생성형 AI 에이전트를 엔터프라이즈 환경에 도입할 때, '동일한 AI 에이전트를 사용하더라도 로그인 중인 사용자의 권한에 따라 실행 가능한 툴을 제한하고 싶다'는 요구사항이 발생할 수 있습니다.
예를 들어, 다음과 같은 케이스가 있습니다.
- Administrator는 참조 및 업데이트 관련 모든 툴을 실행할 수 있다.
- Developer는 참조 관련 툴만 실행할 수 있다.
이러한 제어(control)를 LLM의 시스템 프롬프트에만 맡기는 것은 충분하지 않습니다.
예를 들어,
'Developer의 경우에는 삭제 툴을 사용하지 마십시오'라고 시스템 프롬프트로 지시하더라도, LLM은 비결정적으로 동작하기 때문에 프롬프트 인젝션(prompt injection)이나 환각(hallucination) 등으로 인한 의도치 않은 툴 호출을 시스템 프롬프트만으로는 완전히 방지할 수 없습니다.
따라서 본 기사에서는 다음과 같은 서비스를 조합하여 사용자 ID를 엔드투엔드로 전파하고, 인프라스트럭처 계층에서 MCP 툴 단위의 인가(authorization)를 수행하는 구조를 구축합니다.
-
Amazon Cognito: 사용자 인증
-
Pre Token Generation Lambda에 의한 커스텀 속성의 JWT 클레임 추가
-
Amazon Bedrock AgentCore Gateway: JWT를 이용한 인바운드 인증 및 MCP 툴 공개
-
Amazon Bedrock AgentCore Policy: Cedar 정책을 이용한 속성 기반의 인가 제어
-
AWS Lambda: MCP 툴 실행 타겟
전체 처리 플로우는 다음과 같습니다.
핵심은 사용자 인증 정보를 AI 에이전트에서 종료시키지 않고, 그 JWT를 AgentCore Gateway까지 전파시키는 것입니다.
Gateway에서는 JWT로부터 사용자를 나타내는 Principal을 구축하고, JWT에 포함된 role 등의 클레임을 Principal의 태그로 사용하여 Policy 평가에 활용할 수 있습니다.
이를 통해 LLM이 어떤 툴을 호출하려고 하더라도, 실제로 그 툴을 실행해도 되는지는 AgentCore Policy가 LLM의 판단과 독립적으로 판정할 수 있습니다.
이 아키텍처에서는 인증(Authentication), 추론(Inference), 인가(Authorization), 툴 실행 책임을 각각 분리합니다.
사용자의 인증을 담당하는 Cognito 사용자 풀에는 예를 들어 다음과 같은 커스텀 속성이 저장됩니다.
custom:role
Administrator
Developer
이 속성을, 후술할 Pre Token Generation Lambda를 이용하여 액세스 토큰에 추가합니다.
Pre Token Generation Lambda는 Cognito가 토큰을 발행하기 직전에 실행되어, 토큰에 포함될 클레임을 커스터마이징하는 데 사용됩니다.
이번 구성에서는 Cognito의 사용자 속성으로 다음과 같은 정보를 보유하고 있습니다.
이 속성은 사용자 풀 상에서는 사용자의 커스텀 속성으로 관리되지만, AgentCore Policy에서 인가 조건으로 활용하기 위해서는 AgentCore Gateway로 전송되는 액세스 토큰(JWT)에 필요한 속성을 클레임으로 포함해야 합니다.
그래서 Pre Token Generation Lambda를 이용하여 Cognito의 커스텀 속성을 가져와서, 액세스 토큰에 다음과 같은 클레임을 추가합니다.
이를 통해 사용자 속성은 다음 흐름으로 AgentCore Policy까지 전파될 수 있습니다.
Cognito User Pool
custom:role = Developer
↓
...
즉, Pre Token Generation Lambda는 Cognito의 사용자 속성을 AgentCore Policy에서 인가 판단에 이용할 수 있는 JWT 클레임으로 전파하는 역할을 담당합니다.
이번에는 액세스 토큰의 클레임을 커스터마이즈해야 하므로, Pre Token Generation 트리거 이벤트 버전으로는 V2_0을 사용합니다. V2_0에서는 ID 토큰뿐만 아니라 액세스 토큰의 클레임도 커스터마이즈할 수 있습니다.
AI 에이전트는 주로 다음 두 가지를 담당합니다.
- 사용자 프롬프트로부터 필요한 MCP 도구를 판단한다.
- 사용자의 JWT를 Gateway까지 전파한다.
중요한 것은 AI 에이전트 자체에게 최종적인 인가(Authorization) 판단을 맡기지 않는 것입니다.
AI 에이전트는 "어떤 도구를 사용하고 싶은지"를 결정하지만, "해당 사용자가 그 도구를 사용해도 되는지"는 AgentCore Policy에서 판단합니다.
AgentCore Gateway는 AI 에이전트와 MCP 도구 사이의 경계(boundary) 역할을 수행합니다.
OAuth 인증의 경우, Gateway는 수신한 JWT 정보로부터 인가에 필요한 다음 정보를 구성합니다.
- Principal
- Action
- Resource
- Context
예를 들어, delete_database와 같은 MCP 도구를 호출한 경우, Action은 다음과 같은 형태가 됩니다.
AgentCore::Action::"MyMCPTarget___delete_database"
JWT의 sub는 OAuthUser의 Principal로 취급되며, role과 같은 JWT 클레임은 Principal의 태그로서 Policy에서 참조할 수 있습니다.
AgentCore Policy에서는 Cedar를 활용하여 누가, 어떤 도구를, 어떤 조건으로 실행할 수 있는지 정의합니다.
예를 들어, 이번 예시에서는 다음과 같은 규칙을 설정합니다.
Administrator → get_system_metrics : ALLOW
Administrator → delete_database : ALLOW
Developer → get_system_metrics : ALLOW
...
명시적으로 허가된 도구 호출만을 통과시킴으로써, LLM의 판단과는 독립적인 인가를 실현합니다.
실제 도구 처리를 실행합니다. 예를 들어, 다음과 같은 처리들이 있습니다.
- 시스템 메트릭스를 가져온다
- 데이터베이스를 조작한다
- 업무 데이터를 검색한다
인가를 AgentCore Policy에 통합함으로써, 각 도구의 Lambda 함수에 role == Administrator와 같은 인가 로직을 개별적으로 구현할 필요성을 줄일 수 있습니다.
Cognito 사용자 풀(User Pool)을 생성하고 다음의 커스텀 속성(custom attribute)을 정의합니다.
예를 들어, 검증용으로 다음 두 사용자를 생성합니다.
| User | role |
|---|
| admin-user | Administrator |
| developer-user | Developer |
Cognito가 토큰을 생성하기 전에 Lambda를 실행하여 Cognito의 커스텀 속성을 JWT 클레임에 추가합니다.
import json
def lambda_handler(event, context):
print(f"Event: {json.dumps(event)}")
...
Cognito 사용자 풀의 Pre Token Generation 트리거에 이 Lambda를 설정하고, 이벤트 버전으로 V2_0을 이용합니다.
발급된 액세스 토큰에는 이미지와 같이 다음 클레임이 포함됩니다.
{
"sub": "...",
"iss": "...",
...
}
이어서, AgentCore Gateway에서 호출할 도구를 구현합니다. 이번에는 동작 확인을 쉽게 하기 위해 다음 두 가지를 준비합니다.
get_system_metrics
- Developer와 Administrator 모두 사용 가능
delete_database
- Administrator만 사용 가능
def lambda_handler(event, context):
tool_name = event.get("tool")
arguments = event.get("arguments", {})
...
여기서는 설명을 간단하게 하기 위해, delete_database 역시 실제 데이터베이스를 삭제하는 것이 아니라 더미 처리로 구현했습니다.
다음으로 AgentCore Gateway를 생성합니다. Cognito를 OAuth 인증 기반 시설로 설정합니다. 설정해야 할 주요 정보는 다음과 같습니다.
- Cognito User Pool
- Discovery URL
- Allowed Clients / Audiences
Discovery URL은 다음 형식이 됩니다.
Step 3에서 생성한 Lambda를 Gateway Target으로 등록하고, MCP 도구로 공개합니다.
AgentCore Gateway를 이용함으로써, Lambda 함수와 같은 백엔드 처리를 에이전트가 MCP 도구로 활용할 수 있게 됩니다.
마지막으로, AgentCore Policy에서 도구의 인가(Authorization) 규칙을 정의합니다.
JWT에 포함된 role 클레임은 OAuthUser의 태그로 Policy에서 참조할 수 있습니다.
Administrator에게는 두 가지 도구가 모두 허용됩니다.
permit(
principal is AgentCore::OAuthUser,
action in [
...
Developer에게는 조회(read) 계열의 get_system_metrics만 허용합니다.
permit(
principal is AgentCore::OAuthUser,
action == AgentCore::Action::"MyMCPTarget___get_system_metrics",
...
인가 관계를 정리하면 다음과 같습니다:
| role | get_system_metrics | delete_database |
|---|
| Administrator | ALLOW | ALLOW |
| Developer | ALLOW | DENY |
이러한 설계 덕분에, Developer로 로그인한 사용자가 LLM에게 "데이터베이스를 삭제해"라고 지시하고, LLM이 실제로 delete_database를 호출하려고 시도하더라도 Policy의 인가 경계를 넘을 수 없습니다.
role = Developer
↓
get_system_metrics
...
조회(read) 계열 도구이기 때문에 정상적으로 실행할 수 있습니다.
Developer
↓
delete_database
...
Developer에게 delete_database를 허용하는 permit 규칙이 존재하지 않기 때문에, 도구의 실행은 거부됩니다.
여기서 중요한 점은, LLM이 도구를 호출하려고 시도하는 단계까지는 허용한다는 것입니다.
인가 판단을 LLM에게 맡기는 것이 아니라, 실제로 외부 시스템에 작용하기 직전의 Gateway 경계에서 제어합니다.
다음으로, role = Administrator 사용자로 delete_database를 실행해 보겠습니다.
Administrator
↓
delete_database
...
Administrator에게는 delete_database가 허용되어 정상적으로 Lambda까지 도달합니다.
이번 구성에서 특히 중요한 점은 다음 세 가지입니다.
가장 핵심적인 포인트입니다.
시스템 프롬프트(System Prompt)를 이용한 제어는 "무엇을 해야 하는지"를 AI 에이전트에게 지시하는 데는 유효하지만, "절대로 무엇을 실행해서는 안 되는지"라는 보안 경계로 활용하기에는 충분하지 않습니다.
AgentCore Gateway와 AgentCore Policy를 이용함으로써, LLM의 판단과는 독립적인 인가 레이어(Authorization Layer)를 구축할 수 있습니다.
즉, "LLM에게 금지한다"는 것이 아니라, "LLM이 요구하더라도 인가되지 않으면 실행할 수 없다"는 설계입니다.
AI 에이전트에서 Gateway로의 접근을 단순한 서비스 간 인증(Service-to-service Authentication)으로 취급하게 되면, "이 도구를 요청한 최종 사용자가 누구인지"라는 정보가 손실되어 버립니다.
따라서 Cognito가 발행한 사용자 JWT를 Gateway까지 전파합니다.
Gateway에서는 JWT의 sub로부터 OAuthUser Principal을 생성하고, role과 같은 클레임(claim)을 Principal의 태그로 Cedar Policy에서 참조할 수 있습니다.
이것이 이번 토큰 전파(Token Propagation)의 핵심적인 사고방식입니다.
각 Lambda에 다음과 같은 인가 처리를 작성하는 방법도 생각해 볼 수 있습니다.
if role == "Administrator":
# 처리를 허용
...
하지만, 도구의 수가 늘어날수록 인가 로직이 각 도구의 구현체에 분산되어 버립니다.
AgentCore Policy를 통해 Gateway 경계에 인증(Authorization)을 중앙 집중화하면, 각 컴포넌트의 책임을 다음과 같이 분리할 수 있습니다.
| 책임 | 컴포넌트 |
|---|
| 사용자 인증 | Amazon Cognito |
| ... | |
| 이로써 비즈니스 로직과 인가(Authorization) 로직을 분리하기 쉬워집니다. | |
이번에는 Amazon Cognito, Amazon Bedrock AgentCore Gateway, Amazon Bedrock AgentCore Policy, AWS Lambda를 조합하여 사용자의 속성(Attribute)에 따라 AI 에이전트가 이용할 수 있는 MCP 도구를 제어하는 메커니즘을 구축했습니다.
이 구성의 핵심은 단순히 'Administrator라면 이 도구를 사용할 수 있다'는 역할 기반 제어(Role-Based Control)만을 의미하지 않는다는 점입니다.
사용자 ID를,
와 같이 엔드투엔드로 전파함으로써, 최종 사용자의 컨텍스트(Context)를 잃지 않고 LLM 외부에서 결정론적으로 인가할 수 있다는 것이 중요합니다.
AI 에이전트의 자유도를 유지하면서 기업 시스템으로서 안전한 경계를 설정하는 데 있어, 'LLM에게 금지한다'는 방식보다는 'LLM이 요청하더라도 Gateway에서 허가되지 않으면 실행할 수 없다'는 설계 방식이야말로 엔터프라이즈 환경에서 Agentic AI를 이용할 때 중요한 사고방식입니다.