Panoramica della soluzione

Questa soluzione trasforma Amazon Aurora PostgreSQL in un archivio di vettori per Amazon Bedrock Knowledge Bases. I documenti sorgente, come runbook, policy di compliance e guide operative, vengono memorizzati in Amazon S3, indicizzati da Bedrock e salvati come embedding vettoriali nella tabella pgvector. Il motore di recupero, esposto tramite il server MCP (Knowledge Base Retrieval), permette all’assistente DBA Kiro di accedere al contesto aziendale prima di generare una risposta.

Il flusso di lavoro si articola in due fasi principali: ingestione (caricamento dei documenti in S3, chunking, generazione degli embedding e salvataggio in Aurora) e recupero (query dell’assistente, conversione in vettore, ricerca di similarità in Aurora e restituzione dei chunk più pertinenti).

Prerequisiti tecnici

Prima di procedere assicurati di disporre di:

    • Un account AWS con permessi per Aurora PostgreSQL, Amazon Bedrock e Amazon S3.
    • Un cluster Aurora PostgreSQL versione 15.4 o successiva (16.x consigliata) con pgvector 0.5.0+ abilitato (CREATE EXTENSION vector;).
    • Accesso ai modelli di base di Amazon Bedrock, in particolare Amazon Titan Text Embeddings V2, nella stessa regione del cluster.
    • Data API abilitata sul cluster Aurora e ruolo di servizio Bedrock con permessi per RDS Data API e AWS Secrets Manager.
    • Tutte le componenti già installate nella Parte 1: Kiro, server MCP per Aurora PostgreSQL configurato e funzionante.

Configurazione di Aurora PostgreSQL come archivio vettoriale

Segui questi passaggi per trasformare Aurora in un vector store compatibile con Bedrock Knowledge Bases:

    • Crea un cluster Aurora PostgreSQL serverless con la Data API attiva.
    • Esegui CREATE EXTENSION vector; per abilitare l’estensione.
    • Crea lo schema dedicato bedrockintegration e l’utente bedrockuser con i privilegi necessari.
    • Definisci la tabella Knowledge Base con le colonne richieste: id, embedding (tipo vector), chunks, metadata e custommetadata.
    • Costruisci l’indice HNSW per la ricerca di similarità, l’indice full‑text per ricerche testuali e un indice sui metadati per filtri aggiuntivi.
    • Salva le credenziali dell’utente bedrockuser in AWS Secrets Manager.
    • Nel console Amazon Bedrock, crea una Knowledge Base selezionando Aurora PostgreSQL come vector store e mappa le colonne della tabella.
    • Aggiungi al Knowledge Base un tag di risorsa con chiave mcp-multirag-kb e valore true. Questo consente al server MCP di individuare automaticamente la Knowledge Base.

Se desideri personalizzare la chiave del tag, imposta la variabile d’ambiente KBINCLUSIONTAGKEY nella configurazione del server MCP.

Preparazione e caricamento dei documenti sorgente

Raccogli tutti i documenti che descrivono le procedure operative della tua organizzazione. Un esempio tipico è una policy di compliance per i database. Di seguito è riportato un modello completo:

Database Compliance Policy – Aurora e RDS

Company: Acme Corp
Version: 1.0
Effective Date: 8 giugno 2026
Owner: Cloud Infrastructure & Security Team

1. Scopo

Definire le regole obbligatorie per la creazione, gestione e sicurezza di istanze Aurora e RDS in tutti gli account AWS di Acme Corp.

2. Controllo degli accessi

    • 2.1 – Tutte le credenziali devono risiedere in AWS Secrets Manager; è vietato l’uso di credenziali hard‑coded.
    • 2.2 – Abilitare IAM database authentication per tutti i cluster Aurora PostgreSQL e MySQL.
    • 3.3 – Rotazione delle credenziali amministrative ogni 90 giorni tramite rotation automatica di Secrets Manager.
    • 2.4 – Applicare il principio del minimo privilegio; le applicazioni non devono usare l’utente admin per operazioni quotidiane.
    • 2.5 – Vietato l’accesso diretto al database da internet pubblico; impostare PubliclyAccessible=false.

3. Rete e crittografia

    • 3.1 – Tutti i cluster devono trovarsi in subnet private all’interno di una VPC.
    • 3.2 – I security group devono limitare il traffico in ingresso ai subnet delle applicazioni e ai bastion host; le porte 5432/3306 non devono essere aperte a 0.0.0.0/0.
    • 3.3 – Abilitare la crittografia a riposo con chiavi KMS gestite dal cliente.
    • 3.4 – Forzare la crittografia in transito (SSL/TLS).
    • 3.5 – Il trasferimento cross‑region di snapshot richiede approvazione del Security Team.

4. Backup e recupero

    • 4.1 – Backup automatici: minimo 14 giorni per ambienti di produzione, 7 giorni per non‑produzione.
    • 4.2 – Prima di migrazioni di schema o upgrade di motore, eseguire snapshot manuali.
    • 4.3 – Il recupero point‑in‑time (PITR) deve rimanere abilitato su tutti i cluster.

Salva il documento in formato PDF o testo semplice e caricalo in un bucket S3 dedicato (ad esempio s3://my‑runbooks‑bucket/).

Ingestione dei documenti in Bedrock Knowledge Bases

Una volta caricati i file su S3, procedi con l’ingestione automatica:

    • Nel console Bedrock, crea una nuova Knowledge Base e seleziona l’opzione per importare da S3.
    • Specifica il bucket e il prefisso contenente i runbook.
    • Bedrock effettua il chunking dei documenti (tipicamente 500‑1000 token per chunk), genera gli embedding tramite Amazon Titan Text Embeddings V2 e li inserisce nella tabella Aurora creata precedentemente.
    • Verifica lo stato dell’ingestione controllando il job log; eventuali errori di parsing o di formato devono essere risolti prima di ripetere il caricamento.

Questo processo può essere eseguito una sola volta (ingestione “one‑shot”) o periodicamente mediante pipeline automatizzate (ad esempio AWS Lambda + EventBridge) per mantenere aggiornati i documenti.

Collegamento del recupero al DBA assistant Kiro

Con la Knowledge Base pronta, configura il server MCP per gestire le richieste di recupero:

    • Assicurati che il server MCP sia avviato con le variabili d’ambiente KBINCLUSIONTAGKEY=mcp-multirag-kb e KBENDPOINT puntante al servizio Bedrock.
    • Nel file di configurazione di Kiro, aggiungi la sezione “retrieval” che indica l’URL del server MCP e le credenziali per l’autenticazione.
    • Kiro, al momento di una domanda, invia la query al server MCP, il quale la converte in embedding, esegue la ricerca HNSW su Aurora e restituisce i chunk più pertinenti.

Il risultato è una risposta che incorpora riferimenti espliciti ai runbook, ad esempio: “Secondo la policy 2.4, utilizza un utente con privilegi ridotti per operazioni di routine. Prima di creare l’indice, verifica la checklist nella sezione 4.2 del documento ‘Backup e recupero’.”

Esempio di utilizzo pratico

Supponiamo che il team riceva un avviso di latenza elevata su una tabella di produzione. In precedenza, Kiro aveva suggerito di creare un indice basandosi solo sulle best practice generiche di PostgreSQL. Con la nuova integrazione, la sequenza è la seguente:

    • L’operatore invia la domanda “Perché la query sta impiegando troppo tempo?” a Kiro.
    • Kiro chiama il server MCP; Bedrock restituisce i chunk relativi alle sezioni 2 (controllo accessi) e 4 (backup) del documento di policy.
    • Kiro combina le informazioni del contesto con i dati di CloudWatch e propone di verificare la configurazione di workmem secondo la policy 2.4, prima di procedere con l’indice.

Il risultato è una risposta più coerente con le procedure interne e riduce il rischio di azioni non conformi.

Best practice e considerazioni operative

Per ottenere il massimo dalla soluzione, segui queste raccomandazioni:

    • Versionamento dei documenti: utilizza un sistema di versionamento (ad esempio S3 Object Versioning) per tenere traccia delle modifiche ai runbook e garantire che l’indice rifletta sempre l’ultima versione.
    • Controllo degli accessi: limita l’accesso al bucket S3 e alle credenziali Secrets Manager solo ai ruoli di servizio necessari.
    • Monitoraggio delle performance di ricerca: imposta metriche CloudWatch per il tempo di latenza delle query HNSW e regola il parametro ef_construction se necessario.
    • Aggiornamento periodico degli embedding: pianifica una pipeline (Lambda + Step Functions) per rigenerare gli embedding ogni volta che un documento viene modificato.
    • Gestione dei costi: il costo principale deriva dall’uso di Bedrock per le chiamate di embedding e dal storage di Aurora. Monitora le metriche di utilizzo e imposta limiti di budget.

Conclusioni

Integrare i runbook e le policy aziendali in un assistente DBA basato su Kiro mediante Retrieval‑Augmented Generation trasforma un semplice strumento di diagnostica in un vero consulente operativo, capace di rispettare le specifiche di governance interne. La combinazione di Amazon S3, Bedrock Knowledge Bases, Aurora PostgreSQL con pgvector e il server MCP fornisce una pipeline completa dall’ingestione al recupero contestualizzato. Seguendo i passaggi descritti, le organizzazioni possono migliorare la rapidità, la precisione e la conformità delle risposte AI durante la gestione di incidenti e operazioni di routine.