Amazon MWAA와 Bedrock AgentCore로 MCP 기반 클라우드 정책 에이전트 구축하기

AWS가 Amazon MWAA(관리형 Apache Airflow), Bedrock AgentCore Runtime, S3 Vectors, MCP를 결합해 클라우드 정책을 자동 수집·시맨틱 검색하고 역할별 AI 에이전트가 분석하는 거버넌스 아키텍처를 제안했다. IAM 정책, 보안 그룹, 스토리지 등 AWS 10개 카테고리와 타사 클라우드 정책을 MWAA DAG가 매일 자동으로 수집하고, Titan Embed v2로 벡터화해 자연어 쿼리로 조회할 수 있게 한다.

핵심 포인트

3계층 구조: MWAA DAG(데이터 수집·벡터화) → S3 Vectors(1024차원 코사인 거리 인덱스, 클라우드별 분리) → AgentCore Runtime(Strands Agent 서버리스 실행).
MCP 표준 도구 6개(시맨틱 검색, 상세 조회, 날짜간 비교, 변경 이력, 수집 요약, 카테고리별 목록)를 한 번 정의해 Kiro 등 다양한 AI 클라이언트에서 재사용 가능.
역할별 에이전트 4개(DevOps, SecurityOps, Compliance, FinOps)가 시스템 프롬프트로 카테고리 접근 제어를 받아 동일 데이터를 각자의 관점에서 분석.
보안: 도구 응답 단계와 최종 응답 단계 두 곳에서 계정 ID를 익명화하되, 동일 ID는 항상 같은 마스킹값으로 생성해 관계 추적을 가능하게 한다.
수동 CLI 실행 없이 매일 자동 수집, 정확한 키워드 없이 의미 기반 자연어 검색, 서버 관리 없는 서버리스 에이전트 실행이 핵심 목표.

상세 정리

문제: 클라우드 인프라 확장으로 IAM 역할, 보안 그룹, S3 버킷 등 정책이 수백 개로 늘어나면 수동 CLI 조회와 키워드 검색으로는 거버넌스에 한계가 생긴다.
수집 DAG: MWAA가 AWS boto3 클라이언트와 GCP 클라이언트로 identity, compute, storage, database, network, security, devops, messaging, monitoring, analytics 10개 카테고리 정책을 JSON으로 수집해 S3에 날짜별 파티셔닝으로 저장한다.
벡터화 DAG: 수집 JSON을 Bedrock Titan Embed v2(1024차원)로 임베딩해 S3 Vectors에 저장. 클라우드별 인덱스(aws-policies-index, gcp-policies-index)를 분리해 검색 범위를 조정할 수 있다.
MCP 도구 구성: search_policies(시맨틱 검색), get_policy_details(특정 정책 상세 JSON), compare_policies(두 날짜 간 정책 변경 비교), get_policy_history(최대 30일 이력 추적), get_collection_summary(수집 결과 요약), list_policies_by_category(카테고리별 목록).
역할별 접근 제어: SecurityOps는 identity/security/network만, DevOps는 compute/network/storage/devops/monitoring/messaging만 시스템 프롬프트로 접근 가능하도록 제한. 동일한 MCP 도구 위에 역할 분리를 얹는 구조.
SecOps 사용 예시: "관리자 권한 IAM 역할 찾기" 자연어 요청 → search_policies로 identity 카테고리 검색 → get_policy_details로 상세 조회 → 고위험 역할 식별 및 보안 권고사항 제시.
익명화 상세: 도구가 S3 데이터를 응답할 때 1차 익명화, Strands Agent가 사용자에게 최종 답변 생성 시 2차 익명화. 동일 계정 ID는 항상 같은 해시값으로 마스킹해 관계 파악 가능.
AgentCore Runtime: Strands Agent를 서버리스로 호스팅해 인프라 관리 없이 에이전트를 실행. Streamlit 대시보드, Kiro 등 다양한 소비자가 동일 MCP 도구를 활용 가능.