揭露雲端 AI 代理的資料存取風險

在與客戶的多次對話中，AWS 發現一個反覆出現的問題：哪些 AI 代理能存取企業資料、授權者是誰、若憑證外洩會產生什麼樣的風險？如果組織內沒有人能在一分鐘內回答，代表治理機制仍有重大缺口。

背景與風險來源

當 AI 代理直接連接內部工具，卻缺乏統一的存取管控，風險往往難以偵測。舉例而言，基礎建設工程師為除錯而開啟同事筆電，發現在 config 目錄下的 mcp.json 檔案中，竟以明文寫入了生產資料庫密碼，旁邊還留有「TODO: rotate this」的註解。安全團隊無法得知：

哪些 AI 代理正在呼叫內部工具
授權是由誰、何時給予的
若憑證被意外曝光，會造成何種資料外洩

這類情形屬於 credential sprawl（憑證散落） 與 policy drift（政策漂移） 的典型案例。

AWS 提出的解決架構

AWS 以 Model Context Protocol（MCP） 為基礎，推出 Amazon Bedrock AgentCore 服務，提供以下核心功能：

| 功能 | 說明 | |------|------| | AgentCore Gateway | 為所有代理流量提供單一、受保護的入口點 | | AgentCore Identity | 負責認證、授權與憑證管理，確保只有經授權的代理能存取資源 | | AgentCore Policy | 定義與執行 AI 代理與工具之間的安全政策 | | Amazon Bedrock Guardrails | 在政策之上加入安全與隱私防護機制 | | AWS Agent Registry | 中央化目錄，協助組織整理、策展與發現可用工具 |

此外，若企業偏好自行部署，亦可採用 Kong Gateway、Open Policy Agent、NeMo Guardrails、LangFuse 等自主管理方案。

五大結構性問題

在 MCP 部署的企業環境中，常見的五種結構性缺陷包括：

credential sprawl：密碼、金鑰散佈於各個本地設定檔。
policy drift：N×M 的設定檔逐漸偏離原始政策，導致不一致的存取行為。
audit gaps：缺乏「誰在何時呼叫了什麼」的可追溯記錄。
cost opacity：雲端支出無法對應至具體團隊或專案。
shadow IT：未經審核的整合自行上線，形成資訊孤島。

以 policy drift 為例：每個 AI 助手都會攜帶自己的 mcp.json，若未統一管理，最終會形成多套互不相容的存取規則，增加意外授權的機率。

未來展望與讀者啟示

透過 AgentCore Gateway 與 AgentCore Identity 的集中式治理，企業能在「代理即服務」的時代，快速辨識與封堵資料外洩路徑。未來，隨著 AI 代理功能日益擴大，統一的政策框架與可審計的存取紀錄 將成為合規與風險管理的必備條件。

建議：企業應立即盤點現有 AI 代理的存取權限，導入 Amazon Bedrock AgentCore 或等效的自主管理方案，並以 AWS Agent Registry 為中心，建立工具目錄與安全政策，確保每一次 AI 呼叫都有跡可循、可控可審。