기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
# 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.
1. 분산 로드 테스트 웹 콘솔에서 **MCP 서버** 페이지로 이동합니다.
1. **MCP 서버 엔드포인트** 섹션을 찾습니다.
1. 엔드포인트 URL 복사 버튼을 사용하여 **엔드포인트 URL을 복사**합니다. 엔드포인트 URL은 형식을 따릅니다. `https://{gateway-id}.gateway.bedrock-agentcore.{region}.amazonaws.com/mcp`
1. **액세스 토큰** 섹션을 찾습니다.
1. 액세스 토큰 복사 버튼을 사용하여 **액세스 토큰을 복사**합니다.
**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 Inspector](https://modelcontextprotocol.io/docs/tools/inspector)를 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**
1. 필요한 경우 npm을 설치합니다.
1. 다음 명령을 실행하여 MCP Inspector를 시작합니다.
```
npx @modelcontextprotocol/inspector
```
**연결 구성**
1. MCP Inspector 인터페이스에서 MCP 서버 엔드포인트 URL을 입력합니다.
1. 액세스 토큰과 함께 권한 부여 헤더를 추가합니다.
1. **연결을** 클릭하여 연결을 설정합니다.
**도구 호출**
연결되면 사용 가능한 MCP 도구를 테스트할 수 있습니다.
1. 왼쪽 패널에서 사용 가능한 도구 목록을 찾습니다.
1. 도구를 선택합니다(예: `list_scenarios`).
1. 필요한 파라미터를 제공합니다.
1. **호출**을 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**
1. `mcp.json` 구성 파일을 편집합니다. 구성 파일 위치에 대한 자세한 내용은 *Amazon Q Developer 사용 설명서*의 [원격 MCP 서버 구성을](https://docs.aws.amazon.com/amazonq/latest/qdeveloper-ug/command-line-mcp-config-CLI.html#command-line-mcp-remote-servers) 참조하세요.
1. 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**
1. 터미널에서 `q`를 입력하여 Amazon Q CLI를 시작합니다.
1. 사용 가능한 모든 MCP 서버를 보려면 `/mcp`를 입력합니다.
1. `dlt-mcp` 및 기타 구성된 MCP 서버에서 제공하는 사용 가능한 도구를 보려면 `/tools`를 입력합니다.
1. 가 `dlt-mcp` 성공적으로 초기화되는지 확인합니다.
### 클라인
Cline은 MCP 서버 통합을 지원하는 AI 코딩 도우미입니다.
**구성 단계**
1. 클라인에서 **MCP 서버 관리** > **구성** > **MCP 서버 구성**으로 이동합니다.
1. `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"
}
}
}
}
```
1. 구성 파일을 저장합니다.
1. 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.
1. [AWS CloudFormation 콘솔](https://console.aws.amazon.com/cloudformation/)로 이동합니다.
1. 분산 로드 테스트 스택을 선택합니다.
1. **출력** 탭에서 DLT 배포와 연결된 **Cognito 사용자 풀 ID**를 찾아 복사합니다.
1. [Amazon Cognito 콘솔](https://console.aws.amazon.com/cognito/)로 이동합니다.
1. CloudFormation 출력에서 사용자 풀 ID를 사용하여 사용자 풀을 선택합니다.
1. 왼쪽 탐색 창에서 **앱 통합** > **앱 클라이언트**를 선택합니다.
1. 이름이 `m2m` (machine-to-machine)로 끝나는 앱 클라이언트를 찾습니다.
1. **클라이언트 ID**와 **클라이언트 보안 암호를** 복사합니다.
1. 도메인 탭에서 사용자 풀 **도메인을** 가져옵니다.
1. 도메인 `/oauth2/token` 끝에를 추가하여 토큰 엔드포인트 URL을 구성합니다.
**구성 단계**
1. Amazon Q Suite에서 새 에이전트를 생성하거나 기존 에이전트를 선택합니다.
1. DLT MCP 서버와 상호 작용하는 방법을 설명하는 에이전트 프롬프트를 추가합니다.
1. 새 작업을 추가하고 **MCP 서버 작업을** 선택합니다.
1. 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
1. MCP 서버 작업 구성을 저장합니다.
1. 에이전트에 새 MCP 서버 작업을 추가합니다.
**에이전트 시작 및 테스트**
1. Amazon Q Suite에서 에이전트를 시작합니다.
1. 자연어 프롬프트를 사용하여 에이전트와 대화를 시작합니다.
1. 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](mcp-tools-specification.md) 참조하세요.
### 간단한 테스트 결과 쿼리
MCP 서버와의 상호 작용은 다음과 같이 간단`Show me the load tests that have completed in the last 24 hours with their associated completion status`하거나 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].
```