน benefits portal แทนพนักงาน

Flow ตัวอย่าง:

วันที่ 1: Agent ส่ง welcome message, ตรวจสอบว่า laptop, badge, parking ถูก setup แล้ว, สร้าง calendar invites สำหรับ orientation sessions
วันที่ 3: Agent ติดตามว่า policy acknowledgments เสร็จหรือยัง, ส่ง reminder ถ้ายังไม่ทำ
วันที่ 7: Agent สรุปว่า onboarding checklist เสร็จ 85% และแจ้ง HR team ว่ายังเหลืออะไร

ผลลัพธ์: ลด manual work ของ HR team ลง 70% ต่อพนักงาน 1 คน เพิ่มความพึงพอใจในการ onboarding จาก survey score 3.2/5 เป็น 4.6/5

สถาปัตยกรรม​

ฟีเจอร์หลัก​

AgentCore Runtime​

AgentCore Memory​

AgentCore Identity​

AgentCore Gateway​

AgentCore Browser Tool​

AgentCore Code Interpreter​

AgentCore Observability​

การติดตั้งและการตั้งค่า​

เปิดใช้งานใน AWS Console​

ติดตั้ง SDK​

IAM Permissions ที่จำเป็น​

วิธีใช้งาน​

AgentCore Memory — บันทึกและดึงความจำ​

AgentCore Code Interpreter — รันโค้ด Python ใน sandbox​

AgentCore Browser Tool — ให้ agent ท่องเว็บ​

AgentCore Identity — จัดการ OAuth สำหรับ agent​

AgentCore Observability — ดู traces​

ราคา (ประมาณการในบาท)​

AgentCore Runtime​

AgentCore Memory​

AgentCore Gateway​

AgentCore Browser Tool​

AgentCore Code Interpreter​

ตัวอย่างค่าใช้จ่ายรวม (Production Agent)​

เหมาะสำหรับ​

ใช้ร่วมกับ AWS Services​

Use Case ตัวอย่าง​

Use Case 1: AI Financial Advisor Agent สำหรับแอปธนาคาร​

Use Case 2: Autonomous Research Agent สำหรับบริษัทวิจัยตลาด​

Use Case 3: HR Onboarding Agent สำหรับองค์กรขนาดใหญ่​

สถาปัตยกรรม

ฟีเจอร์หลัก

AgentCore Runtime

AgentCore Memory

AgentCore Identity

AgentCore Gateway

AgentCore Browser Tool

AgentCore Code Interpreter

AgentCore Observability

การติดตั้งและการตั้งค่า

เปิดใช้งานใน AWS Console

ติดตั้ง SDK

IAM Permissions ที่จำเป็น

วิธีใช้งาน

AgentCore Memory — บันทึกและดึงความจำ

AgentCore Code Interpreter — รันโค้ด Python ใน sandbox

AgentCore Browser Tool — ให้ agent ท่องเว็บ

AgentCore Identity — จัดการ OAuth สำหรับ agent

AgentCore Observability — ดู traces

ราคา (ประมาณการในบาท)

AgentCore Runtime

AgentCore Memory

AgentCore Gateway

AgentCore Browser Tool

AgentCore Code Interpreter

ตัวอย่างค่าใช้จ่ายรวม (Production Agent)

เหมาะสำหรับ

ใช้ร่วมกับ AWS Services

Use Case ตัวอย่าง

Use Case 1: AI Financial Advisor Agent สำหรับแอปธนาคาร

Use Case 2: Autonomous Research Agent สำหรับบริษัทวิจัยตลาด

Use Case 3: HR Onboarding Agent สำหรับองค์กรขนาดใหญ่