AIエージェントとデータレイクを連携　AWSがECS Fargate上のMCPサーバー構成を公開

AI（人工知能）を活用したアプリケーション開発では、大規模言語モデル（LLM）のエージェントに企業のデータレイクを接続する作業が課題となっています。多くのチームは、エージェントをデータベースやAPIに直接つなぐ方法から始めます。

データセットやエージェントが増えると、アクセス権限の管理がばらつきやすくなります。新しいデータソースの追加にも、数日間の開発作業が必要になることがありました。

AWSの機械学習ブログでは、Amazonの北米ソートセンター（NASC）ネットワークの計画チーム向けに構築した、サーバーレスなModel Context Protocol（MCP）サーバーの構成を紹介しています。サーバーはAmazon ECS Fargate上で動作し、AIエージェントと企業データレイクの間を仲介する、エージェント非依存の集約型ゲートウェイとして機能します。

認証からデータ検索までを4つの層で処理

アーキテクチャは、クライアント、MCPサーバー、ツール、知識ベース更新の4つの層に分かれています。それぞれを独立して拡張・デプロイできます。クライアントからのリクエストは、まずAmazon Route 53を介してDNS解決されます。

その後、HTTPSとAWS WAFを設定したApplication Load Balancerを経由し、Amazon ECS Fargate上のクライアントサービスに届きます。Amazon CognitoがJWT認証を行い、セッション状態はAmazon DynamoDBに保存されます。

MCPサーバー層は、クライアント層から分離された独自のAmazon ECS Fargateクラスターで実行されます。プライベートサブネット内の内部Application Load Balancerを経由してリクエストを受け付け、Amazon Bedrockを活用したエージェントがクエリ分析、ツール選択、実行、応答生成を統括します。外部のMCP対応クライアントは、FastMCPを利用したJSON-RPCインターフェースからツールを直接利用することもできます。

Amazon Bedrock Guardrailsは、すべてのモデルとのやり取りに適用されます。有害な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の試行を防ぐための機能を備えています。

新しいデータセットはJSONファイルで追加

新しいデータセットの追加に、データセットごとの統合コードは不要です。テーブルのスキーマや業務上の文脈を記述したメタデータJSONファイルを用意します。必要に応じて、業務上の文脈とデータセットを結び付ける設定も追加できます。

パイプラインがメタデータを読み込み、Amazon Titan Text Embeddingsでベクトル埋め込みを生成します。生成した埋め込みは、Amazon Bedrock Knowledge Basesにインデックス化されます。

メタデータの例には、テーブル名や所属するデータベース、テーブルの業務上の説明が含まれています。カラムごとの説明とサンプル値も記述します。

例えば注文IDのカラムには、チェックアウト時に付与される一意の識別子であるという説明と、値の例が登録されます。

エージェントはクエリ時にカタログを参照し、スキーマやカラムの意味を把握します。その情報を基にSQLを生成し、Amazon AthenaやAmazon Redshiftでクエリを実行できます。