1단계: MCP 엔드포인트 및 액세스 토큰 가져오기 2단계: MCP Inspector로 테스트 3단계: AI 개발 클라이언트 구성 프롬프트 예제

MCP 서버 통합

솔루션 배포 중에 선택적 MCP 서버 구성 요소를 배포한 경우 Distributed Load Testing 솔루션을 모델 컨텍스트 프로토콜을 지원하는 AI 개발 도구와 통합할 수 있습니다. MCP 서버는 AI 어시스턴트를 통해 로드 테스트를 검색, 관리 및 분석할 수 있는 프로그래밍 방식의 액세스를 제공합니다.

고객은 선택한 클라이언트(Amazon Q, Claude 등)를 사용하여 DLT MCP 서버에 연결할 수 있으며, 각 클라이언트에는 약간 다른 구성 지침이 있습니다. 이 섹션에서는 MCP Inspector, Amazon Q CLI, Cline 및 Amazon Q Suite에 대한 설정 지침을 제공합니다.

1단계: MCP 엔드포인트 및 액세스 토큰 가져오기

MCP 클라이언트를 구성하기 전에 DLT 웹 콘솔에서 MCP 서버 엔드포인트와 액세스 토큰을 검색해야 합니다.

분산 로드 테스트 웹 콘솔에서 MCP 서버 페이지로 이동합니다.
MCP 서버 엔드포인트 섹션을 찾습니다.
엔드포인트 URL 복사 버튼을 사용하여 엔드포인트 URL을 복사합니다. 엔드포인트 URL은 형식을 따릅니다. https://[api-id].execute-api.[region].amazonaws.com/[stage]/gateway/backend-agent/sse/mcp
액세스 토큰 섹션을 찾습니다.
액세스 토큰 복사 버튼을 사용하여 액세스 토큰을 복사합니다.

중요

액세스 토큰을 안전하게 유지하고 공개적으로 공유하지 마세요. 토큰은 MCP 인터페이스를 통해 분산 로드 테스트 솔루션에 대한 읽기 전용 액세스를 제공합니다.

2단계: MCP Inspector로 테스트

모델 컨텍스트 프로토콜은 MCP 서버에 직접 연결하고 도구를 호출하는 도구인 MCP Inspector를 제공합니다. 이를 통해 AI 클라이언트를 구성하기 전에 MCP 서버 연결을 테스트하기 위한 편리한 UI 및 샘플 네트워크 요청이 제공됩니다.

참고

MCP Inspector에는 버전 0.17 이상이 필요합니다. 모든 요청은 JSON RPC로 직접 수행할 수도 있지만 MCP Inspector는 보다 사용자 친화적인 인터페이스를 제공합니다.

MCP Inspector 설치 및 시작

필요한 경우 npm을 설치합니다.
다음 명령을 실행하여 MCP Inspector를 시작합니다.
```
npx @modelcontextprotocol/inspector
```

연결 구성

MCP Inspector 인터페이스에서 MCP 서버 엔드포인트 URL을 입력합니다.
액세스 토큰과 함께 권한 부여 헤더를 추가합니다.
연결을 클릭하여 연결을 설정합니다.

도구 호출

연결되면 사용 가능한 MCP 도구를 테스트할 수 있습니다.

왼쪽 패널에서 사용 가능한 도구 목록을 찾습니다.
도구를 선택합니다(예: list_scenarios).
필요한 파라미터를 제공합니다.
호출을 클릭하여 도구를 실행하고 응답을 봅니다.

3단계: AI 개발 클라이언트 구성

MCP Inspector와의 MCP 서버 연결을 확인한 후 원하는 AI 개발 클라이언트를 구성할 수 있습니다.

Amazon Q CLI

Amazon Q CLI는 MCP 서버 통합을 통해 AI 지원 개발에 대한 명령줄 액세스를 제공합니다.

구성 단계

mcp.json 구성 파일을 편집합니다. 구성 파일 위치에 대한 자세한 내용은 Amazon Q Developer 사용 설명서의 원격 MCP 서버 구성을 참조하세요.

DLT MCP 서버 구성을 추가합니다.


{
  "mcpServers": {
    "dlt-mcp": {
      "type": "http",
      "url": "https://[api-id].execute-api.[region].amazonaws.com/[stage]/gateway/backend-agent/sse/mcp",
      "headers": {
        "Authorization": "your_access_token_here"
      }
    }
  }
}

구성 확인

터미널에서 q를 입력하여 Amazon Q CLI를 시작합니다.
사용 가능한 모든 MCP 서버를 보려면 /mcp를 입력합니다.
dlt-mcp 및 기타 구성된 MCP 서버에서 제공하는 사용 가능한 도구를 보려면 /tools를 입력합니다.
가 dlt-mcp 성공적으로 초기화되는지 확인합니다.

클라인

Cline은 MCP 서버 통합을 지원하는 AI 코딩 도우미입니다.

구성 단계

클라인에서 MCP 서버 관리 > 구성 > MCP 서버 구성으로 이동합니다.

cline_mcp_settings.json 파일을 다음과 같이 업데이트 합니다.


{
  "mcpServers": {
    "dlt-mcp": {
      "type": "streamableHttp",
      "url": "https://[api-id].execute-api.[region].amazonaws.com/[stage]/gateway/backend-agent/sse/mcp",
      "headers": {
        "Authorization": "your_access_token_here"
      }
    }
  }
}

구성 파일을 저장합니다.
Cline을 다시 시작하여 변경 사항을 적용합니다.

Amazon Q Suite

Amazon Q Suite는 MCP 서버 작업을 지원하는 포괄적인 AI 어시스턴트 플랫폼을 제공합니다.

사전 조건

Amazon Q Suite에서 MCP 서버를 구성하기 전에 DLT 배포의 Cognito 사용자 풀에서 OAuth 자격 증명을 검색해야 합니다.

AWS CloudFormation 콘솔로 이동합니다.
분산 로드 테스트 스택을 선택합니다.
출력 탭에서 DLT 배포와 연결된 Cognito 사용자 풀 ID를 찾아 복사합니다.
Amazon Cognito 콘솔로 이동합니다.
CloudFormation 출력에서 사용자 풀 ID를 사용하여 사용자 풀을 선택합니다.
왼쪽 탐색 창에서 앱 통합 > 앱 클라이언트를 선택합니다.
이름이 m2m (machine-to-machine)로 끝나는 앱 클라이언트를 찾습니다.
클라이언트 ID와 클라이언트 보안 암호를 복사합니다.
도메인 탭에서 사용자 풀 도메인을 가져옵니다.
도메인 /oauth2/token 끝에를 추가하여 토큰 엔드포인트 URL을 구성합니다.

구성 단계

Amazon Q Suite에서 새 에이전트를 생성하거나 기존 에이전트를 선택합니다.
DLT MCP 서버와 상호 작용하는 방법을 설명하는 에이전트 프롬프트를 추가합니다.
새 작업을 추가하고 MCP 서버 작업을 선택합니다.
MCP 서버 세부 정보를 구성합니다.
- MCP 서버 URL: DLT MCP 엔드포인트
- 인증 유형: 서비스 기반 인증
- 토큰 엔드포인트: Cognito 토큰 엔드포인트 URL
- 클라이언트 ID: m2m 앱 클라이언트의 클라이언트 ID
- 클라이언트 보안 암호: m2m 앱 클라이언트의 클라이언트 보안 암호
MCP 서버 작업 구성을 저장합니다.
에이전트에 새 MCP 서버 작업을 추가합니다.

에이전트 시작 및 테스트

Amazon Q Suite에서 에이전트를 시작합니다.
자연어 프롬프트를 사용하여 에이전트와 대화를 시작합니다.
에이전트는 MCP 도구를 사용하여 로드 테스트 데이터를 검색하고 분석합니다.

프롬프트 예제

다음 예제에서는 AI 어시스턴트와 상호 작용하여 MCP 인터페이스를 통해 로드 테스트 데이터를 분석하는 방법을 보여줍니다. 특정 테스트 요구 사항에 맞게 테스트 IDs, 날짜 범위 및 기준을 사용자 지정합니다.

사용 가능한 MCP 도구 및 해당 파라미터에 대한 자세한 내용은 개발자 안내서의 MCP 도구 사양을 참조하세요.

간단한 테스트 결과 쿼리

MCP 서버와의 상호 작용은 다음과 같이 간단Show me the load tests that have completed in the last 24 hours with their associated completion status하거나 더 설명적일 수 있습니다.


Use list_scenarios to find my load tests. Then use get_latest_test_run to show me the basic execution data and performance metrics for the most recent test. If the results look concerning, also get the detailed performance metrics using get_test_run.

점진적 공개를 통한 대화형 성능 분석


I need to analyze my load test performance, but I'm not sure which specific tests to focus on. Please help me by:

1. First, use list_scenarios to show me available test scenarios
2. Ask me which tests I want to analyze based on the list you show me
3. For my selected tests, use list_test_runs to get the test run history
4. Then use get_test_run with the test_run_id to get detailed response times, throughput, and error rates
5. If I want to compare tests, use get_baseline_test_run to compare against the baseline
6. If there are any issues, use get_test_run_artifacts to help me understand what went wrong

Please guide me through this step by step, asking for clarification whenever you need more specific information.

프로덕션 준비 확인


Help me validate if my API is ready for production deployment:

1. Use list_scenarios to find recent test scenarios
2. For the most recent test scenario, use get_latest_test_run to get basic execution data
3. Use get_test_run with that test_run_id to get detailed response times, error rates, and throughput
4. Use get_scenario_details with the test_id to show me what load patterns and endpoints were tested
5. If I have a baseline, use get_baseline_test_run to compare current results with the baseline
6. Provide a clear go/no-go recommendation based on the performance data
7. If there are any concerns, use get_test_run_artifacts to help identify potential issues

My SLA requirements are: response time under [X]ms, error rate under [Y]%.

성능 추세 분석


Analyze the performance trend for my load tests over the past [TIME_PERIOD]:

1. Use list_scenarios to get all test scenarios
2. For each scenario, use list_test_runs with start_date and end_date to get tests from that period
3. Use get_test_run for the key test runs to get detailed metrics
4. Use get_baseline_test_run to compare against the baseline
5. Identify any significant changes in response times, error rates, or throughput
6. If you detect performance degradation, use get_test_run_artifacts on the problematic tests to help identify causes
7. Present the trend analysis in a clear format showing whether performance is improving, stable, or degrading

Focus on completed tests and limit results to [N] tests if there are too many.

실패한 테스트 문제 해결


Help me troubleshoot my failed load tests:

1. Use list_scenarios to find test scenarios
2. For each scenario, use list_test_runs to find recent test runs
3. Use get_test_run with the test_run_id to get the basic execution data and failure information
4. Use get_test_run_artifacts to get detailed error messages and logs
5. Use get_scenario_details to understand what was being tested when it failed
6. If I have a similar test that passed, use get_baseline_test_run to identify differences
7. Summarize the causes of failure and suggest next steps for resolution

Show me the most recent [N] failed tests from the past [TIME_PERIOD].

javascript가 브라우저에서 비활성화되거나 사용이 불가합니다.

AWS 설명서를 사용하려면 Javascript가 활성화되어야 합니다. 지침을 보려면 브라우저의 도움말 페이지를 참조하십시오.

문서 규칙

테스트 결과 탐색

개발자 안내서