아마존 베드락 에이전트코어와 MCP 기반의 이커머스 AI 서버

AI 비서 기능을 추가할 때마다 개발자는 백엔드 API를 새로 만들고 인증 체계를 다시 구축하는 반복 작업에 매달린다. 클라이언트가 늘어날수록 관리해야 할 커스텀 코드와 인프라가 증가해 서비스 출시가 늦어지는 불편이 발생한다. 아마존 베드락 에이전트코어(Amazon Bedrock AgentCore)와 미스트랄 AI 스튜디오(Mistral AI Studio)는 표준화된 MCP 서버를 통해 이 과정을 간소화한다. MCP(Model Context Protocol)는 AI 클라이언트와 백엔드 서비스 간의 통합 방식을 표준화한 규격으로, 개별 클라이언트마다 API를 새로 짤 필요 없이 표준 프로토콜 하나로 통합이 가능하다.

이번 구현의 핵심은 아마존 베드락 에이전트코어를 기반으로 MCP 서버를 구축하고 이를 미스트랄 AI의 바이브(Vibe)와 연결하는 것이다. 바이브는 웹과 iOS, 안드로이드 환경에서 제공되는 대화형 인터페이스이며, 에이전트코어는 AI 에이전트를 대규모로 구축하고 연결하며 최적화하는 플랫폼 역할을 수행한다. 개발자는 각 클라이언트 요구사항에 맞춘 커스텀 API 대신 하나의 MCP 서버만 구축하면 MCP 표준을 지원하는 모든 AI 클라이언트가 이 서버에 연결될 수 있다.

구축된 이커머스 MCP 서버는 상품 검색, 주문 접수, 리뷰 제출, 반품 처리라는 네 가지 쇼핑 운영 기능을 지원한다. 데이터 저장소로는 아마존 다이너모DB(Amazon DynamoDB)를 사용하며, 사용자 신원 관리는 아마존 코그니토(Amazon Cognito)가 담당한다. 코그니토는 OAuth 2.1 표준을 통해 사용자 ID를 관리하며 각 고객의 데이터가 서로 격리되도록 보장한다. AI 에이전트는 사용자의 자연어 요청을 해석해 데이터베이스에서 정보를 조회하거나 주문 상태를 변경한다.

OAuth 2.1과 JWT를 활용한 2단계 보안 요청 흐름

엔터프라이즈 환경에서는 모든 요청을 검증해야 한다. Mistral AI Studio Vibe는 OAuth 2.1 표준을 통해 사용자의 신원을 확인한다. 사용자가 Vibe 내에서 Cognito 로그인 페이지에 접속해 자격 증명을 입력하면, Cognito는 사용자의 신원을 확인하고 JWT(JSON Web Token, 사용자 권한과 식별 정보를 담은 디지털 토큰)를 발급한다. Vibe는 이 토큰을 로컬 세션에 저장했다가, 사용자가 요청을 보낼 때 HTTPS 통신을 통해 AgentCore 엔드포인트의 HTTP 헤더 Bearer 필드에 담아 전송한다.

전달된 요청이 애플리케이션 코드에 도달하기 전, AgentCore Runtime의 인프라 계층에서 1차 보안 게이트가 작동한다. 내장된 JWT Validator가 Cognito 사용자 풀의 공개 키를 사용하여 토큰의 암호화 서명을 대조하고, 만료일과 클라이언트 권한을 검사한다. 서명이 위조되었거나 유효 기간이 만료된 경우 인프라 수준에서 즉시 요청을 거부한다. 개발자가 직접 인증 미들웨어를 작성하거나 로드밸런서 뒤에 검증 로직을 배치할 필요 없이, 런타임 환경이 암호화 검증 작업을 전담한다.

[Figure 1. Request flow architecture for the ecommerce MCP server]

인프라 검증을 통과한 요청은 MCP 서버 컨테이너에 도달하여 세부적인 데이터 접근 권한을 제어받는다. 서버는 검증된 토큰에서 고객 ID 속성을 추출하고, 이를 기반으로 해당 사용자의 전자상거래 프로필과 연결된 데이터만 쿼리하도록 요청 범위를 제한한다. Amazon DynamoDB 테이블에 접근할 때 이 고객 ID를 필터 조건으로 사용함으로써 타인의 데이터 접근을 차단한다. 결과적으로 AgentCore Runtime의 인프라 계층 토큰 검증과 애플리케이션 계층의 데이터 격리가 상호 보완적으로 작동하여 데이터 프라이버시를 유지한다.

개별 API 개발 방식 대비 MCP 서버의 효율성

이러한 보안 체계의 자동화는 개발 효율성이라는 실질적인 이점으로 이어진다. 기존의 AI 어시스턴트 구축 방식은 연결하려는 클라이언트마다 개별적인 커스텀 API 코드를 작성해야 했다. 여기에 컨테이너 인프라 관리와 복잡한 인증 체계 구현이 더해지면 실제 서비스 출시까지 수주가 소요되는 경우가 많았다. 개발자는 AI 기능 구현보다 통합 작업과 보안 설정이라는 반복 작업에 더 많은 시간을 소비했다.

반면 MCP 서버 방식은 하나의 표준 서버를 구축하면 이를 지원하는 모든 AI 클라이언트가 별도의 추가 개발 없이 즉시 연결된다. Amazon Bedrock AgentCore 내의 AgentCore Runtime을 활용하면 효율은 더 높아진다. AgentCore Runtime은 에이전트와 MCP 워크로드를 호스팅하는 완전 관리형 서버리스 구성 요소로, 세션 격리와 관찰 가능성을 기본으로 제공한다. 개발자는 컨테이너 관리, 로드밸런서 설정, 인증 미들웨어 구축을 직접 수행하지 않고도 즉시 배포 가능한 환경을 확보한다.

운영 측면에서 AgentCore Runtime은 상태 비저장(Stateless) 컨테이너 기반으로 가용 영역에 분산 배치되어 트래픽 증가 시에도 유연한 확장성과 가용성을 유지한다. 결과적으로 MCP 표준을 도입하면 클라이언트별 통합 코드 작성 공수가 사라진다. 기존 방식이 연결할 클라이언트 수에 비례해 개발 비용이 선형적으로 증가하는 구조였다면, MCP 서버는 단 한 번의 구축으로 웹, iOS, Android 등 다양한 인터페이스에 동시에 대응하는 구조다.

FastMCP와 AWS CDK를 이용한 실제 구현 세부 사항

구현을 위해 Python 3.10 이상, Node.js 18 이상, AWS CLI가 필요하다. 인프라 관리를 위한 AWS CDK(코드형 인프라 도구)와 AgentCore CLI는 다음 명령어로 설치한다.

npm install -g aws-cdk

pip install bedrock-agentcore

도구 정의는 Python의 데코레이터인 `@mcp.tool()`를 사용한다. 함수의 파라미터와 독스트링(함수 설명문)이 그대로 MCP 스키마가 되어 AI 모델이 도구의 호출 시점과 방법을 결정한다. 아래 예시는 인증이 필요한 주문 내역 조회 도구의 정의 방식이다.

@mcp.tool()
def get_order_history(customer_id: str):
 """REQUIRES AUTHENTICATION: Retrieves the order history for a specific customer."""

인증 확인 및 데이터 쿼리 로직

...

이 방식은 인프라 계층에서 JWT 검증을 마쳤더라도 애플리케이션 코드에서 다시 한번 고객 신원을 확인하는 심층 방어 구조를 가진다. 또한 기계가 읽는 ID와 사람이 읽는 라벨을 함께 반환해 AI 모델이 추가 호출 없이 자연어 응답을 생성하게 돕는다.

인프라 구축은 AWS CDK를 통해 네 가지 스택으로 분리해 관리한다. `DynamoDBStack`은 NoSQL 데이터베이스 테이블을 생성하며, `CognitoStack`은 OAuth 2.1 기반의 사용자 인증 설정을 담당한다. `DataLoaderStack`은 AWS Lambda를 이용해 테스트 데이터를 주입하며, `AgentCoreRuntimeStack`은 IAM 역할과 ECR(컨테이너 이미지 저장소)을 생성한다. 배포 과정에서 AWS CodeBuild가 클라우드 환경에서 직접 이미지를 빌드하므로 로컬에 Docker를 설치할 필요가 없다. 전체 소스 코드는 GitHub repo에서 확인할 수 있다.

한국 AI 실무자를 위한 MCP 도입의 실무적 이점

한국의 많은 기업이 AI 서비스를 도입하며 겪는 병목은 모델 성능보다 인터페이스 통합 과정에서 발생한다. 웹, 모바일 앱, 외부 메신저 챗봇 등 다수의 채널을 운영하려면 각 클라이언트 요청 규격에 맞춘 커스텀 API 코드를 개별 작성해야 하며, 이는 막대한 개발 공수로 이어진다. MCP를 도입하면 하나의 표준 서버로 모든 AI 클라이언트를 통합할 수 있어 다채널 운영 환경의 통합 비용을 제거한다.

보안 검증 책임이 애플리케이션 코드에서 인프라 계층으로 분리되는 점도 중요하다. 기존에는 개발자가 코드 내부에 인증 및 인가 로직을 직접 구현하며 보안 취약점이 발생할 가능성이 컸다. Amazon Bedrock AgentCore Runtime은 인프라 계층에서 JWT 검증을 전담하여 무효한 요청을 즉각 차단한다. 보안 검증이 인프라 수준에서 처리되면서 개발자는 기능 구현에만 집중할 수 있는 환경을 갖게 된다.

인프라 관리 부담의 제거는 AI 에이전트의 확장 속도를 높인다. MCP 표준을 준수하면 Mistral AI Studio 외에 다른 MCP 호환 클라이언트로 즉각적인 확장이 가능하다. 개발자는 컨테이너 이미지 관리, 로드밸런서 설정, 인증 미들웨어 구축과 같은 복잡한 인프라 작업에 시간을 쏟지 않아도 된다. 결과적으로 서비스 출시 속도인 Time-to-Market을 결정짓는 요소는 모델의 성능보다 MCP와 같은 통합 표준 채택을 통한 개발 공수 감소 수준이 된다.

AI 비서 기능을 추가할 때마다 반복되던 백엔드 API 개발과 인증 체계 구축의 굴레가 MCP 표준으로 바뀐다. AgentCore Runtime의 JWT 검증과 FastMCP의 @mcp.tool() 데코레이터 조합은 개별 클라이언트용 API 개발 없이도 기능을 통합하게 한다.

개발자는 이제 컨테이너나 로드밸런서 같은 인프라 관리 부담을 덜고 도구 정의라는 본질적 구현에만 집중할 수 있다. MCP 도입을 통해 제거되는 인프라 관리 포인트와 API 개발 공수의 감소 수준이 실제 서비스 도입 여부를 결정하는 핵심 척도가 된다.