这项实践把“每个智能体分别连接数据源”改成由一个无服务器 MCP 网关集中承接。AWS 团队为北美分拣中心(NASC)规划团队构建了基于 Amazon ECS Fargate 的服务,让不同 AI 智能体通过统一协议调用数据湖和内部知识,不再各自维护 SQL 生成、连接处理与权限逻辑。
四层架构分离客户端、编排、工具与数据
外部请求经 Amazon Route 53、公网 Application Load Balancer(HTTPS 与 AWS WAF)和 Amazon Cognito 身份验证,进入私有子网中的 ECS Fargate 客户端层;会话状态保存在 DynamoDB。请求随后由内网负载均衡器转交独立的 ECS Fargate MCP 服务。FastMCP 提供 /mcp JSON-RPC 接口,Amazon Bedrock 负责意图分析、工具选择与回答生成。
- Amazon Athena 与 Amazon Redshift 执行数据湖和数仓 SQL 查询。
- Amazon Bedrock Knowledge Bases 检索文档、表元数据、团队 Wiki 与操作政策。
- AWS Lambda 负责向 Amazon S3 和知识库摄取数据。
用元数据文件替代逐表开发
新增数据集只需增加一份 JSON 元数据文件,写明表结构、业务含义、列级语义、样例值及查询提示。流水线随后使用 Amazon Titan Text Embeddings 生成向量并写入知识库,服务器可在下次流水线同步后自动发现新数据集,无需为每张表编写工具代码或手动重启服务。业务上下文映射还可以把检索范围限定到相关表;未指定上下文时,智能体会搜索全部已索引表。
从自然语言到查询结果
收到问题后,智能体先检索元数据并选择相关表,再生成 SQL、校验并自动修正 Athena 兼容问题、执行查询,最后将结果转换为自然语言。文档检索与 SQL 查询是同一 MCP 服务上的不同工具,因此可以在一次响应中联合结构化指标和非结构化资料,例如同时回答退货率及产品团队对原因的 分析。
集中控制与统一审计
MCP 服务位于私有子网,只能由通过 Cognito 验证的客户端层访问。查询工具仅接受 SELECT 语句,写操作会在到达数据湖前被拒绝;所有工具调用以结构化 JSON 写入 CloudWatch,形成统一审计点。Amazon Bedrock Guardrails 用于有害内容过滤、依据性检查和提示注入防护。标准化 MCP 端点还允许多个兼容客户端共享同一套工具和访问控制。
适用场景与限制
ECS Fargate 可承载突发型 AI 请求,客户端层按 CPU 利用率 50% 的阈值自动扩缩,MCP 层依据 CPU 和内存扩缩。该架构适用于内部知识助手、数据分析副驾、多智能体协作,以及同时检索指标与业务文档的场景。
性能数据属于厂商测试结果:AWS 团队报告端到端交互为 15—20 秒,这并不构成所有查询或生产负载的性能保证。架构仅在 Amazon Bedrock 与 Bedrock Knowledge Bases 可用的 AWS 区域提供,当前查询工具限定为只读 SQL。元数据质量、上下文映射和知识库索引仍会影响检索与 SQL 准确性,部署时也需保留网络隔离、身份验证和工具级限制。
资料来源:Serverless MCP server for AI agent data lake access on Amazon ECS Fargate(2026-11-06)。
一起聊聊
留下你的想法,评论审核通过后展示。