AWS skladá podnikové prehľady z AgentCore, MCP konektorov a dátovej politiky

Agent ako riadená integračná vrstva

Amazon Web Services zverejnil referenčnú architektúru pre autonómne podnikové prehľady nad viacerými dátovými systémami. Namiesto jedného asistenta napojeného na jednu databázu skladá riešenie Amazon Bedrock AgentCore, Model Context Protocol, dátový katalóg, perzistentnú pamäť a centralizované politiky prístupu. Cieľom je, aby pracovník položil otázku prirodzeným jazykom a agent získal čiastkové údaje z telemetrie, skladu, relačných databáz alebo dokumentového vyhľadávania, spojil ich do odpovede a pritom rešpektoval oprávnenia konkrétneho používateľa. AWS sprístupnil aj ukážkovú implementáciu na GitHube.

Modelová situácia sleduje výrobný podnik s viacerými linkami a tisíckami strojov. Prevádzková manažérka potrebuje pred poradou zistiť, ktoré linky vyžadujú zásah, no príčina môže byť roztrúsená medzi IoT telemetriou, históriou údržby, využitím zariadenia, ukazovateľmi efektivity a záznamami o kvalite. Tradičný dashboard ukáže jeden výsek a človek sa stáva ručnou integračnou vrstvou. Referenčný systém má namiesto toho najprv pochopiť zámer otázky, nájsť vhodné dátové zdroje, vykonať povolené nástroje a zostaviť odpoveď s kontextom.

Päť vrstiev namiesto jedného monolitu

Architektúra oddeľuje používateľské rozhranie, agentické uvažovanie, riadenie behov, konektory a samotnú dátovú infraštruktúru. AgentCore Runtime poskytuje izolované prostredie pre jednotlivé relácie, Gateway smeruje volania nástrojov, Identity prenáša identitu používateľa, Policy rozhoduje o oprávnení, Memory uchováva vybraný kontext a Registry spravuje dostupné nástroje. Pod nimi sú MCP servery a napokon služby ako SageMaker Lakehouse, Redshift, S3 Tables, OpenSearch, Aurora či Timestream. Každá vrstva sa dá meniť bez prepisovania celého riešenia.

Dôležitou súčasťou je sémantická vrstva nad SageMaker Data Catalog. Agent sa nemá spoliehať na pevne zakódovaný zoznam zdrojov; najprv sa opýta katalógu, kde sa nachádzajú údaje zodpovedajúce pojmom v otázke. Až potom vyberie príslušný konektor. Pridanie nového zdroja tak podľa návrhu znamená registráciu jeho nástrojov, slovníka, pôvodu a obnovovacej frekvencie, nie zásah do smerovacej logiky agenta. Toto oddelenie objavovania metadát od načítania dát je kľúčové pre rozširovanie systému.

MCP konektory a vlastné nástroje

Model Context Protocol v riešení slúži ako spoločný spôsob opisovania a volania nástrojov. Predpripravené servery pokrývajú napríklad Redshift, Aurora alebo OpenSearch, zatiaľ čo vlastné servery možno vytvoriť pre telemetriu v Timestreame či špecializovanú analýzu kvality. Ukážka používa FastMCP a nástroj definuje ako typovanú funkciu, ktorá overí vstup, zavolá príslušné AWS API a vráti štruktúrovaný výsledok. Po registrácii sa vlastný konektor správa z pohľadu agenta rovnako ako predpripravený.

Otvorený protokol znižuje väzbu medzi orchestráciou a konkrétnym zdrojom, no neodstraňuje prevádzkové náklady. Každý MCP server je ďalší endpoint, ktorý treba verziovať, monitorovať a chrániť. Stavové servery môžu vyžadovať afinitu relácie a horizontálne škálovanie musí počítať so životným cyklom spojení. Popisy nástrojov tiež ovplyvňujú, či model vyberie správnu funkciu. V produkcii preto nestačí, že konektor technicky odpovedá; tím potrebuje testovať smerovanie, schémy vstupov, chybové stavy aj kvalitu výsledkov.

Oprávnenie pred vykonaním nástroja

Najsilnejšou časťou návrhu je snaha presunúť autorizáciu mimo promptu a aplikačných podmienok. AgentCore Gateway zachytí volanie nástroja, doplní kontext identity a nechá politiku v jazyku Cedar rozhodnúť ešte pred spustením cieľa. Vedúca závodu môže mať prístup ku všetkým linkám, vedúci zmeny len k jednej prevádzke a technik iba k prideleným strojom. Ak používateľ požiada o údaje mimo rozsahu, konektor sa vôbec nezavolá. Odmietnutie sa zároveň môže vrátiť agentovi, aby vysvetlil hranicu a navrhol povolenú alternatívu.

Takéto poradie je bezpečnejšie než načítať globálny výsledok a až potom ho filtrovať v texte. Znižuje riziko, že citlivé dáta preniknú do kontextu modelu, cache alebo logov. AWS opisuje politiky odvodené z rolí, geografického rozsahu, klasifikácie dát, času aj parametrov nástroja a ich rozhodnutia zaznamenáva do CloudTrail. Stále však platí, že kvalita ochrany závisí od správnych tvrdení v identitnom tokene, presných politík a dôsledného označenia zdrojov. Automatický preklad pravidiel z prirodzeného jazyka treba pred nasadením overiť.

Izolácia, pamäť a cache

Runtime používa pre relácie izolované prostredia založené na technológii Firecracker. Oddelenie používateľov sa tak nemá opierať len o konvenciu v kóde agenta. Pamäť je rozdelená na krátkodobý kontext rozhovoru a dlhodobejšie poznatky v mennom priestore používateľa, tímu alebo organizácie. Technikka sa môže opýtať, či sa vibrácie stroja zhoršili oproti minulému týždňu, bez opakovania identifikátora a referenčnej hodnoty. Pri načítaní pamäte sa však musí znovu uplatniť politika, aby starší odvodený údaj neobišiel aktuálne oprávnenie.

Gateway používa aj cache na úrovni organizácie a používateľa. Spoločné referenčné dáta sa môžu opakovane používať, kým osobné výsledky zostávajú viazané na identitu a jej prístupový kontext. Cache síce skracuje odozvu, ale komplikuje rušenie oprávnení, aktualizáciu zdrojov a audit pôvodu odpovede. Podnik by mal vedieť, z ktorého systému a časového okamihu pochádza každý podstatný údaj, a pri kritických rozhodnutiach rozlišovať medzi čerstvým načítaním a dočasne uloženým výsledkom.

Čo si z návrhu odniesť

Referenčná implementácia ukazuje, že podnikový agent nie je iba model s prístupom k databáze. Potrebuje katalóg nástrojov, vrstvu identity, autorizáciu pred vykonaním, izoláciu relácií, kontrolovanú pamäť, pozorovateľnosť a postup na bezpečné pripájanie ďalších systémov. Prínosom je jednotné rozhranie nad roztrieštenými dátami a menšia potreba ručne skladať reporty. Rizikom je, že zložitosť nezmizne, iba sa presunie do konfigurácie konektorov, politík, metadát a prevádzky.

Organizácie by preto mali začať úzkym scenárom s merateľnou odpoveďou, nie s prísľubom univerzálneho podnikového mozgu. Potrebujú zlatú sadu otázok, očakávané zdroje, testy zákazov, limity nákladov a latencie aj postup pre ľudské potvrdenie zásahu. Verejný repozitár AWS je užitočný ako technický základ, tvrdenia o úspore času a kvalite rozhodnutí však zostávajú návrhom výrobcu, kým ich konkrétny podnik neoverí na vlastných dátach a procesoch.