Serverloser MCP-Server verbindet KI-Agenten mit Data Lakes auf AWS

Amazon Web Services hat eine Referenzarchitektur für den Aufbau serverloser Model Context Protocol (MCP)-Server veröffentlicht, die künstliche Intelligenz-Agenten mit unternehmensweiten Data Lakes verbinden. Das Design, das für das North America Sort Center Network von Amazon implementiert wurde, nutzt Amazon Elastic Container Service mit AWS Fargate, um ein zentrales Gateway für den konversationellen Datenzugriff bereitzustellen. Dieser Ansatz zielt darauf ab, die Notwendigkeit von individuellem Integrationscode für jeden neuen Datensatz oder Agenten zu eliminieren.

Was passiert ist

Organisationen haben oft Schwierigkeiten, Large-Language-Model-Agenten sicheren Zugriff auf interne Daten zu gewähren, ohne Aufwand zu duplizieren. Teams verdrahten Agenten typischerweise direkt mit Datenbanken und betten eindeutige SQL-Generierungslogik sowie Zugriffssteuerungen in jede Anwendung ein. Mit zunehmender Anzahl der Datensätze führt dieser fragmentierte Ansatz zu Permission Drift und macht die Anbindung neuer Datenquellen zu einer mehrtägigen Engineering-Aufgabe. Um dies anzugehen, haben AWS-Ingenieure einen gemeinsamen MCP-Server entwickelt, der als agentenunabhängige Schnittstelle zu ihrem operativen Data Lake fungiert.

Die Lösung trennt die Zuständigkeiten in vier unterschiedliche Ebenen: Client, MCP-Server, Tools und Knowledge-Base-Aktualisierung. Diese Struktur ermöglicht es jeder Komponente, unabhängig zu skalieren, während strenge Sicherheitsgrenzen eingehalten werden. Durch die Zentralisierung der Verbindung zum Data Lake stellte das Team sicher, dass jeder MCP-kompatible Client operative Metriken, Business Analytics und domänenspezifische Daten abfragen kann, ohne die Kernintegrationslogik neu zu implementieren. Das System unterstützt mehrere Mandanten und Anwendungen und bietet ein konsistentes Erlebnis über verschiedene Benutzeroberflächen hinweg, wie etwa Web-Chats oder IDE-Plugins.

Ein Schlüsselmerkmal dieser Implementierung ist ihr metadatengetriebenes Design. Anstatt Code zu schreiben, der definiert, wie ein Agent mit einer bestimmten Tabelle interagiert, fügen Ingenieure eine JSON-Metadatei hinzu. Der Server entdeckt diese Dateien automatisch während der Pipeline-Synchronisation, wodurch neue Datensätze sofort für alle verbundenen Agenten verfügbar sind. Dieser konfigurierungsgetriebene Ansatz reduziert die Zeit für die Anbindung einer neuen Datenquelle von Tagen auf Minuten und beseitigt den Engpass der individuellen Tool-Entwicklung bei jedem Schema-Wechsel.

Wie es funktioniert

Die Architektur basiert auf einem zustandslosen Ausführungsmodell, das von Amazon ECS Fargate angetrieben wird. Wenn ein Benutzer eine Abfrage sendet, durchläuft sie einen Application Load Balancer und Amazon Cognito zur Authentifizierung. Die Anfrage wird mit Konfigurationen für das Kontext-Mapping angereichert, die die Abfrage auf relevante Tabellen beschränken, um Rauschen zu reduzieren und die Genauigkeit zu verbessern. Der MCP-Server, der mit dem Python-Framework FastMCP erstellt wurde, orchestriert die Interaktion zwischen dem Agenten und den Datentools. Er ruft Sitzungsverlauf aus Amazon DynamoDB ab und nutzt Amazon Bedrock, um die Absicht zu analysieren und die geeigneten Tools auszuwählen.

Der Datenzugriff wird über einen Metadatenkatalog verwaltet, der Schemabeschreibungen, Spaltensemantik und Tabellenbeziehungen speichert. Wenn ein Agent einen Datensatz abfragen muss, konsultiert er zunächst diesen Katalog, um die Struktur zu verstehen. Der Agent generiert dann eine SQL-Abfrage, die auf Sicherheit und Kompatibilität überprüft wird, bevor sie auf Amazon Athena oder Amazon Redshift ausgeführt wird. Dieser Prozess stellt sicher, dass nur schreibgeschützte Operationen den Data Lake erreichen, was versehentliche Schreib- oder Löschvorgänge verhindert. Die Metadateien enthalten Geschäftsbeschreibungen und Beispielwerte, die dem Agenten helfen, präzise WHERE-Klauseln zu generieren und syntaxspezifische Anforderungen der Engines zu verstehen.

Wichtige Details

• Das System nutzt Amazon ECS Fargate sowohl für die Client- als auch für die MCP-Server-Ebene, um elastische Skalierung für bursty AI-Workloads zu gewährleisten.
• Für die Anbindung eines Datensatzes ist lediglich eine JSON-Metadatei erforderlich, die Schema, Geschäftskontext und Spaltensemantik erfasst.
• Amazon Bedrock Guardrails werden auf alle Modellinteraktionen angewendet, um schädliche Inhalte zu filtern und Prompt-Injection-Versuche zu blockieren.
• Konfigurationen für das Kontext-Mapping ermöglichen es Ingenieuren, Abfragen auf bestimmte Tabellen zu beschränken, wobei die End-to-End-Latenz zwischen 15 und 20 Sekunden gehalten wird.
• Die Tool-Ebene umfasst SQL-Abfragetools für Amazon Athena und Redshift sowie semantische Suche über Amazon Bedrock Knowledge Bases.
• Der Sitzungszustand wird in Amazon DynamoDB persistiert, sodass Fargate-Tasks zustandslos bleiben und leicht ersetzt werden können.

Warum das wichtig ist

Für Softwareingenieure, die KI-Anwendungen entwickeln, bietet diese Architektur einen Bauplan für das Management von Komplexität im großen Maßstab. Durch die Entkopplung der Agentenlogik von der Datenschicht können Teams die Wartungslast vermeiden, jeden Agenten aktualisieren zu müssen, wenn sich ein Datenbank-Schema ändert. Die zentrale Durchsetzung von Zugriffssteuerungen adressiert zudem ein kritisches Sicherheitsbedenken und stellt sicher, dass Berechtigungsrichtlinien konsistent angewendet werden, unabhängig davon, welcher Client oder Agent die Anfrage stellt. Dies reduziert das Risiko unbefugter Datenoffenlegung in Multi-Tenant-Umgebungen.

Der metadatengetriebene Ansatz senkt die Einstiegshürde für das Hinzufügen neuer Datenquellen erheblich. Anstatt tiefgreifende Kenntnisse in SQL-Generierung oder API-Integration zu verlangen, können sich Ingenieure auf die Definition klarer Geschäftsssemantik in JSON-Dateien konzentrieren. Dieser Wandel ermöglicht schnellere Iterationen und erlaubt nicht-technischen Stakeholdern, zur Wissensbasis des Agenten beizutragen, indem sie genaue Beschreibungen und Beispieldaten bereitstellen. Da KI-Agenten in Unternehmensumgebungen immer verbreiteter werden, sind solche standardisierten Gateways unerlässlich, um Governance und betriebliche Effizienz aufrechtzuerhalten.

Was Sie tun können

• Bewerten Sie Ihre aktuellen Agenten-Integrationen, um duplizierte Logik für den Datenzugriff zu identifizieren, die zentralisiert werden könnte.
• Definieren Sie ein Standard-JSON-Schema für Metadateien, das Geschäftsbeschreibungen und Beispielwerte für Ihre Datensätze enthält.
• Implementieren Sie Konfigurationen für das Kontext-Mapping, um Agentenabfragen zu beschränken und Latenzen in Hochlastszenarien zu reduzieren.
• Nutzen Sie serverlose Container wie AWS Fargate, um die variablen Lastmuster zu bewältigen, die typisch für KI-Agenteninteraktionen sind.
• Wenden Sie Guardrails auf Serverebene an, um konsistente Inhaltssicherheit zu gewährleisten und Prompt Injection über alle Clients hinweg zu verhindern.
• Speichern Sie den Sitzungszustand in einer persistenten, latenzarmen Datenbank wie DynamoDB, um zustandslose Serverarchitekturen zu unterstützen.