AWS reduziu a conexão de um novo conjunto de dados a um servidor MCP a um único arquivo JSON

Quando um único assistente de IA está conectado diretamente a um banco de dados, a arquitetura parece simples. Os problemas começam quando surgem uma dezena de agentes e centenas de tabelas: cada cliente mantém seu próprio conhecimento dos esquemas, gera SQL segundo suas próprias regras e verifica as permissões à sua maneira. Uma alteração em uma coluna precisa ser propagada por várias aplicações, enquanto a equipe de segurança não tem um local único para auditoria.

A equipe responsável pela rede norte-americana de centros de triagem da Amazon descreveu outra abordagem: um servidor MCP compartilhado entre os agentes e o data lake corporativo. Ele é executado no Amazon ECS Fargate, disponibiliza o endpoint padrão /mcp e conecta Athena, Redshift e Bedrock Knowledge Bases como ferramentas detectáveis. A principal promessa prática é que um novo conjunto de dados não é adicionado por meio de um novo conector, mas com um único arquivo JSON contendo metadados.

Como um arquivo substitui uma integração separada

Considere uma tabela de pedidos. O JSON informa o banco de dados e o nome da tabela, a finalidade dos dados, os tipos e as descrições das colunas, a frequência de atualização e exemplos de valores reais. Estes últimos são especialmente úteis: o agente consegue ver que o identificador de um centro de distribuição tem o formato FC-EAST-07, em vez de ser um nome arbitrário de região. O mesmo arquivo também pode armazenar orientações para um mecanismo SQL específico — por exemplo, como comparar uma data armazenada como string com uma coluna do tipo timestamp.

Após a sincronização, o arquivo passa a fazer parte do catálogo de busca do Bedrock Knowledge Bases. Quando um usuário pergunta quais foram os dez pedidos mais caros do mês anterior, o agente primeiro encontra a tabela adequada e sua descrição, depois cria o SQL, verifica sua compatibilidade com o Athena e só então executa a consulta. Segundo os autores, o ciclo completo levou de 15 a 20 segundos.

Aplicações específicas também podem ter um mapa de contextos adicional. Se a solicitação vier de uma ferramenta de planejamento de pessoal, a busca poderá ser limitada às tabelas de força de trabalho, em vez de percorrer todo o catálogo. Isso reduz o ruído e diminui a probabilidade de selecionar uma tabela semelhante, porém incorreta. A mesma arquitetura permite combinar, em uma única etapa, o resultado de uma consulta SQL com uma busca em documentos internos.

Onde entra o controle de acesso

O servidor MCP é implantado em uma sub-rede privada atrás de um balanceador de carga interno. A camada pública do cliente passa pelo AWS WAF e pelo Cognito, enquanto o estado da conversa é armazenado no DynamoDB. As ferramentas do Athena aceitam apenas consultas SELECT, e suas chamadas são registradas no CloudWatch. O Bedrock Guardrails é aplicado às interações com o modelo e ajuda a filtrar conteúdo nocivo, verificar se as respostas estão fundamentadas nas fontes e bloquear alguns ataques baseados em instruções inseridas nos dados.

Mas isso não é uma proteção universal pronta para uso. Proibir operações de escrita não impede a leitura de linhas ou colunas desnecessárias se as permissões estiverem configuradas de forma ampla demais. O Guardrails também não pode ser tratado como uma garantia contra prompt injection. A equipe ainda precisa de políticas por linha ou por coluna, limites para o custo das consultas, verificações de vazamento de dados por meio das respostas do modelo e testes de formas de contornar o isolamento entre locatários.

O que aproveitar em sua própria arquitetura

O valor da solução não está em uma longa lista de serviços da AWS, mas na separação de responsabilidades. O agente formula a intenção, o catálogo explica os dados, o gateway MCP controla as ferramentas e o próprio repositório executa a consulta. Os desenvolvedores devem começar em pequena escala: colocar uma fonte usada com frequência atrás de uma interface MCP compartilhada, descrever seu esquema em um arquivo legível por máquina e medir a precisão da seleção de tabelas, a latência e o custo.

Se esse projeto-piloto funcionar, o próximo passo será implementar uma auditoria centralizada e um modelo explícito de permissões. O arquivo JSON, por si só, acelera a integração de tabelas, mas a qualidade de todo o sistema depende de quem pode ler os dados, de quão atualizados estão os metadados e do que acontece quando o SQL está incorreto. São essas verificações que transformam uma demonstração atraente em um gateway corporativo pronto para produção.