サーバーレスMCPサーバーでAIエージェントをAWS上のデータレイクに接続

Amazon Web Services（AWS）は、人工知能エージェントをエンタープライズデータレイクに接続するサーバーレスModel Context Protocol（MCP）サーバーを構築するためのリファレンスアーキテクチャを公開しました。この設計は、Amazonの北米仕分けセンターネットワーク向けに実装されており、Amazon Elastic Container Service（ECS）とAWS Fargateを使用して、会話型データアクセスのための中央ゲートウェイを提供します。このアプローチは、新しいデータセットやエージェントごとにカスタム統合コードを作成する必要をなくすことを目的としています。

何が起きたか

組織では、大規模言語モデル（LLM）エージェントに社内データへの安全なアクセスを提供する際、作業の重複に悩まされることがよくあります。通常、チームはエージェントをデータベースに直接接続し、各アプリケーションに固有のSQL生成ロジックとアクセス制御を組み込みます。データセットの数が増えると、この断片化されたアプローチは権限のドリフトを引き起こし、新しいデータソースのオンボーディングには数日かかるエンジニアリング業務となります。これを解決するため、AWSのエンジニアは、運用データレイクへのエージェント非依存インターフェースとして機能する共有MCPサーバーを構築しました。

このソリューションは、クライアント、MCPサーバー、ツール、ナレッジベース更新という4つの明確な層に関心事を分離しています。この構造により、各コンポーネントは厳格なセキュリティ境界を維持しながら独立してスケールできます。データレイクへの接続を一元化することで、チームはどのMCP互換クライアントでも、コアとなる統合ロジックを再実装することなく、運用指標、ビジネス分析、ドメイン特化データをクエリできることを保証しました。このシステムはマルチテナントおよび複数のアプリケーションをサポートしており、WebチャットやIDEプラグインなど異なるユーザーインターフェース間で一貫した体験を提供します。

この実装の主要な特徴は、メタデータ駆動型の設計です。エージェントが特定のテーブルとどのように相互作用するかを定義するためにコードを書く代わりに、エンジニアはJSONメタデータファイルを追加します。サーバーはパイプライン同期中にこれらのファイルを自動的に検出し、接続されているすべてのエージェントに対して新しいデータセットを即座に利用可能にします。この設定駆動型のアプローチにより、新しいデータソースのオンボーディングに必要な時間が数日から数分に短縮され、スキーマ変更ごとのカスタムツール開発というボトルネックが解消されます。

仕組み

このアーキテクチャは、Amazon ECS Fargateによって駆動されるステートレス実行モデルに依存しています。ユーザーがクエリを送信すると、Application Load BalancerとAmazon Cognitoを介して認証が行われます。リクエストには、クエリを関連するテーブルに限定するコンテキストマッピング設定が付与され、ノイズを減らし精度を向上させます。FastMCP Pythonフレームワークで構築されたMCPサーバーは、エージェントとデータツールの間のインタラクションをオーケストレーションします。Amazon DynamoDBからセッション履歴を取得し、Amazon Bedrockを使用して意図を分析し、適切なツールを選択します。

データアクセスは、スキーマの説明、列の意味、テーブルのリレーションシップを保存するメタデータカタログを通じて管理されます。エージェントがデータセットをクエリする必要がある場合、まずこのカタログを参照して構造を理解します。その後、エージェントはSQLクエリを生成し、Amazon AthenaまたはAmazon Redshiftでの実行前に安全性と互換性が検証されます。このプロセスにより、読み取り専用操作のみがデータレイクに到達することが保証され、誤った書き込みや削除を防ぎます。メタデータファイルにはビジネス説明とサンプル値が含まれており、エージェントが正確なWHERE句を生成し、エンジン固有の構文要件を理解するのに役立ちます。

主要な詳細

• システムはクライアント層とMCPサーバー層の両方でAmazon ECS Fargateを使用しており、バースト性の高いAIワークロードに対する弾力的なスケーリングを保証します。
• データセットのオンボーディングには、スキーマ、ビジネスコンテキスト、列レベルの意味を記述したJSONメタデータファイルのみが必要です。
• Amazon Bedrock Guardrailsはすべてのモデルインタラクションに適用され、有害コンテンツのフィルタリングやプロンプトインジェクション試行のブロックを行います。
• コンテキストマッピング設定により、エンジニアはクエリを特定のテーブルに限定でき、エンドツーエンドの遅延を15〜20秒間に抑えます。
• ツール層には、Amazon AthenaとRedshift向けのSQLクエリツールに加え、Amazon Bedrock Knowledge Basesによるセマンティック検索が含まれます。
• セッション状態はAmazon DynamoDBに永続化され、Fargateタスクをステートレスかつ容易に置き換え可能な状態に保ちます。

なぜ重要なのか

AIアプリケーションを開発するソフトウェアエンジニアにとって、このアーキテクチャは大規模な複雑性を管理するための青写真を提供します。エージェントロジックをデータアクセス層から切り離すことで、チームはデータベーススキーマが変化した際にすべてのエージェントを更新するというメンテナンス負担を回避できます。アクセス制御の中央集約的な強制は、重要なセキュリティ懸念にも対処し、どのクライアントやエージェントがリクエストを行っても権限ポリシーが一貫して適用されることを保証します。これにより、マルチテナント環境における不正なデータ露出のリスクが低減されます。

メタデータ駆動型のアプローチは、新しいデータソースを追加する際の参入障壁を大幅に下げます。SQL生成やAPI統合に関する深い知識を要求する代わりに、エンジニアはJSONファイルで明確なビジネス意味論を定義することに集中できます。この変化により、より迅速なイテレーションが可能になり、エンジニア以外のステークホルダーも、正確な説明やサンプルデータを提供することでエージェントのナレッジベースに貢献できるようになります。AIエージェントが企業環境でますます普及するにつれ、ガバナンスと運用効率を維持するには、こうした標準化されたゲートウェイが不可欠になるでしょう。

実施できること

• 現在のエージェント統合を評価し、一元化できる重複したデータアクセスロジックを特定してください。
• ビジネス説明とデータセットのサンプル値を含む、メタデータファイル用の標準JSONスキーマを定義してください。
• エージェントのクエリを限定し、高ボリュームシナリオでの遅延を削減するために、コンテキストマッピング設定を実装してください。
• AIエージェントインタラクション特有の変動的な負荷パターンに対応するために、AWS Fargateなどのサーバーレスコンテナを使用してください。
• すべてのクライアントで一貫したコンテンツ安全性を確保し、プロンプトインジェクションを防ぐために、サーバーレベルでガードレールを適用してください。
• ステートレスサーバーアーキテクチャをサポートするために、DynamoDBのような耐久性があり低遅延のデータベースにセッション状態を保存してください。