Централизованный шлюз MCP: как AWS упрощает доступ ИИ-агентов к корпоративным данным

AWS Machine Learning · оригинал

Материал подготовлен автоматизированной редакционной системой. Факты можно сверить по указанному первоисточнику.

Команда AWS представила серверless-архитектуру на базе Amazon ECS Fargate, которая служит единым шлюзом для взаимодействия ИИ-агентов с корпоративными данными. Решение использует метаданные вместо кода для подключения новых источников, что устраняет необходимость в дублировании интеграционной логики.

Статья демонстрирует практический подход к решению проблемы фрагментации доступа к данным в эпоху LLM. Вместо создания отдельных интеграций для каждого агента, архитектура предлагает централизованный протокол (MCP) и конфигурационное управление, что снижает затраты на разработку и повышает безопасность.

Компании, внедряющие искусственный интеллект, сталкиваются с системной проблемой: каждый новый ИИ-агент требует собственной интеграции с базами данных. Традиционный подход предполагает прямое подключение агентов к API и хранилищам, что приводит к дублированию кода, рассинхронизации прав доступа и многодневным усилиям на подключение каждого нового набора данных. Команда AWS, поддерживающая сеть сортировочных центров North America Sort Center (NASC), разработала решение этой проблемы, построив серверless-шлюз на базе Model Context Protocol (MCP) поверх Amazon ECS Fargate.

Ключевой особенностью архитектуры является отказ от жестко закодированных интеграций в пользу метаданных. Для добавления нового источника данных инженеру достаточно предоставить JSON-файл с описанием схемы, семантики колонок и бизнес-контекста. Сервер автоматически обнаруживает эти файлы при синхронизации пайплайна, генерирует векторные эмбеддинги через Amazon Titan Text Embeddings и индексирует их в Amazon Bedrock Knowledge Bases. Это позволяет ИИ-агенту динамически получать знания о структуре данных в момент запроса, исключая необходимость пересборки или перезапуска сервисов при изменении схем.

Архитектура разделена на четыре изолированных слоя: клиентский, сервер MCP, слой инструментов и обновление базы знаний. Клиентский слой обрабатывает аутентификацию через Amazon Cognito и управление сессиями в DynamoDB. Слой MCP, работающий в частных подсетях, использует Amazon Bedrock для оркестрации инструментов, созданных на фреймворке FastMCP. Инструменты включают запросы к Amazon Athena и Redshift, а также семантический поиск в документах. Такой подход обеспечивает централизованное применение политик безопасности: Amazon Bedrock Guardrails фильтрует вредоносный контент, а инструменты Athena принудительно ограничивают операции только чтением (SELECT-only), предотвращая запись данных.

Масштабируемость обеспечивается serverless-инфраструктурой Fargate, которая автоматически адаптируется к нагрузке без управления инстансами EC2. В ходе тестирования на сети NASC зафиксировано, что время отклика на сложные запросы, требующие анализа метаданных и генерации SQL, составляет 15–20 секунд. Система поддерживает мульти-тенантность: любой MCP-совместимый клиент может подключиться к стандартному эндпоинту /mcp, разделяя общие инструменты и механизмы контроля доступа. Это позволяет разным командам использовать единый шлюз для своих специализированных агентов без дублирования инфраструктуры безопасности.

Разработчики подчеркивают, что разделение слоев инструментов и агентов является критическим архитектурным решением. Агенты и LLM-фреймворки быстро устаревают, но паттерны доступа к данным должны оставаться стабильными. Рассматривая расширяемость как задачу конфигурации, а не программирования, компания ускоряет онбординг новых команд. В планах развития архитектуры — внедрение более гранулярного контроля доступа на уровне колонок и создание обратной связи для автоматического улучшения описаний метаданных на основе неудачных запросов.