Amazon Web Services publicou em 6 de novembro de 2026 uma arquitetura de referência para expor dados de um data lake a agentes de IA por meio de um servidor Model Context Protocol (MCP) executado no Amazon ECS com AWS Fargate. A proposta troca integrações específicas por agente e por tabela por uma camada central: clientes compatíveis com MCP descobrem ferramentas em um endpoint comum, enquanto autenticação, regras de acesso, validação de SQL e auditoria ficam concentradas. Para empresas que já usam Amazon Bedrock, Athena ou Redshift, o desenho é relevante porque transforma o acesso conversacional a dados em um problema de configuração e governança — não em um novo projeto de integração para cada copiloto.

Resumo: o que a arquitetura resolve

  • Um gateway para muitos agentes: clientes MCP, como extensões de IDE e aplicações internas, podem usar a mesma camada de ferramentas.
  • Onboarding orientado por metadados: uma tabela passa a ser descrita por um arquivo JSON com esquema, significado de colunas e dicas de consulta.
  • Segurança centralizada: autenticação, isolamento de rede, guardrails e a restrição de consultas somente de leitura são aplicados antes de o pedido chegar ao data lake.
  • Estado fora dos contêineres: as tarefas Fargate permanecem stateless; a conversa é persistida no Amazon DynamoDB, permitindo escalar ou substituir tarefas sem perder a sessão.
  • Dados estruturados e não estruturados no mesmo fluxo: o agente pode combinar uma consulta no Athena com busca semântica em documentos indexados no Amazon Bedrock Knowledge Bases.

Por que o MCP muda a integração de agentes com dados corporativos

O Model Context Protocol (MCP) é um protocolo para conectar aplicações de IA a ferramentas e fontes de contexto com uma interface padronizada. O ganho prático não é apenas “ter um chatbot que consulta banco”: é evitar que cada agente implemente, de forma isolada, descoberta de esquema, geração de SQL, conexões, auditoria e controle de permissões.

No caso descrito pela AWS, o problema surgiu em um ambiente com milhares de conjuntos de dados operacionais e analíticos. Quando cada time constrói seu próprio conector, uma alteração de esquema precisa ser tratada repetidamente, o controle de acesso fica distribuído e a entrada de uma tabela nova pode exigir dias de código, validação e implantação. O servidor MCP passa a ser a fronteira estável entre agentes, aplicações e dados. Os modelos ou frameworks podem mudar; a política de acesso não precisa mudar junto.

Arquitetura em quatro camadas

A referência da AWS separa a solução em camada de cliente, servidor MCP, ferramentas e atualização da base de conhecimento. Essa divisão é importante: cada parte pode escalar e evoluir sem acoplar a aplicação de chat ao mecanismo que efetivamente consulta os dados.

Diagrama da arquitetura do servidor MCP: Route 53, AWS WAF, Application Load Balancer, Cognito, ECS Fargate, Athena, Redshift e Bedrock Knowledge Bases.
Fluxo de requisição da arquitetura publicada pela AWS: clientes autenticados chegam ao servidor MCP em Fargate e acessam ferramentas de dados em uma camada controlada.

1. Camada de cliente: identidade, sessão e contexto de negócio

O tráfego entra por Amazon Route 53 e um Application Load Balancer público protegido por HTTPS e AWS WAF. A autenticação é feita pelo Amazon Cognito com JSON Web Tokens (JWTs). Depois da autenticação, a aplicação cliente em ECS Fargate mantém o estado da sessão no DynamoDB e adiciona contexto de negócio ao pedido antes de encaminhá-lo ao serviço MCP interno.

Esse contexto pode limitar quais tabelas são consideradas para uma determinada aplicação. Em vez de deixar o agente pesquisar todo o catálogo, um contexto como labor_planning pode apontar apenas para as tabelas de planejamento de força de trabalho. A AWS relata que, em seus testes, esse recorte contribuiu para interações ponta a ponta na faixa de 15 a 20 segundos. É um detalhe arquitetural importante: mais contexto não significa necessariamente mais qualidade; para consultas empresariais, reduzir o espaço de busca pode diminuir ambiguidades e custo.

2. Camada MCP: orquestração sem estado

O servidor MCP roda em um cluster ECS Fargate separado, em sub-rede privada e atrás de um Application Load Balancer interno. Ele expõe uma interface JSON-RPC no endpoint /mcp, implementada com FastMCP, framework Python para construir servidores MCP. Clientes compatíveis podem descobrir e invocar ferramentas sem conhecer detalhes de Athena, Redshift ou da base de documentos.

O serviço é stateless: o histórico da conversa fica no DynamoDB, não na tarefa Fargate. Quando chega um pedido, o agente recupera a sessão, interpreta a intenção com Amazon Bedrock, escolhe uma ferramenta, executa a chamada e transmite o resultado de volta. Essa separação torna a elasticidade mais segura: uma tarefa pode ser substituída ou a quantidade de réplicas pode crescer sem usar a memória de um contêiner como fonte de verdade da conversa.

3. Ferramentas: SQL, busca documental e políticas

Ferramentas descobertas pelo servidor MCP em tempo de execução, conforme a arquitetura da AWS.

Para uma consulta analítica, o agente começa pela busca no catálogo de metadados. Em seguida, usa as descrições de tabelas e colunas para gerar SQL, valida a sintaxe para Athena, corrige incompatibilidades quando necessário e só então executa a consulta. O resultado retorna ao agente, que o transforma em linguagem natural. O ponto decisivo é que o modelo não recebe apenas nomes técnicos de campos: ele recebe significado de negócio, tipos, exemplos e instruções específicas do mecanismo.

O catálogo JSON é a peça que reduz o trabalho de integração

Na arquitetura, cada conjunto de dados é descrito por um arquivo JSON. Esse documento reúne o serviço de banco, banco de dados, tabela, descrição de negócio, detalhes de colunas, valores de exemplo, frequência de atualização e outras informações operacionais. A fonte de verdade não é um prompt informal espalhado em vários agentes; é um metadado versionável e indexável.

{
  "database_service_name": "athena",
  "database_name": "analytics_db",
  "table_name": "regional_order_summary",
  "business_description_for_the_table": "Histórico regional de pedidos e desempenho de entrega.",
  "column_details": {
    "order_date [timestamp(3)]": {
      "description": "Data e hora do pedido; use para filtros temporais.",
      "sample_values": ["2025-01-15 08:00:00.000"]
    }
  },
  "refresh_frequency": "Diariamente às 6:00 UTC"
}

O exemplo acima é uma adaptação reduzida do formato mostrado pela AWS. O campo de descrição de negócio pode carregar dicas de sintaxe específicas do motor SQL. As amostras de valores também ajudam: saber que um identificador de centro logístico segue o padrão FC-EAST-07 reduz a chance de o agente inventar um filtro com um nome natural que não existe na tabela.

O pipeline gera embeddings com Amazon Titan Text Embeddings e indexa os metadados no Amazon Bedrock Knowledge Bases. Quando entra um arquivo novo, a tabela passa a poder ser localizada por agentes conectados após o ciclo de atualização, sem alterar o código do servidor MCP nem reiniciá-lo. Isso não elimina a necessidade de revisão humana dos metadados: uma descrição ruim, exemplos desatualizados ou permissões excessivas continuam produzindo respostas ruins. A diferença é que a correção ocorre em uma camada única e auditável.

Segurança: o protocolo não substitui controles de dados

MCP padroniza a ligação entre cliente e ferramenta; ele não torna uma consulta automaticamente segura. A arquitetura da AWS aplica defesa em profundidade. O servidor MCP não fica exposto diretamente à internet: ele está em sub-redes privadas, acessível pelo cliente interno. O cliente público passa por WAF, e o Cognito valida a identidade antes de o pedido seguir adiante.

No nível do modelo, Amazon Bedrock Guardrails é aplicado a todas as interações para filtrar conteúdo inadequado, verificar grounding e ajudar a bloquear tentativas de prompt injection. No nível da ferramenta, as consultas de Athena aceitam somente SELECT; comandos de escrita são recusados antes de alcançar o data lake. As invocações são registradas no Amazon CloudWatch como JSON estruturado, criando um ponto de auditoria comum para diferentes agentes e aplicações.

Há uma limitação relevante: restringir SQL a leitura reduz dano, mas não resolve sozinho acesso indevido. Uma consulta SELECT ainda pode expor dados sensíveis se as permissões de tabela, coluna, linha e identidade estiverem frouxas. A própria AWS informa como próximo passo controles mais granulares para marcar colunas sensíveis por grupo de permissão. Na prática, a política de autorização deve ser aplicada por identidade e pelo backend de dados, não delegada ao prompt do agente.

Escala e custo operacional

A escolha por Fargate remove a administração de instâncias EC2 e combina bem com carga variável de agentes. O cliente escala com ECS Service Auto Scaling, usando utilização de CPU; o serviço MCP pode escalar por CPU e memória. Athena escala conforme a concorrência de consultas, e Amazon Bedrock é gerenciado para as requisições de inferência. A AWS cita, no exemplo, limiar de 50% de CPU para o serviço cliente.

“Serverless”, porém, não significa custo sem governança. Consultas mal formuladas podem ler grandes volumes em Athena; chamadas repetidas ao modelo e à busca vetorial somam custo e latência. O desenho de contexto, os limites de resultado, a validação de SQL, observabilidade e orçamentos continuam sendo componentes de produção. Também é preciso definir timeouts e comportamento de falha: um agente não deve transformar uma consulta lenta em repetidas tentativas idênticas.

Casos de uso que fazem sentido

  • Copiloto analítico interno: equipes de operações perguntam sobre indicadores sem escrever SQL, com tabelas previamente autorizadas.
  • Assistente de suporte técnico: o agente combina uma métrica do Athena com procedimentos indexados no Knowledge Bases.
  • Vários agentes especializados: agentes de análise, documentação e alertas compartilham a mesma camada de ferramentas e regras.
  • Integração em IDE ou chat corporativo: um cliente MCP compatível descobre ferramentas pelo endpoint padronizado, sem um adaptador exclusivo por aplicação.

Análise do NoticIA: trate metadados como produto, não como detalhe

O ponto mais útil desta arquitetura não é apenas colocar um agente atrás de um endpoint MCP. É reconhecer que o gargalo real de agentes corporativos costuma ser a semântica dos dados: quais tabelas representam o conceito pedido, quais colunas são seguras, que convenções de data valem e quais filtros evitam resultados errados. A AWS desloca esse conhecimento do código de cada agente para um catálogo revisável.

Para equipes brasileiras, a lição é aplicável mesmo fora da AWS: comece com poucos domínios de dados, descreva explicitamente cada tabela, bloqueie escrita por padrão, registre todas as chamadas e estabeleça donos para corrigir metadados. Só depois amplie o número de agentes e fontes. Um servidor MCP central pode reduzir retrabalho, mas também concentra risco; por isso, identidade, autorização e logs precisam ser tão maduros quanto o modelo de IA.

Conclusão

A referência da AWS mostra um caminho para conectar agentes a data lakes sem multiplicar conectores, prompts e regras por aplicação. O desenho combina MCP, FastMCP, ECS Fargate, Cognito, DynamoDB, Bedrock, Athena, Redshift e Knowledge Bases em uma camada de acesso única. A decisão estrutural é separar a evolução veloz dos agentes da governança mais duradoura dos dados. Se o catálogo de metadados, as permissões e a auditoria forem tratados como partes centrais do produto, a organização ganha uma base mais sustentável para expandir agentes de IA.



Descubra mais sobre noticiAI

Assine para receber nossas notícias mais recentes por e-mail.

Deixe seu comentário

FerramentaBackendUso na arquitetura
Consulta SQLAmazon Athena e Amazon RedshiftConsultar conjuntos de dados configurados no data lake e no warehouse.
Busca de documentos e metadadosAmazon Bedrock Knowledge BasesEncontrar documentação interna, descrição de tabelas e wikis.
Busca de políticasAmazon Bedrock Knowledge BasesLocalizar procedimentos operacionais e políticas corporativas.