Smartsheet가 AWS에 구축한 원격 MCP 서버로 LLM 기반 에이전트의 데이터 접근성과 효율성 향상

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

TL;DR

Smartsheet는 엔터프라이즈 스프레드시트 데이터에 AI 에이전트가 안전하고 비용효율적으로 접근하도록 AWS 상에 원격 Model Context Protocol 서버를 구축했다. 이 서버는 API 게이트웨이 계층을 통해 들어오는 요청을 Fargate 컨테이너로 전달하고 Kinesis와 Flink로 변경 이벤트를 수집해 S3에 저장한 뒤 Amazon Bedrock을 통한 LLM 추론과 Amazon Neptune 기반 지식 그래프를 결합해 교차 프로젝트 인사이트를 제공한다. AI 관점에서 설계된 인터페이스는 토큰 비용과 환각 리스크를 낮추도록 설계되어 내부 텔레메트리 기준으로 30억 토큰을 절감한 것으로 보고되었다. 동일한 MCP 계층을 내부 Smart Assist와 외부 AI 클라이언트가 공유함으로써 에이전트의 자동화 작업과 보안·거버넌스 요구를 동시에 충족하였다.

섹션별 상세

Smartsheet가 직면한 문제는 엔터프라이즈 협업 데이터에 AI 에이전트가 안전하고 효율적으로 접근하기 어려웠다는 점이다. 이를 해결하기 위해 Smartsheet는 기존 API와 중앙 인텔리전스 레이어에 연결되는 원격 Model Context Protocol 서버를 AWS에 배포했고 이 서버는 요청을 API 게이트웨이 계층을 거쳐 AWS Fargate에서 실행되는 컨테이너로 라우팅한다. 데이터 변경 이벤트는 Amazon Kinesis Data Streams로 수집되고 Amazon Managed Service for Apache Flink가 실시간 처리를 수행한 뒤 Amazon S3에 저장되어 상시 분석·재사용이 가능하게 된다. 이러한 데이터 파이프라인 구성은 대규모 이벤트 수집과 비정형 데이터의 지속적 보관을 가능하게 하여 에이전트의 컨텍스트 제공과 감사 요구를 동시에 충족한다.

Smartsheet의 MCP 서버는 LLM 추론을 위한 인터페이스를 AI 관점에서 최적화하고 환각을 낮추며 토큰 사용을 최소화하도록 설계되었다. 구체적으로는 LLM 추론을 위해 Amazon Bedrock을 활용하고 프로젝트 간 인사이트 생성을 위해 Amazon Neptune 기반의 지식 그래프를 결합하며, API 게이트웨이 레이어에 AWS WAF·AWS Shield·Application Load Balancer와 OAuth를 배치해 인증과 보안 통제를 수행한다. 내부 텔레메트리 기준으로 이러한 최적화는 30억 토큰 이상의 절감 효과를 기록했고 동일한 MCP 계층에서 내부 Smart Assist와 외부 AI 클라이언트가 동일한 최적화를 즉시 활용하도록 만드는 설계적 동등성이 확보되었다. 이 구조는 사람과 에이전트가 같은 스프레드시트와 워크스페이스에서 협업하거나 에이전트가 자율적으로 작업을 수행하여 주간 단위 프로세스를 일 단위 또는 시간 단위로 단축할 수 있게 했다.

근거