Introducing Web Search on Amazon Bedrock AgentCore

🖼️ 인포그래픽

Introducing Web Search on Amazon Bedrock AgentCore 내용을 설명하는 본문 이미지

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Amazon Bedrock AgentCore의 Web Search는 에이전트가 최신 웹 정보를 MCP 도구로 호출할 수 있게 해, 학습 시점에 지식이 고정되는 한계를 줄이는 완전관리형 웹 검색 기능입니다.

📌 핵심 요약

글은 AI 에이전트가 학습 시점 이후의 주가, 스포츠 결과, 최근 발표 같은 정보를 알 수 없다는 구조적 한계를 출발점으로 삼고, 이를 보완하기 위해 Amazon Bedrock AgentCore의 Web Search 기능을 소개합니다.
이 기능은 AgentCore Gateway에 연결되는 관리형 타깃 또는 커넥터로 제공되며, 에이전트는 표준 MCP의 tools/list 호출로 도구를 발견하고 다른 MCP 도구처럼 호출할 수 있습니다.
Amazon이 직접 운영하는 수십억 문서 규모의 웹 인덱스, 지속적인 갱신, 지식 그래프, 의미 기반 스니펫 추출을 통해 최신성과 모델 컨텍스트에 맞춘 검색 결과 제공을 강조합니다.
고객 쿼리가 AWS 외부의 제3자 검색 엔진으로 나가지 않도록 설계되어 있으며, Gateway가 AWS 소유 커넥터와 내부적으로 통신하는 방식으로 데이터 경로를 AWS 안에 유지한다고 설명합니다.
설정 절차는 Gateway에 web-search 커넥터를 타깃으로 추가하고 IAM 권한을 부여한 뒤 MCP 호환 프레임워크에서 도구를 호출하는 흐름이며, 가격은 1,000쿼리당 7달러로 제시됩니다.

🧩 주요 포인트

글은 AI 에이전트가 학습 시점 이후의 주가, 스포츠 결과, 최근 발표 같은 정보를 알 수 없다는 구조적 한계를 출발점으로 삼고, 이를 보완하기 위해 Amazon Bedrock AgentCore의 Web Search 기능을 소개합니다.
이 기능은 AgentCore Gateway에 연결되는 관리형 타깃 또는 커넥터로 제공되며, 에이전트는 표준 MCP의 tools/list 호출로 도구를 발견하고 다른 MCP 도구처럼 호출할 수 있습니다.
Amazon이 직접 운영하는 수십억 문서 규모의 웹 인덱스, 지속적인 갱신, 지식 그래프, 의미 기반 스니펫 추출을 통해 최신성과 모델 컨텍스트에 맞춘 검색 결과 제공을 강조합니다.
고객 쿼리가 AWS 외부의 제3자 검색 엔진으로 나가지 않도록 설계되어 있으며, Gateway가 AWS 소유 커넥터와 내부적으로 통신하는 방식으로 데이터 경로를 AWS 안에 유지한다고 설명합니다.
설정 절차는 Gateway에 web-search 커넥터를 타깃으로 추가하고 IAM 권한을 부여한 뒤 MCP 호환 프레임워크에서 도구를 호출하는 흐름이며, 가격은 1,000쿼리당 7달러로 제시됩니다.

🧠 상세 정리

1. 에이전트 지식의 시간적 한계와 Web Search의 역할

글은 AI 에이전트가 조직의 정보 탐색과 실행 방식을 바꾸고 있지만, 학습 데이터에만 의존할 경우 지식이 학습 시점에 고정된다는 문제에서 시작합니다. 오늘의 주가, 방금 끝난 스포츠 경기 결과, 한 시간 전에 출시된 릴리스처럼 현재성이 중요한 질문에는 기존 학습 지식만으로 답할 수 없다고 설명합니다. Amazon Bedrock AgentCore의 Web Search는 이 공백을 메우기 위해 제시되며, 에이전트가 웹에서 최신 정보를 가져오도록 하는 완전관리형 웹 검색 기능으로 소개됩니다. 핵심은 별도 검색 인프라를 직접 운영하지 않고도 에이전트가 현재 웹 정보를 도구처럼 사용할 수 있게 한다는 점입니다.

2. MCP 호환 관리형 커넥터로 제공되는 구조

Web Search는 Model Context Protocol, 즉 MCP와 호환되는 기능으로 제공되며, AgentCore Gateway에 연결되는 관리형 타깃 또는 커넥터로 사용할 수 있습니다. 에이전트는 표준 tools/list 호출을 통해 이 도구를 발견하고, 다른 MCP 도구와 같은 방식으로 호출합니다. 글은 별도의 검색 API를 프로비저닝하거나, 아웃바운드 자격 증명을 관리하거나, 검색 결과를 파싱하기 위한 접착 코드를 유지할 필요가 없다고 강조합니다. 애플리케이션은 IAM 또는 JWT 기반 인바운드 인증을 통해 Gateway에 연결되고, Gateway는 관리형 커넥터를 통해 AWS 서비스 계정의 Web Search 도구로 쿼리를 라우팅합니다.

3. 직접 웹 검색을 붙일 때 생기는 운영 부담

글은 웹으로 에이전트를 접지하는 것이 오래된 지식 문제의 해결책이지만, 이를 직접 구축하는 과정에서 많은 팀이 막힌다고 설명합니다. 제3자 검색 API를 조달하고 키, 쿼터, 속도 제한을 관리해야 하며, 검색 제공자마다 다른 결과 형식을 파싱해야 합니다. 또한 고객 쿼리가 어디로 이동하고 그 데이터가 어떻게 보관되거나 재사용될 수 있는지 검토해야 하는 부담도 있습니다. 여기에 모델이 원시 HTML이 아니라 관련 구절을 받을 수 있도록 스니펫 추출 로직을 만들어야 하고, 시간이 지나도 검색의 최신성, 범위, 품질을 유지해야 한다는 점이 별도의 프로젝트가 된다고 지적합니다.

4. Amazon이 운영하는 대규모 웹 인덱스와 지속 갱신

Web Search의 기반에는 Amazon이 직접 운영하는 목적별 웹 인덱스가 있으며, 이 인덱스는 수십억 개의 문서를 포괄한다고 설명됩니다. 글은 많은 웹 검색 추가 솔루션이 제3자 검색 엔진을 감싼 형태인 반면, 이 기능은 Amazon이 운영하는 인덱스를 사용한다는 점을 차별점으로 제시합니다. 문서 범위가 넓을수록 유명한 페이지뿐 아니라 틈새 라이브러리나 잘 알려지지 않은 제품 사양 같은 롱테일 질문에도 더 효과적으로 답할 수 있다고 설명합니다. 또한 Amazon은 인덱스를 지속적으로 새로 고쳐 새로운 콘텐츠를 몇 분 안에 반영하며, 가격 변동이나 최근 발표처럼 시간에 민감한 질문에서 이 최신성은 근거 있는 응답과 자신 있게 틀린 응답을 가르는 차이가 된다고 말합니다.

5. 지식 그래프와 의미 기반 스니펫 추출

글은 Web Search가 단순히 페이지 텍스트만 가져오는 기능이 아니라, 엔터티와 관계를 접지하는 내장 지식 그래프를 포함한다고 설명합니다. 누가 어떤 역할을 맡고 있는지, 어떤 조직이 언제 설립되었는지 같은 사실 질문에서는 모델이 스니펫을 조합해 추론하도록 맡기기보다 지식 그래프가 높은 신뢰도의 응답을 제공할 수 있다고 말합니다. 또한 도구는 원시 HTML이나 전체 페이지를 모델에 넘기지 않고, 쿼리와 의미적으로 관련 있는 구절을 각 웹페이지에서 추출합니다. 이렇게 반환된 내용은 모델의 컨텍스트 창에 맞게 최적화되며, 탐색 메뉴나 보일러플레이트에 토큰을 쓰는 일을 줄여 인용 기반 응답의 정밀도를 높이는 데 도움이 될 수 있다고 설명합니다.

6. AWS 내부에 머무르는 쿼리 경로와 프라이버시 설계

프라이버시 부분에서 글은 기업이 웹 검색을 도입할 때 단순히 작동 여부보다 사용자 쿼리가 어디로 가고 어떻게 처리되는지를 더 중요하게 본다고 설명합니다. Web Search는 에이전트가 검색을 수행할 때 쿼리가 AWS 인프라 안에서 처리되도록 설계되었으며, 고객 쿼리가 제3자 검색 엔진으로 전송되거나 AWS 밖으로 나가지 않는다고 밝힙니다. Gateway는 AWS가 소유한 커넥터에 인증하고 요청을 내부적으로 라우팅하므로, 데이터 경로가 끝까지 AWS 내부에 머문다는 설명입니다. 데이터 레지던시나 제3자 반출 검토가 중요한 팀에게는 이 구조가 검토해야 할 범주 하나를 제거하는 효과를 낸다고 정리합니다.

7. Gateway 설정, 권한 구성, MCP 프레임워크 호출

설정 절차는 기존 AgentCore Gateway를 사용하거나 새로 만든 뒤, connectorId가 web-search인 Web Search Tool 타깃을 Gateway에 추가하는 방식으로 설명됩니다. 예시 코드에서는 boto3의 bedrock-agentcore-control 클라이언트를 만들고 create_gateway_target 호출로 web-search-tool을 등록하며, Gateway가 도구 스키마 스냅샷, 통합 프로비저닝, 스키마 관리, 파라미터 거버넌스, 엔드포인트 해석, 서비스 인증을 처리한다고 설명합니다. 권한 측면에서는 Gateway가 자체 IAM 서비스 역할을 사용해 Web Search 백엔드에 인증하며, 해당 역할에는 bedrock-agentcore:InvokeGateway와 AWS 소유 리소스 ARN에 대한 bedrock-agentcore:InvokeWebSearch 권한이 필요합니다. 글은 이 역할이 아웃바운드 인증용이고, Gateway를 누가 호출할 수 있는지에 대한 인바운드 인증이나 모델 호출 권한과는 별도라고 선을 긋습니다.

8. 응답 형식, 적용 위치, 비용과 정리

MCP 호환 프레임워크에서는 Strands, LangChain, LangGraph, CrewAI 또는 자체 프레임워크가 tools/list로 WebSearchTool을 발견하고 필요할 때 호출할 수 있다고 설명합니다. 응답은 표준 MCP tools/call envelope로 돌아오며, 도구는 serialized JSON 문서를 담은 text 타입 content 블록 하나를 반환하고, 내부 JSON에는 id와 results 배열이 들어갑니다. 각 웹 인덱스 관찰값은 title, url, publishedDate, text를 포함하며, 엔터티 쿼리에 대해 선택적으로 제공되는 지식 그래프 관찰값은 title과 url이 null이고 text 필드에 구조화된 key/value 사실을 담습니다. 글은 조직 내부 데이터를 접지하려면 Amazon Bedrock Knowledge Bases나 Managed Knowledge Bases가 적합하고, Web Search는 조직 밖의 공개 웹과 분 단위로 변하는 정보에 대한 보완재라고 정리하며, 가격은 1,000쿼리당 7달러이고 실습 후에는 Gateway 타깃과 필요 시 Gateway를 삭제해 비용을 멈추라고 안내합니다.

🧾 핵심 주장 / 시사점

이 글의 핵심은 에이전트의 최신성 문제를 모델 자체 재학습이 아니라 MCP 도구 연결과 관리형 검색 인프라로 해결하려는 접근입니다.
기업 도입 관점에서 중요한 차별점은 검색 품질뿐 아니라 쿼리 경로, 자격 증명 관리, 결과 파싱, 스니펫 추출 같은 운영 부담을 줄이는 데 있습니다.
Web Search는 내부 지식 검색을 대체하기보다 공개 웹의 최신 사실을 보완하는 위치로 설명되며, 실제 프로덕션 에이전트는 내부 지식베이스와 웹 검색을 함께 쓰는 구성이 자연스럽습니다.

✅ 액션 아이템

에이전트가 학습 시점 한계를 보완하려면 AgentCore Gateway에 web-search 타깃을 등록하고 MCP tools/list 기반 도구 탐색·호출 흐름을 우선 적용한다.
고객 쿼리가 AWS 외부 제3자 검색엔진으로 유출되지 않도록 Gateway-커넥터 경로를 AWS 내부로 고정하고 통신 동선을 점검한다.
Amazon이 운영하는 최신 갱신 웹 인덱스·지식 그래프·의미 기반 스니펫 특징을 반영해, 쿼리당 가치를 고려한 사용량 상한과 비용 모니터링 기준을 정한다.