주메뉴 바로가기 본문 바로가기

알림

콘솔 이동 시 로그인이 필요합니다.

로그인하시겠습니까?

아니요 예

닫기

주문 불가 알림

주문권한이 없습니다.

콘솔에 접근할 수 없는 계정입니다.

확인

닫기

알림

신용카드 등록이 필요합니다.

신용카드 등록 페이지로 이동하시겠습니까?

아니요 예

닫기
AX Tech
img

재배포 없이 Python 코드를 실행하는 Code Interpreter 세션 구성

img 이용원
| 2026.11.02
  • AWS
  • Bedrock
  • GenerativeAI

이번 8편에서는 상담 에이전트가 "이번 달 문의가 얼마나 늘었는지 차트로 보여 줘"라는 요청을 받았을 때, 데이터를 받아 코드를 실행하고 차트 이미지를 돌려주는 구조를 어떻게 만드는지 다룹니다.

재배포 없이 Python 코드를 실행하는 Code Interpreter 세션 구성


 

7편에서 상담 에이전트의 토큰 소비와 지연을 대시보드로 볼 수 있게 만들었습니다. 운영팀이 그 대시보드를 보다가 물었습니다. "지난 한 달 동안 문의 유형별 추이를 차트로 뽑아 줄 수 있어?" 주문 조회, 배송 확인, 환불 요청이 날짜별로 어떻게 움직였는지를 한눈에 보고 싶다는 것입니다.

데이터는 이미 쌓여 있는 상태입니다. 3편에서 Gateway에 연결한 주문·배송·환불 조회 Lambda가 호출 로그를 남기고 있으니까요. 그런데 에이전트가 이 데이터를 받아서 matplotlib으로 차트를 그리고 PNG 파일을 돌려주려면, 에이전트 안에서 코드를 실행할 수 있는 환경이 필요합니다. 에이전트 컨테이너에 matplotlib을 직접 설치하면 되지 않느냐고 할 수 있지만, 그러면 에이전트가 실행하는 코드가 에이전트 프로세스 자체를 망가뜨릴 위험이 생깁니다.

AgentCore Code Interpreter는 이 문제를 격리된 샌드박스로 풀어 줍니다. 에이전트가 코드와 데이터를 넘기면 별도 microVM에서 실행하고, 결과 파일만 돌려줍니다.


3줄 요약

  • Code Interpreter는 에이전트와 격리된 microVM에서 코드를 실행하므로, 에이전트 프로세스에 영향을 주지 않고 차트를 그릴 수 있습니다.
  • 세션 기본 TTL이 900초(15분)이고 동기 요청 타임아웃도 15분이라서, 세션을 재사용하려면 sessionTimeoutSeconds를 반드시 늘려야 합니다.
  • CPU·메모리 단가가 Runtime microVMs v1과 동일하므로, Code Interpreter를 고르는 기준은 단가가 아니라 샌드박스 격리와 파일 I/O 내장이라는 운영 편의에 있습니다.


검증 환경


1. 왜 Code Interpreter가 필요한가

운영팀이 "문의 유형별 추이를 차트로 보여 달라"고 했을 때, 에이전트가 해야 할 일은 세 단계입니다. 데이터를 모으고, 그 데이터를 가공하는 코드를 실행하고, 결과 이미지를 돌려줘야 합니다.

처음 떠오르는 방법은 에이전트 컨테이너 안에서 직접 코드를 실행하는 것입니다. 2편에서 올린 Runtime 컨테이너에 matplotlib을 설치하고 subprocess로 Python 스크립트를 돌리면 될 것 같습니다. 그러나 이 방식에는 두 가지 문제가 따라옵니다.

하나는 격리가 없다는 것입니다. 에이전트가 모델의 지시에 따라 생성한 코드를 자기 프로세스 안에서 실행하면, 잘못된 코드가 에이전트 자체를 멈추게 할 수 있습니다. 무한 루프가 CPU를 잡아먹거나, 파일 시스템을 건드려 컨테이너 상태를 오염시키는 일이 벌어집니다.

다른 하나는 의존성 관리입니다. 차트를 그리려면 matplotlib, pandas 같은 라이브러리가 필요한데, 이것을 에이전트 이미지에 넣으면 이미지 크기가 늘어나고 라이브러리 버전 충돌 위험도 생깁니다. 차트 말고 통계 분석이나 데이터 변환 요청이 추가될 때마다 이미지를 다시 빌드해야 합니다.

Code Interpreter는 이 두 문제를 한꺼번에 해결합니다. 코드를 에이전트 밖의 격리된 microVM에서 실행하고, Python과 Node.js(JavaScript, TypeScript) 런타임이 미리 갖춰져 있어 에이전트 이미지를 건드릴 필요가 없습니다.


2. 아키텍처


[그림 1] 에이전트 → Code Interpreter 세션 → 파일 반환 전체 구성


에이전트가 차트를 만드는 흐름은 네 구성요소를 거칩니다.


요청이 흐르는 순서는 이렇습니다. 사용자가 "문의 추이 차트를 그려 줘"라고 말하면 에이전트가 데이터를 모아 Python 코드를 생성합니다. 에이전트는 Code Interpreter 세션에 그 코드를 넘기고, 세션은 격리된 microVM에서 실행한 뒤 결과를 돌려줍니다. 차트 이미지는 응답의 stream.result.content 배열에 image 타입으로 담겨 오고, 에이전트는 그 이미지를 사용자에게 전달합니다.


3. 이 선택의 근거


[그림 2] Lambda 직접 실행 · subprocess · Code Interpreter 비교


에이전트가 코드를 실행하는 방법은 세 가지입니다.


Code Interpreter를 씁니다. 이유는 격리와 상태 유지가 동시에 되기 때문입니다.

Lambda는 호출마다 상태가 초기화되어 데이터를 매번 다시 올려야 하고, 15분 타임아웃 안에 전체 처리가 끝나야 합니다. 차트를 그리려면 데이터를 올리고, 코드를 실행하고, 결과를 확인하고, 필요하면 코드를 고쳐 다시 실행하는 과정이 이어지는데, 매 호출마다 데이터부터 다시 넣어야 하므로 반복 작업에 맞지 않습니다. subprocess는 상태가 유지되지만 에이전트 프로세스를 망가뜨릴 수 있어서 운영 환경에 올리기 힘든 구조입니다.

Code Interpreter는 세션 안에서 파일 시스템과 변수가 유지되므로 데이터를 한 번 올리면 여러 번 코드를 고쳐 실행할 수 있고, microVM 격리 덕분에 에이전트 프로세스를 건드리지 않습니다. 동기 요청 타임아웃이 15분이라는 제약이 있지만, 차트 하나를 그리는 데 15분이 걸리는 일은 드뭅니다. 계정당 동시 활성 세션 기본 한도는 1,000개이고, 지원 티켓으로 상향이 됩니다.

단, 에이전트가 코드를 실행할 일이 차트 하나뿐이고 앞으로 늘 계획이 없다면 Lambda에 matplotlib을 넣어 배포하는 편이 단계가 적습니다. 코드 내용이 요청마다 달라지고 실행 횟수가 세션당 두 번 이상 되는 시점부터 Code Interpreter가 값을 합니다.


4. 구현


[그림 3] IAM 역할 생성 → 세션 생성 → 코드 실행 → 파일 수신 절차


구현은 다섯 단계로 진행합니다. Code Interpreter 리소스를 만들고, IAM 역할을 구성하고, 세션을 열고, 코드를 실행하고, 결과를 받습니다.

먼저 이후 명령에서 반복해 쓸 값을 변수로 선언합니다. <your-account-id>에는 여러분의 AWS 계정 ID를 넣습니다. 계정 ID는 aws sts get-caller-identity --query Account --output text로 확인합니다.

ACCOUNT=<your-account-id>
REGION=ap-northeast-2
CI_NAME=support_chart_interpreter
ROLE_NAME=support-code-interpreter-role
SESSION_TTL=3600


4.1 IAM 실행 역할 만들기

Code Interpreter가 microVM을 띄우려면 bedrock-agentcore.amazonaws.com이 빌려 쓸 IAM 역할이 필요합니다. 신뢰 정책의 Condition에 arn:aws:bedrock-agentcore:{region}:{accountId}:* 패턴을 넣어 이 계정의 AgentCore 리소스만 역할을 맡을 수 있게 좁힙니다.

cat > trust-policy.json << EOF
{
  "Version": "2012-10-17",
  "Statement": [
    {
      "Effect": "Allow",
      "Principal": {
        "Service": "bedrock-agentcore.amazonaws.com"
      },
      "Action": "sts:AssumeRole",
      "Condition": {
        "ArnLike": {
          "aws:SourceArn":
            "arn:aws:bedrock-agentcore:${REGION}:${ACCOUNT}:*"
        }
      }
    }
  ]
}
EOF

이 파일을 넘겨 역할을 만듭니다.

aws iam create-role \
  --role-name "${ROLE_NAME}" \
  --assume-role-policy-document file://trust-policy.json

응답의 Role.Arn이 다음 단계에서 Code Interpreter를 만들 때 넘길 값입니다. 변수에 담아 둡니다.

ROLE_ARN="arn:aws:iam::${ACCOUNT}:role/${ROLE_NAME}"

역할만 만들면 껍데기뿐이라 Code Interpreter가 microVM을 띄울 때 권한 오류가 납니다. Code Interpreter 실행에 필요한 최소 권한을 인라인 정책으로 붙여야 합니다. 아래 정책은 이 계정의 AgentCore Code Interpreter 리소스를 대상으로 세션을 열고 코드를 실행하는 동작을 허용합니다.

cat > ci-policy.json << EOF
{
  "Version": "2012-10-17",
  "Statement": [
    {
      "Effect": "Allow",
      "Action": [
        "bedrock-agentcore:StartCodeInterpreterSession",
        "bedrock-agentcore:InvokeCodeInterpreter",
        "bedrock-agentcore:GetCodeInterpreterSession",
        "bedrock-agentcore:StopCodeInterpreterSession"
      ],
      "Resource": "arn:aws:bedrock-agentcore:${REGION}:${ACCOUNT}:*"
    }
  ]
}
EOF
aws iam put-role-policy \
  --role-name "${ROLE_NAME}" \
  --policy-name code-interpreter-policy \
  --policy-document file://ci-policy.json

이제 역할에 신뢰 정책과 권한 정책이 모두 붙었으므로 다음 단계에서 Code Interpreter 리소스를 만들 수 있습니다.


4.2 Code Interpreter 리소스 만들기

Code Interpreter 리소스는 microVM 풀을 관리하는 단위입니다. name과 networkConfiguration이 필수이고, 네트워크 모드는 PUBLIC, SANDBOX, VPC 세 가지를 받습니다. 외부 패키지를 pip으로 설치해야 하므로 PUBLIC을 씁니다. VPC 모드는 사내 데이터베이스에 직접 접근해야 할 때 쓰는 것이고, 이 글의 범위를 넘어갑니다.

이름은 영문으로 시작해 영문·숫자·밑줄만 쓸 수 있고 최대 48자입니다. 하이픈은 쓸 수 없어서 Runtime, Memory와 같은 규칙을 따릅니다.

생성 명령의 응답에서 codeInterpreterId를 바로 꺼냅니다. 이 값은 지정한 이름 뒤에 하이픈과 10자 접미사가 붙은 형태로 돌아오며, 이후 세션을 열 때 이 식별자를 씁니다.

CI_ID=$(aws bedrock-agentcore-control \
  create-code-interpreter \
  --name "${CI_NAME}" \
  --execution-role-arn "${ROLE_ARN}" \
  --network-configuration '{"networkMode":"PUBLIC"}' \
  --query 'codeInterpreterId' --output text)
echo "Code Interpreter ID: ${CI_ID}"

내장 인터프리터 aws.codeinterpreter.v1도 있지만, 직접 만든 리소스를 써야 네트워크 모드와 파일시스템 마운트를 제어할 수 있습니다.


4.3 세션 열기

세션은 코드 실행 상태와 파일 시스템을 유지하는 단위입니다. 기본 TTL이 900초(15분)인데, 동기 요청 타임아웃도 15분이라서 코드 한 번 실행하면 세션이 바로 만료될 수 있습니다. 따라서 세션을 재사용하려면 sessionTimeoutSeconds를 기본값보다 길게 잡아야 합니다. 최솟값은 1초, 최댓값은 28,800초(8시간)이며, 작업 흐름에 맞춰 그 사이에서 값을 정합니다.

SESSION_TTL은 위 변수 블록에서 한 시간으로 둡니다. 차트를 여러 번 고쳐 그리는 작업이라면 기본값 900초보다 넉넉한 값이 편하고, 장시간 배치 작업이 예상되면 최대 28,800초까지 올릴 수 있습니다.

SESSION_ID=$(aws bedrock-agentcore \
  start-code-interpreter-session \
  --code-interpreter-identifier "${CI_ID}" \
  --session-timeout-seconds "${SESSION_TTL}" \
  --name "support_chart_session" \
  --query 'sessionId' --output text)
echo "Session ID: ${SESSION_ID}"

sessionId는 최대 40자의 영숫자 문자열로 돌아옵니다. 이 값을 이후 코드 실행과 세션 종료에 씁니다.


4.4 데이터 올리기와 코드 실행하기

데이터를 세션에 올리는 방법은 두 가지입니다. 인라인으로 넣거나 S3 터미널 명령으로 가져오는 것인데, 인라인은 100 MB까지, S3 경유는 5 GB까지 받아들입니다. 문의 추이 CSV는 수 KB 수준이므로 인라인으로 충분합니다.

파일을 올릴 때는 InvokeCodeInterpreter의 name을 writeFiles로 두고 arguments.content 배열에 담습니다. 각 요소에는 path가 필수이고 text로 내용을 넣습니다.

먼저 CSV 데이터를 셸 변수에 담아 줄 길이를 줄입니다.

CSV_DATA="date,type,count
2026-09-01,order,45
2026-09-01,shipping,32
2026-09-01,refund,12
2026-09-08,order,51
2026-09-08,shipping,28
2026-09-08,refund,18
2026-09-15,order,38
2026-09-15,shipping,41
2026-09-15,refund,15
2026-09-22,order,62
2026-09-22,shipping,35
2026-09-22,refund,22"

이 변수를 JSON 인자 파일에 넣습니다. CSV에 개행이 들어 있으므로 jq로 감싸야 합니다. heredoc으로 그대로 펼치면 JSON 문자열 안에 리터럴 개행이 들어가고, 그런 JSON은 CLI가 거부합니다.

jq -n --arg csv "${CSV_DATA}" \
  '{content:[{path:"/tmp/inquiries.csv",text:$csv}]}' \
  > write-args.json
aws bedrock-agentcore invoke-code-interpreter \
  --code-interpreter-identifier "${CI_ID}" \
  --session-id "${SESSION_ID}" \
  --name writeFiles \
  --arguments file://write-args.json

파일이 올라갔으면 차트를 그리는 코드를 실행합니다. name을 executeCode로 바꾸고 arguments에 code와 language를 넣습니다. 코드도 파일로 분리해서 줄 길이를 관리합니다.

cat > chart-code.py << 'PYEOF'
import pandas as pd
import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt

df = pd.read_csv("/tmp/inquiries.csv")
pivot = df.pivot(
    index="date", columns="type", values="count"
)
pivot.plot(kind="bar", figsize=(10, 6))
plt.title("Weekly Inquiry Trend")
plt.ylabel("Count")
plt.tight_layout()
plt.savefig("/tmp/chart.png")
print("chart saved")
PYEOF

Python 코드를 JSON 인자로 감쌉니다. jq가 이스케이프를 처리해 주므로 따옴표가 깨지지 않습니다.

CODE=$(cat chart-code.py)
jq -n \
  --arg code "${CODE}" \
  '{language:"python",runtime:"python",code:$code}' \
  > exec-args.json
aws bedrock-agentcore invoke-code-interpreter \
  --code-interpreter-identifier "${CI_ID}" \
  --session-id "${SESSION_ID}" \
  --name executeCode \
  --arguments file://exec-args.json

language는 python, javascript, typescript를 받고, runtime은 python, nodejs, deno를 받습니다. Python 차트를 그리므로 둘 다 python으로 지정했습니다.


4.5 결과 파일 읽기

코드가 /tmp/chart.png에 저장한 파일을 읽어 옵니다. name을 readFiles로 두고 경로를 지정합니다.

aws bedrock-agentcore invoke-code-interpreter \
  --code-interpreter-identifier "${CI_ID}" \
  --session-id "${SESSION_ID}" \
  --name readFiles \
  --arguments '{"paths":["/tmp/chart.png"]}'

실행 결과는 응답의 stream.result.content 배열로 돌아옵니다. 차트 같은 이미지는 type이 image이고 data(blob)와 mimeType을 함께 담습니다. 텍스트 출력은 type이 text로 옵니다. 한편 stream.result.structuredContent에는 stdout, stderr, exitCode, executionTime이 들어 있어 실행 성공 여부와 소요 시간을 바로 읽어 낼 수 있습니다.


4.6 Strands 에이전트에 연결하기

4.1절에서 4.5절까지는 CLI로 한 단계씩 따라가는 경로였습니다. 실제 운영에서는 Strands 에이전트가 이 과정을 자동으로 처리하게 만듭니다. strands_tools.code_interpreter 모듈의 AgentCoreCodeInterpreter 클래스가 세션 생성부터 코드 실행, 파일 반환까지를 하나의 도구로 감싸 줍니다.

먼저 필요한 패키지를 설치합니다.

pip install strands strands-tools

셸에서 Python으로 변수를 넘기려면 환경 변수를 씁니다.

export CI_ID="${CI_ID}"
export SESSION_TTL="${SESSION_TTL}"

에이전트의 tools 파라미터에는 인스턴스 자체가 아니라 인스턴스의 .code_interpreter 속성을 전달합니다. TypeScript에서는 bedrock-agentcore/experimental/code-interpreter/strands 모듈의 createExecuteCodeTool 함수가 같은 역할을 맡습니다.

import os
from strands import Agent
from strands_tools.code_interpreter import (
    AgentCoreCodeInterpreter,
)

CI_ID = os.environ["CI_ID"]

ci = AgentCoreCodeInterpreter(
    code_interpreter_identifier=CI_ID,
    session_timeout_seconds=int(
        os.environ["SESSION_TTL"]
    ),
)

agent = Agent(
    tools=[ci.code_interpreter],
    system_prompt=(
        "문의 추이 데이터를 받아 차트를 그려 주는 "
        "상담 지원 에이전트입니다."
    ),
)

response = agent(
    "이번 달 문의 유형별 추이를 차트로 그려 줘"
)
print(response)

agent()를 호출하면 에이전트가 모델에게 코드 생성을 맡기고, ci.code_interpreter 도구를 통해 Code Interpreter 세션에서 실행한 뒤, 결과 이미지를 응답에 담아 돌려줍니다. 4.3절에서 4.5절까지 CLI로 한 단계씩 밟은 과정이 한 번의 호출로 이어지는 셈입니다.


5. 동작 확인


[그림 4] 코드 실행 요청과 파일 응답 구조, TTL 만료 시 재시도 분기


4.4절에서 executeCode를 호출한 뒤 돌아오는 응답을 살펴봅니다. 응답은 스트림 형태이고, 실행이 끝나면 stream.result에 결과가 담깁니다.

structuredContent부터 확인합니다. 여기에 exitCode가 0이면 코드가 정상 종료된 것이고, stdout에 "chart saved"가 찍혀 있으면 파일 저장까지 성공한 것입니다. executionTime은 코드 실행에 걸린 시간을 알려줍니다. 만약 exitCode가 0이 아니라면 stderr에 오류 메시지가 담기므로 그 내용을 보고 코드를 고쳐 같은 세션에서 다시 실행하면 됩니다. 세션이 살아 있으므로 데이터를 다시 올리지 않아도 됩니다.

content 배열에는 실행 결과물이 들어옵니다. readFiles로 이미지를 읽으면 type이 image인 요소가 오고, data 필드에 바이너리가, mimeType 필드에 image/png가 담깁니다. 텍스트 출력은 type이 text로 옵니다. resource와 resource_link 타입도 정의되어 있지만 차트 반환에서는 image와 text만 쓰게 됩니다.

세션 상태를 확인하려면 GetCodeInterpreterSession을 호출합니다.

aws bedrock-agentcore get-code-interpreter-session \
  --code-interpreter-identifier "${CI_ID}" \
  --session-id "${SESSION_ID}"

응답에 sessionTimeoutSeconds가 들어 있어 현재 설정된 TTL을 확인합니다. 4.3절에서 지정한 값이 그대로 보여야 합니다.


6. 성능과 비용

Code Interpreter의 과금은 요청 건수가 아니라 세션 동안의 실제 리소스 소비를 기준으로 매겨집니다. CPU는 실제 소비량을, 메모리는 해당 초까지의 최대 사용량을 초 단위로 계산하며 최소 1초가 적용됩니다. 메모리에는 128 MB 최소 청구 기준이 걸립니다.


이 단가는 Runtime microVMs v1, Browser Tool과 동일합니다. 다만 Runtime v2(소비 기반 $0.1276 vCPU-hour / $0.0169 GB-hour)와는 다르므로 혼동하지 않아야 합니다. 같은 코드를 Runtime v1에서 직접 실행하는 것과 Code Interpreter에서 실행하는 것의 컴퓨팅 단가 차이는 없다는 뜻입니다. 따라서 Code Interpreter를 고르는 이유는 단가가 아니라 샌드박스 격리와 파일 I/O가 내장되어 있다는 운영 편의 쪽에 있습니다.

과금 범위는 microVM 부팅·초기화부터 활성 처리, 유휴 구간을 거쳐 세션 종료(microVM 셧다운)까지의 전체 세션 수명에 걸친 실제 리소스 소비이며, 시스템 오버헤드도 포함됩니다. 다만 I/O 대기 중 다른 백그라운드 프로세스가 돌지 않아 CPU 소비가 없으면 CPU 요금은 붙지 않습니다.

동시 세션이 폭증하면 비용이 빠르게 늘어납니다.

동시 세션 1,000개 × 기본 TTL 15분 × 1 vCPU 풀 사용 가정

CPU 비용 = 1000 × (15 / 60) × 0.0895 = $22.375

15분 만에 CPU 비용만 $22.375가 나가므로, 동시 세션 수를 모니터링하고 상한 알람을 걸어야 합니다.


7. 운영 시 주의사항

세션 TTL 기본값 주의

4.3절에서 TTL을 한 시간으로 잡은 이유가 이것입니다. 기본값을 그대로 두면 코드를 한 번 실행하고 세션이 만료될 수 있습니다.

비동기 명령의 최대 실행 시간도 8시간입니다. 비동기 장시간 작업을 쓸 때는 sessionTimeoutSeconds를 28,800으로 설정해야 세션이 작업 도중에 만료되는 일을 막을 수 있습니다.

파일 크기별 업로드 경로 선택

인라인 업로드는 100 MB까지, S3 터미널 명령 경유는 5 GB까지 받아들입니다. 50배 차이가 납니다. 문의 추이 CSV가 수 KB라면 인라인으로 충분하지만, 원본 로그를 통째로 넘기는 경우처럼 수십 MB를 넘을 가능성이 있으면 처음부터 S3 경유 경로로 설계합니다. 나중에 경로를 바꾸면 코드와 권한을 함께 고쳐야 하기 때문입니다.

파일시스템 마운트로 입력 소스 분리

세션 하나에 최대 10개 외부 파일시스템을 마운트할 수 있습니다. 문의 추이 원본과 참조 데이터(예: 상품 카탈로그)를 별도 파일시스템으로 마운트하면 코드 안에서 경로가 명확해지고 권한도 분리됩니다. create-code-interpreter와 start-code-interpreter-session이 모두 --filesystem-configurations로 받으며, 설정 상세는 이 글의 범위를 넘어갑니다.

동시 세션 수 감시

계정당 동시 활성 세션 기본 한도는 1,000개입니다. 지원 티켓으로 늘릴 수 있지만, 한도에 닿기 전에 여유를 두고 알람을 걸어 둡니다. 임계값은 운영 패턴에 따라 정합니다.

오류 구분과 재시도 전략

실행 실패는 stream.result.structuredContent의 exitCode와 stderr로 확인합니다. API 수준 오류는 같은 스트림 안의 validationException 등 일곱 가지 예외 구조로 구분됩니다. exitCode가 0이 아닌 것은 코드 오류이고, 예외 구조가 오는 것은 요청 자체가 잘못된 것이므로 재시도 전략도 달라집니다.


8. 리소스 정리

세션을 먼저 닫고, Code Interpreter 리소스를 삭제한 뒤, IAM 역할을 지웁니다. 세션이 열린 채로 방치하면 TTL까지 과금이 계속되고, 역할이 리소스에 묶여 있으므로 리소스를 먼저 지워야 역할 삭제가 깔끔하게 끝납니다.

aws bedrock-agentcore stop-code-interpreter-session \
  --code-interpreter-identifier "${CI_ID}" \
  --session-id "${SESSION_ID}"
aws bedrock-agentcore-control delete-code-interpreter \
  --code-interpreter-id "${CI_ID}"

세션 명령은 --code-interpreter-identifier를 받고 리소스 삭제는 --code-interpreter-id를 받습니다. 데이터 플레인과 컨트롤 플레인이 식별자 필드 이름을 다르게 쓰기 때문입니다.

aws iam delete-role-policy \
  --role-name "${ROLE_NAME}" \
  --policy-name code-interpreter-policy
aws iam delete-role --role-name "${ROLE_NAME}"


맺음말

이 글에서 만든 것은 에이전트가 데이터를 받아 코드를 실행하고 차트 이미지를 돌려주는 경로입니다. 서론에서 세운 문제 — 에이전트 안에서 코드를 실행하면 프로세스가 오염되고 의존성이 꼬인다는 것 — 를 격리된 microVM 세션으로 풀었습니다.

Code Interpreter가 맞는 경우와 아닌 경우를 구분하는 선은 이렇습니다. 코드 내용이 요청마다 달라지고 실행 횟수가 반복된다면 Code Interpreter가 맞습니다. 반대로 차트 종류가 정해져 있고 입력만 바뀌는 구조라면 Lambda에 코드를 넣어 배포하는 편이 단계가 적고 관리 부담도 줄어듭니다. 판단 기준은 "에이전트가 코드를 만드는가, 정해진 코드를 부르기만 하는가"입니다.

다음 9편에서는 환불·교환 규정 문서를 Knowledge Bases에 올려서 에이전트가 근거를 갖고 답하는 구조를 만듭니다.


참고 자료

img
이용원 | Cloud사업개발3팀

AWS Architect로서 AWS 파트너십 기술지원을 담당하고 있으며, 2026년 AWS All Star로 선정되어 Golden Jacket을 획득했습니다.