Servidor MCP sin servidores conecta agentes de IA con lagos de datos en AWS

Amazon Web Services ha publicado una arquitectura de referencia para construir servidores del Protocolo de Contexto de Modelo (MCP) sin servidores, que conectan agentes de inteligencia artificial con lagos de datos empresariales. El diseño, implementado para la red de centros de clasificación de Amazon en Norteamérica, utiliza Amazon Elastic Container Service con AWS Fargate para proporcionar una puerta de enlace centralizada para el acceso conversacional a los datos. Este enfoque busca eliminar la necesidad de código de integración personalizado para cada nuevo conjunto de datos o agente.

Qué ocurrió

Las organizaciones suelen tener dificultades para dar a los agentes de modelos de lenguaje grandes (LLM) un acceso seguro a los datos internos sin duplicar esfuerzos. Los equipos generalmente conectan los agentes directamente a las bases de datos, incrustando lógica única de generación de SQL y controles de acceso en cada aplicación. A medida que aumenta el número de conjuntos de datos, este enfoque fragmentado provoca deriva de permisos y convierte la incorporación de nuevas fuentes de datos en una tarea de ingeniería de varios días. Para abordar esto, los ingenieros de AWS crearon un servidor MCP compartido que actúa como una interfaz agnóstica al agente para su lago de datos operativo.

La solución separa las responsabilidades en cuatro capas distintas: cliente, servidor MCP, herramientas y actualización de la base de conocimiento. Esta estructura permite que cada componente escale de forma independiente mientras mantiene estrictas fronteras de seguridad. Al centralizar la conexión al lago de datos, el equipo garantizó que cualquier cliente compatible con MCP pudiera consultar métricas operativas, análisis de negocio y datos específicos del dominio sin reimplementar la lógica central de integración. El sistema admite múltiples inquilinos y aplicaciones, proporcionando una experiencia consistente entre diferentes interfaces de usuario, como chats web o complementos de IDE.

Una característica clave de esta implementación es su diseño basado en metadatos. En lugar de escribir código para definir cómo interactúa un agente con una tabla específica, los ingenieros añaden un archivo de metadatos JSON. El servidor descubre automáticamente estos archivos durante las sincronizaciones de pipelines, haciendo que los nuevos conjuntos de datos estén disponibles inmediatamente para todos los agentes conectados. Este enfoque configurado reduce el tiempo necesario para incorporar una nueva fuente de datos de días a minutos, eliminando el cuello de botella del desarrollo de herramientas personalizadas para cada cambio de esquema.

Cómo funciona

La arquitectura se basa en un modelo de ejecución sin estado impulsado por Amazon ECS Fargate. Cuando un usuario envía una consulta, esta pasa a través de un Application Load Balancer y Amazon Cognito para autenticación. La solicitud se enriquece con configuraciones de mapeo de contexto que limitan la consulta a las tablas relevantes, reduciendo el ruido y mejorando la precisión. El servidor MCP, construido con el framework Python FastMCP, orquesta la interacción entre el agente y las herramientas de datos. Recupera el historial de sesiones desde Amazon DynamoDB y utiliza Amazon Bedrock para analizar la intención y seleccionar las herramientas adecuadas.

El acceso a los datos se gestiona mediante un catálogo de metadatos que almacena descripciones de esquemas, semántica de columnas y relaciones entre tablas. Cuando un agente necesita consultar un conjunto de datos, primero consulta este catálogo para entender la estructura. Luego, el agente genera una consulta SQL, que se valida en cuanto a seguridad y compatibilidad antes de ejecutarse en Amazon Athena o Amazon Redshift. Este proceso garantiza que solo lleguen al lago de datos operaciones de lectura, evitando escrituras o eliminaciones accidentales. Los archivos de metadatos incluyen descripciones de negocio y valores de muestra, ayudando al agente a generar cláusulas WHERE precisas y comprender los requisitos de sintaxis específicos del motor.

Detalles clave

• El sistema utiliza Amazon ECS Fargate tanto para las capas de cliente como de servidor MCP, asegurando un escalado elástico para cargas de trabajo de IA intermitentes.
• La incorporación de conjuntos de datos requiere únicamente un archivo de metadatos JSON, que captura el esquema, el contexto de negocio y la semántica a nivel de columna.
• Se aplican Amazon Bedrock Guardrails a todas las interacciones con el modelo para filtrar contenido dañino y bloquear intentos de inyección de prompts.
• Las configuraciones de mapeo de contexto permiten a los ingenieros limitar las consultas a tablas específicas, manteniendo la latencia de extremo a extremo entre 15 y 20 segundos.
• La capa de herramientas incluye herramientas de consulta SQL para Amazon Athena y Redshift, así como búsqueda semántica a través de Amazon Bedrock Knowledge Bases.
• El estado de la sesión se persiste en Amazon DynamoDB, permitiendo que las tareas de Fargate permanezcan sin estado y sean fácilmente reemplazables.

Por qué importa

Para los ingenieros de software que desarrollan aplicaciones de IA, esta arquitectura ofrece un plan maestro para gestionar la complejidad a gran escala. Al desacoplar la lógica del agente de la capa de acceso a datos, los equipos pueden evitar la carga de mantenimiento de actualizar cada agente cuando cambia el esquema de una base de datos. La aplicación centralizada de controles de acceso también aborda una preocupación crítica de seguridad, garantizando que las políticas de permisos se apliquen de manera consistente independientemente de qué cliente o agente realice la solicitud. Esto reduce el riesgo de exposición no autorizada de datos en entornos multiinquilino.

El enfoque basado en metadatos reduce significativamente la barrera de entrada para añadir nuevas fuentes de datos. En lugar de requerir un profundo conocimiento de la generación de SQL o la integración de API, los ingenieros pueden centrarse en definir claras semánticas de negocio en archivos JSON. Este cambio permite iteraciones más rápidas y permite que partes interesadas no técnicas contribuyan a la base de conocimiento del agente proporcionando descripciones precisas y datos de muestra. A medida que los agentes de IA se vuelven más prevalentes en entornos empresariales, estas puertas de enlace estandarizadas serán esenciales para mantener la gobernanza y la eficiencia operativa.

Qué puedes hacer

• Evalúa tus integraciones actuales de agentes para identificar lógica de acceso a datos duplicada que podría centralizarse.
• Define un esquema JSON estándar para los archivos de metadatos que incluya descripciones de negocio y valores de muestra para tus conjuntos de datos.
• Implementa configuraciones de mapeo de contexto para limitar las consultas de los agentes y reducir la latencia en escenarios de alto volumen.
• Utiliza contenedores sin servidores como AWS Fargate para manejar los patrones de carga variables típicos de las interacciones con agentes de IA.
• Aplica guardrails a nivel de servidor para garantizar la consistencia en la seguridad del contenido y prevenir la inyección de prompts en todos los clientes.
• Almacena el estado de la sesión en una base de datos duradera y de baja latencia como DynamoDB para soportar arquitecturas de servidores sin estado.