Amazon Bedrock과 MCP 서버로 구현하는 중앙 집중형 엔터프라이즈 AI 아키텍처

기업 워크로드를 위한 AI 혁신 가속화: Amazon Bedrock와 MCP 서버를 활용한 중앙 집중형 아키텍처 활용법

도입

2025년이 되면서 생성형 AI와 관련한 기술은 하루가 멀다 하고 발전하고 있으며, 기업들은 이러한 든든한 기능을 기반으로 다양한 업무 자동화와 고객 경험 혁신에 나서기 시작했습니다. 특히 에이전트 기반 AI(Agentic AI) 기술은 다양한 툴을 자동으로 활용할 수 있는 방식으로 주목받고 있습니다. 그러나 다양한 툴 간 호환성과 엔터프라이즈 API 연계를 위한 표준화된 통신 체계의 부재는 여전히 해결해야 할 과제입니다.

Anthropic가 제안한 MCP(Model Context Protocol)는 이러한 문제를 해결하기 위한 오픈소스 프로토콜입니다. 하지만 MCP 적용에는 각 팀이 개별적으로 도구를 개발하고 운영해야 한다는 점에서 기업 간 일관되지 않은 구현과 중복 비용 및 리스크가 발생할 수 있습니다. 이를 해결하기 위해, Amazon Bedrock 기반의 중앙 집중형 MCP 서버 허브를 구성하여 엔터프라이즈 환경에서 생성형 AI 활용을 체계적으로 추진할 수 있습니다.

본 글에서는 그 상세한 구현 구조, 활용 방법, 배포 가이드, 기술 비교와 자동화 방법 등을 소개해 드립니다.

중앙 집중형 MCP 서버 아키텍처 개요

Amazon Bedrock 기반 MCP 서버는 각 부서(예: 거래, 리스크, 준법감시 등)별로 개발된 MCP 서버를 중앙에서 통합 운영함으로써 리소스 중복을 방지하고, AI에 의한 업무 자동화를 일관되게 실행할 수 있게 합니다.

MCP 서버는 각 부서에서 독립적으로 개발되지만 구현 완료 후 Amazon ECS 클러스터에 등록되어 공통의 MCP 허브에서 공유됩니다. 이 MCP 서버 레지스트리는 에이전트 기반 애플리케이션이 다양한 부서에서 제공하는 도구 리스트를 조회하고 통합적으로 해당 리소스를 액세스할 수 있도록 지원합니다.

에이전트와 MCP 허브의 상호작용 흐름

에이전트 기반 애플리케이션은 Amazon Bedrock과 연동되며 중앙의 MCP 허브에서 툴 목록을 검색, 실행하는 방식으로 요청에 대응합니다.

흐름 요약

1. 애플리케이션이 로드 밸런서를 통해 MCP 허브에 연결, 접근 가능한 MCP 서버의 도구 리스트 요청
2. 지정된 MCP 서버가 도구 목록과 상세 정보를 반환
3. Amazon Bedrock 에이전트가 도구 리스트 기반으로 실행 계획 수립
4. 적절한 도구 선택 후 실행 요청
5. MCP 서버가 도구 실행 및 결과 반환
6. 결과를 다시 에이전트로 전달하여 후속 작업 결정

아키텍처 상세 설명

전체 시스템은 5가지 컴포넌트로 구성되어 있으며, 애플리케이션과 도구 간 안정적 통신, 자동화된 배포, 보안 제어까지 고려된 구조입니다.

구성 요소

1. MCP 서버 디스커버리 API – 새로운 MCP 서버가 발행되면 DynamoDB에 레지스트리 등록되며, AWS Lambda 기반 API를 통해 레지스트리에 등록된 서버 정보를 반환합니다.

2. 에이전트 기반 애플리케이션 – AWS Fargate를 사용하는 Amazon ECS 환경에 배포되며, Amazon Bedrock Agents 또는 Open Source Strands Agents SDK를 활용해 생성됩니다.

3. MCP 서버 허브 – Amazon ECS의 Docker 기반 서버들이 네트워크 로드 밸런서를 통해 액세스됩니다. 각각의 MCP 서버는 다른 서버에 영향을 주지 않고 독립적으로 확장 가능합니다.

4. 툴 및 리소스 – Amazon S3, DB, 사내 앱 등과 같은 리소스를 MCP 도구로 제공하며, 모든 트래픽은 네트워크 프라이빗 링크 기반으로 보장됩니다.

활용 예시: 금융 거래 후 처리 자동화

Post-Trade Execution 시나리오에 기반한 MCP 활용 예시를 소개합니다. 사용자 요청(예: "AMZN 주식 100주를 186달러에 매수하고 A31/B12 계좌에 반반씩 배정")의 경우, 에이전트는 trade-execution MCP 서버에 기능을 호출합니다. 코드 예시는 다음과 같습니다.

from fastmcp import FastMCP
@mcp.tool()
async def executeTrade(ticker, quantity, price):
return {
"tradeId": "T12345",
"status": "Executed"
}

자동화 구성 및 테스트는 Streamlit 인터페이스 UI를 통해 실행될 수 있습니다.

Streamlit 앱을 통해 요청 전송, 도구 실행, 결과 확인, 단계별 추적까지 직관적으로 확인할 수 있으며, 베드락 에이전트를 통해 자동화 흐름을 원활하게 실행할 수 있습니다.

보안 및 확장성 장점

• Fargate 기반 ECS는 자동 확장/복구/리로드 기능을 제공하여 다운타임 최소화
• Amazon PrivateLink 및 VPC Endpoints 사용으로 안전한 내부 네트워크 통신 확보
• 각 MCP 서버는 개별 아키텍처로 운영되므로 서비스 분리 및 독립적 확장 가능
• 인증 및 접근 제어는 MCP Auth Server를 통해 중앙화된 방식으로 관리 가능

배포 가이드 및 자동화 흐름

해당 구조는 AWS CDK(Python) 기반 코드로 자동 배포 가능하며, Streamlit 페이지와 함께 테스트할 수도 있습니다.

보다 간단히 MCP 서버 구성 및 에이전트 통합 앱을 구현하고자 할 경우 GitHub 배포 예시 저장소를 참고하세요.

결론

본 솔루션은 생성형 AI와 기업 워크플로우를 통합하여 효율적인 자동화를 이끌 수 있는 이상적인 구조를 제공합니다. MCP 기반 중앙 집중 서버 구조를 바탕으로, 팀은 이제 도구 구현이 아닌 실제 AI 애플리케이션 개발에 집중할 수 있습니다. Amazon Bedrock, ECS, PrivateLink와 같은 AWS 구성 요소와 함께 사용하면, 보안, 자동화, 확장성, 활용성 측면에서 모두 만족할 수 있는 엔터프라이즈 AI 구성이 가능해집니다.

https://aws.amazon.com/blogs/machine-learning/accelerating-ai-innovation-scale-mcp-servers-for-enterprise-workloads-with-amazon-bedrock/