섹션별 상세
AI 에이전트의 도구 호출 과정에서 데이터 정제 및 감사 추적과 같은 엔터프라이즈급 거버넌스 요구사항이 증가하고 있다. 기존의 단순 통합 방식은 조직의 보안 정책이나 산업 규정에 맞춘 세밀한 데이터 필터링을 프로토콜 계층에서 수행하기 어렵다는 한계가 있었다. 이를 해결하기 위해 Amazon Bedrock AgentCore Runtime 상에서 작동하는 커스텀 MCP 프록시 패턴이 제안됐다. 이 방식은 업스트림 서버나 클라이언트의 수정 없이도 독립적인 제어 계층을 제공한다.
프록시는 FastMCP를 기반으로 구현되어 시작 시 업스트림 서버로부터 도구 목록을 동적으로 동기화한다. 프록시 프로세스가 시작되면 업스트림 서버에 tools/list 요청을 보내 사용 가능한 모든 도구 카탈로그를 가져온다. 가져온 각 도구에 대해 동일한 이름과 설명을 가진 로컬 FastMCP 도구를 동적으로 등록하고, 모든 호출 요청을 업스트림으로 전달하는 핸들러를 생성한다. 결과적으로 클라이언트는 프록시를 일반적인 MCP 서버로 인식하며 동일한 도구 세트에 접근하게 된다.
보안을 위해 에이전트, 프록시, 업스트림 서버 간의 각 계층에서 독립적인 인증 및 인가 메커니즘이 작동한다. 에이전트와 프록시 사이는 AgentCore Identity를 통해 인증되며, 프록시와 업스트림 서버 사이는 IAM(SigV4) 또는 OAuth 2.0(JWT) 방식을 선택하여 구성할 수 있다. 특히 JWT 방식 사용 시 프록시는 Amazon Cognito로부터 토큰을 획득하여 Authorization 헤더에 포함시킨다. 이러한 다층 방어 구조는 신뢰할 수 있는 프록시만 도구 카탈로그에 접근할 수 있도록 보장한다.
프록시 계층을 활용하면 PII(개인정보) 토큰화나 도구 수준의 접근 제어와 같은 커스텀 로직을 쉽게 삽입할 수 있다. 예를 들어 _make_tool_handler 함수 내부에 토큰화 로직을 추가하여 백엔드 시스템에 도달하기 전 민감 정보를 마스킹하고 응답 시 복원할 수 있다. 또한 호출자의 ID를 확인하여 업스트림 서버가 노출하는 전체 도구 중 특정 사용자에게만 허용된 도구만 실행되도록 제한하는 정책 체크 기능을 구현할 수 있다. 이는 중앙 집중식 거버넌스를 유지하면서도 유연한 실행 제어를 가능하게 한다.
기술
- Amazon Bedrock AgentCore
- AWS Lambda
- Amazon ECR
- FastMCP
- Python
- Docker
- Amazon Cognito
활용 사례
- 도구 호출 시 PII(개인정보) 자동 마스킹
- 에이전트별 도구 사용 권한 세분화
- MCP 트래픽에 대한 커스텀 감사 로그 생성
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 04. 29.수집 2026. 04. 29.출처 타입 RSS
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
