Code Interpreter

AgentCore의 Code Interpreter는 서버리스 환경에서 안전하게 코드를 실행할 수 있도록 도와줍니다. 여기에서는 AgentCore SDK 또는 boto3를 이용하여 sandbox 환경에서 code interpreter를 구현하는 방법에 대해 설명합니다. 또한 code interpreter를 이용해 도표와 같은 이미지를 생성하여 Amazon S3에 저장하는 방식으로 code drawer를 구현합니다.

Coder Interpreter 구현 (AgentCore SDK)

AgentCore의 code interpreter를 이용한 Code 실행에 대해 설명합니다. 상세한 코드는 code_interpreter.py을 참조합니다.

여기에서는 data.csv에 대해 분석을 수행합니다.

아래와 같이 code를 실행하는 execute_python을 tool로 생성합니다.

from bedrock_agentcore.tools.code_interpreter_client import CodeInterpreter

code_client = CodeInterpreter('us-west-2')
code_client.start(session_timeout_seconds=1200)

@tool
def execute_python(code: str, description: str = "") -> str:
    """Execute Python code in the sandbox."""

    if description:
        code = f"# {description}\n{code}"

    #Print generated Code to be executed
    print(f"\n Generated Code: {code}")

    # Call the Invoke method and execute the generated code, within the initialized code interpreter session
    response = code_client.invoke("executeCode", {
        "code": code,
        "language": "python",
        "clearContext": False
    })
    for event in response["stream"]:
        return json.dumps(event["result"])

이때 agent는 아래와 같이 정의합니다.

import asyncio
from strands_tools import file_read

model_id="us.anthropic.claude-3-7-sonnet-20250219-v1:0"
model= BedrockModel(model_id=model_id)

agent=Agent(
    model=model,
        tools=[execute_python, file_read],
        system_prompt=SYSTEM_PROMPT,
        callback_handler=None)

query = "파일 'contents/data.csv'를 로드하고 탐색적 데이터 분석(EDA)을 수행하세요. 분포와 이상치 값에 대해 알려주세요."

async def main():
    response_text = ""
    async for event in agent.stream_async(query):
        if "data" in event:
            # Stream text response
            chunk = event["data"]
            response_text += chunk
            print(chunk, end="")

asyncio.run(main())

이후 아래와 같이 실행합니다.

python code_interpreter.py

이때의 결과는 아래와 같습니다.

'contents/data.csv' 파일의 탐색적 데이터 분석을 수행한 결과를 다음과 같이 정리했습니다. 파일에 접근 제한이 있어 파일 미리보기에서 추출한 데이터 샘플(30개 행)을 기반으로 분석했습니다.

## 1. 데이터셋 개요
- **규모**: 30개 행, 4개 컬럼
- **컬럼**: Name, Preferred_City, Preferred_Animal, Preferred_Thing
- **데이터 타입**: 모든 컬럼은 문자열(object) 타입
- **결측치**: 없음 (모든 필드가 채워짐)

## 2. 데이터 분포 분석

### 선호 도시 분포
- **가장 빈번한 도시**: London (3회, 10%)
- **중간 빈도 도시**: Buenos Aires, Paris, Zurich, Naples (각 2회, 6.7%)
- **희소 도시**: 19개 도시가 각각 1회만 등장 (전체의 63.3%)

### 선호 동물 분포
- **동일 빈도 동물**: Elephant, Zebra, Chicken, Goat, Shark, Panda, Duck (각 2회, 6.7%)
- **희소 동물**: 16개 동물이 각각 1회만 등장 (전체의 53.3%)
- **이 결과는 동물 선호도가 매우 고르게 분산되어 있음을 보여줌**

### 선호 물건 분포
- **동일 빈도 물건**: Sofa, Ball, Hat, Picture, Dress, Bracelet, Wallet (각 2회, 6.7%)
- **희소 물건**: 16개 물건이 각각 1회만 등장 (전체의 53.3%)
- **물건 선호도 역시 매우 고르게 분산됨**

## 3. 이상치 및 특이점 분석

### 강한 상관관계를 보이는 조합
- **도시-동물 조합**: Amsterdam-Cat, Cape Town-Turkey, Copenhagen-Snake 등은 1:1 매핑 관계를 보임
- **도시-물건 조합**: Atlanta-Chair, Beijing-Phone, Berlin-Pillow 등도 완벽한 상관관계를 보임
- **이는 각 도시마다 고유한 동물과 물건 선호도가 존재함을 의미**

### 독특한 선호 조합 식별
- 전체 데이터의 20%가 독특한 선호 조합을 보임:
  * Michael Clark (Naples, Shark, Coat)
  * Joshua Martin (London, Hawk, Earrings)
  * Donald Taylor (Paris, Guinea Pig, Computer)
  * Patricia Sanchez (Buenos Aires, Frog, Painting)
  * Lisa Rodriguez (London, Deer, Picture)
  * Richard Scott (Zurich, Panda, Ball)

## 4. 성씨별 선호도 패턴 분석

- **Wright 가족**: 3명 모두 다른 도시(Buenos Aires, Los Angeles, Berlin), 동물(Goat, Chicken, Shark), 물건(Wallet, Dress, Pillow) 선호
- **Green 가족**: 3명 모두 다른 도시(Naples, Geneva, Phoenix), 동물(Bee, Panda, Lion), 물건(Shirt, Ball, Bag) 선호
- **Allen 가족**: 2명 모두 다른 도시(Atlanta, Zurich)와 다른 선호도 패턴 보임
- **가족 내에서도 선호도 패턴이 매우 다양하여 유전적/환경적 요인에 의한 가족 유사성이 낮음을 시사**

## 5. 전반적인 데이터 특성

1. **희소성(Sparsity)**: 대부분의 범주가 1-2회만 출현하는 희소 데이터 특성을 보임
2. **고른 분포**: 선호도가 매우 고르게 분산되어 있어 뚜렷한 추세나 집중 현상이 적음
3. **높은 다양성**: 30명의 데이터에서 24개 도시, 23개 동물, 23개 물건이 등장하여 선호도의 다양성이 매우 높음
4. **낮은 패턴성**: 성씨나 이름 간의 뚜렷한 선호도 패턴이 관찰되지 않음

## 6. 결론

분석 결과, 이 데이터셋은 매우 다양하고 고르게 분산된 선호도를 보이며, 특별한 패턴이나 집중 현상은 관찰되지 않았습니다. 각 개인은 매우 고유한 선호도 조합을 가지고 있으며, 같은 성씨를 가진 사람들 사이에서도 선호도의 유사성은 낮았습니다. 전체 데이터의 20%가 독특한 선호 조합을 보였으며, 이는 데이터의 다양성과 개인 선호의 고유성을 강조합니다.%

MCP로 활용하기 (Boto3)

Built-in and Custom Code Interpreter

AgentCore에서는 ID가 "aws.codeinterpreter.v1"인 built-in code interpreter를 제공하고 있습니다. 이 code interpreter는 AgentCore가 설치된 리전에 기본 설치가 되어 있어서 쉽게 사용할 수 있으며, 제한된 option으로 설정되어 있습니다.

Custom code interpreter를 생성하면, network setting으로 sandbox와 public을 설정할 수 있으며, execution role을 정의하여 사용하는 목적에 맞게 권한을 설정할 수 있습니다. 아래는 boto3로 code interpreter를 생성하는 예제입니다. executionRoleArn을 통해 사용하는 목적에 맞게 권한을 설정할 수 있습니다.

import boto3
# Initialize the boto3 client
client = boto3.client(
    'bedrock-agentcore-control',
    region_name="us-west-2",
    endpoint_url="https://bedrock-agentcore-control.us-west-2.amazonaws.com"
)
# Create a Code Interpreter
response = client.create_code_interpreter(
    name="myTestSandbox1",
    description="Test code sandbox for development",
    executionRoleArn="arn:aws:iam::123456789012:role/my-execution-role",
    networkConfiguration={
        "networkMode": "PUBLIC"
    }
)
# Print the Code Interpreter ID
code_interpreter_id = response["codeInterpreterId"]
print(f"Code Interpreter ID: {code_interpreter_id}")

아래는 code interpreter의 execution role에 대한 trust policy 입니다.

 {
   "Version":"2012-10-17",
   "Statement":[
      {
         "Effect":"Allow",
         "Principal":{
            "Service":"bedrock-agentcore.amazonaws.com"
         },
         "Action":"sts:AssumeRole"
      }
   ]
}

아래는 code interpreter동작에 필요한 기본 권한입니다.

{
   "Version":"2012-10-17",
   "Statement":[
      {
         "Effect":"Allow",
         "Action":[
            "bedrock-agentcore:CreateCodeInterpreter",
            "bedrock-agentcore:StartCodeInterpreterSession",
            "bedrock-agentcore:InvokeCodeInterpreter",
            "bedrock-agentcore:StopCodeInterpreterSession",
            "bedrock-agentcore:DeleteCodeInterpreter",
            "bedrock-agentcore:ListCodeInterpreters",
            "bedrock-agentcore:GetCodeInterpreter",
            "bedrock-agentcore:GetCodeInterpreterSession",
            "bedrock-agentcore:ListCodeInterpreterSessions"
         ],
         "Resource":"arn:aws:bedrock-agentcore:*"
      }
   ]
}

Boto3 APIs

start_code_interpreter_session의 결과는 아래와 같습니다.

{
   "codeInterpreterIdentifier":"aws.codeinterpreter.v1",
   "sessionId":"01K12NP7J6E90BXX19AGA4S017",
   "createdAt":datetime.datetime(2025,7,26,6,10,56,149252,"tzinfo=tzutc())"
}

list_code_interpreter_sessions을 이용하여 현재 READY인 세션을 확인합니다.

response = client.list_code_interpreter_sessions(
    codeInterpreterIdentifier='aws.codeinterpreter.v1',
    maxResults=5,
    status='READY'
)
items = response['items']

이에 대한 결과는 아래와 같습니다.

{
   "items":[
      {
         "codeInterpreterIdentifier":"aws.codeinterpreter.v1",
         "sessionId":"01K12NP7J6E90BXX19AGA4S017",
         "name":"my-code-session",
         "status":"READY",
         "createdAt":datetime.datetime(2025,7,26,6,10,56,149252,"tzinfo=tzutc())",
         "lastUpdatedAt":datetime.datetime(2025,7,26,6,10,56,149252,"tzinfo=tzutc())"
      }
   ]
}

get_code_interpreter_session은 세션의 상태를 확인합니다.

{
   "codeInterpreterIdentifier":"aws.codeinterpreter.v1",
   "sessionId":"01K12Q3BYGCVWZBHMWAQNRR893",
   "name":"my-code-session",
   "createdAt":datetime.datetime(2025,7,26,6,35,35,220159,"tzinfo=tzutc())",
   "sessionTimeoutSeconds":900,
   "status":"READY"
}