AWS、テキスト・ボイスメッセージ・通話を横断するWhatsApp AgentCoreリファレンスアーキテクチャをオープンソース化

AWSは、テキスト、ボイスメッセージ、リアルタイム通話を同一のビジネスアカウントに接続する、完全な[マルチモーダルWhatsApp注文エージェントのリファレンス実装](https://aws.amazon.com/blogs/machine-learning/deploy-a-multimodal-whatsapp-ordering-assistant-with-amazon-bedrock-agentcore/)を公開した。すべてのメディアを単一モデルで処理する構成ではない。システムは3つのAgentCore Runtimeを構築し、テキストにはNova 2 Lite、ボイスメッセージと通話にはNova 2 Sonicを使用する。各セッションは独立したmicroVM内で実行され、3つの経路はハッシュ化された顧客識別子を通じてAgentCore Memoryを共有する。

公開された[GitHubサンプル](https://github.com/aws-samples/sample-multimodal-whatsapp-restaurant-agent)では、チャネル層、エージェント層、注文バックエンドが分離されている。WhatsApp webhookはまずMetaの署名を検証し、イベントをSQSへ送信して、直ちにHTTP 200を返す。その後、バックグラウンドworkerがメディアをダウンロードし、Runtimeを選択してエージェントを呼び出す。メニュー、ショッピングカート、注文確定、位置検索のロジックはプロンプトへ直接組み込まれていない。代わりに、AgentCore GatewayがRESTバックエンドを`GetMenu`、`AddToCart`、`PlaceOrder`などのMCPツールとしてラップし、その背後でLambda、DynamoDB、Amazon Location Serviceに接続する。

ボイスメッセージでは、OGG Opusを16 kHz PCMへデコードし、speech-to-speechを直接実行してから、再びOGGへエンコードする。この経路に独立した文字起こしサービスは存在しない。通話はさらに複雑だ。Meta Calling APIからWebRTC SDP offerを受け取り、VPC内の`aiortc` RuntimeがICE gatheringの完了を待って、単一のSDP answerを返す。DTLS/SRTPメディアは、Kinesis Video StreamsのマネージドTURN relayを介して伝送される。こうした詳細により、このサンプルは一般的なチャットボットのチュートリアルよりも、実際の通信システムに近いものとなっている。

ただし、これはあくまでリファレンスアーキテクチャであり、負荷試験や障害試験を経た完成品ではない。デプロイには複数のAWSおよびMetaの権限が必要で、モデルとAgentCoreを利用できるリージョンも限られている。さらに、通話用VPCのNAT gatewayは固定費の要因となる。チャネル横断のMemoryは、pepperを加えた電話番号のハッシュキーで連携されるが、事業者は同意取得、保持期間、削除、誤ったID統合への対応を引き続き行う必要がある。今後注目すべき点は、注文を1件完了できることの実証だけではない。割り込み処理、ツールの冪等性、決済承認、音声遅延、有人対応への引き継ぎの仕組みも重要になる。