RDS e AuroraDados
Nível de dificuldade: Especialista (5 de 5)
Como montar um assistente de DBA com IA para Aurora PostgreSQL usando o Kiro
Em números
- 90% de uso de CPU sustentado por 10 minutos foi o gatilho do incidente simulado no cluster Aurora PostgreSQL do tutorial
- 2 MCP servers compõem o agente:
awslabs.postgres-mcp-servereawslabs.cloudwatch-mcp-server - 3 camadas independentes bloqueiam escrita acidental: steering file, role de banco e política IAM
- 14 é a versão mínima do PostgreSQL exigida pela role
pg_read_all_datausada para leitura
O que você vai construir
Um agente de linha de comando (ou IDE) chamado dba-agent, criado no Kiro, que investiga incidentes de performance em Amazon Aurora PostgreSQL e Amazon RDS for PostgreSQL sem que o desenvolvedor saia de uma única interface conversacional.
Em vez de abrir o console do RDS, trocar para o CloudWatch, depois para o Database Insights, conectar via psql e rodar consultas de diagnóstico manualmente, o agente orquestra tudo isso através de dois servidores MCP (Model Context Protocol): um que fala com o Postgres e outro que lê métricas, alarmes e logs do CloudWatch.
O tutorial, publicado pelo AWS Database Blog, é a continuação do post "Introducing Amazon Aurora powers for Kiro", que mostrava como usar o Kiro para desenvolver aplicações apoiadas em Aurora. Agora o ângulo muda: o agente não escreve código de aplicação, ele diagnostica e recomenda correções em um banco de produção, seguindo um fluxo de change management aprovado pelo próprio DBA.
Quem opera cluster RDS e Aurora, seja no papel de DBA, seja no de desenvolvedor que também responde por incidentes de banco, vai reconhecer o cenário: alerta de CPU alta, conexões no limite, e a corrida contra o tempo para achar a query ou o índice que está faltando antes que o aplicativo caia.
Pré-requisitos
Antes de reproduzir o tutorial, confira o ambiente:
- Kiro IDE ou Kiro CLI instalado, com o pacote de powers do Aurora PostgreSQL já configurado (ver o post anterior da série para o setup inicial)
- Python 3.10 ou superior e
uvinstalados; valide compython --version && uv --version - AWS CLI configurada com um profile de credenciais com o menor privilégio possível; valide com
aws sts get-caller-identity - Um cluster Aurora PostgreSQL com o CloudWatch Database Insights habilitado
- Permissões IAM de leitura para CloudWatch, Logs e Performance Insights (a política completa está na seção de segurança abaixo)
A fonte usa demo-apg como nome do cluster de exemplo; troque pelo identificador real do seu recurso em cada comando.
Passo a passo
A primeira parte do trabalho é configurar o agente uma única vez; depois disso, ele fica disponível para qualquer incidente futuro em segundos.
- Crie o diretório de agentes do Kiro:
mkdir -p ~/.kiro/agents- Dentro dele, crie o arquivo
dba-agent.jsoncom a definição do agente, incluindo os dois servidores MCP:
{
"name": "dba-agent",
"description": "DBA assistant for Amazon Aurora PostgreSQL and Amazon RDS incident response",
"prompt": "You are a DBA assistant for Amazon Aurora PostgreSQL and Amazon RDS. When investigating performance issues, follow this sequence: 1) Check cluster status and instance health, 2) Pull CloudWatch metrics (CPU, connections, latency, freeable memory, DBLoad) using the CloudWatch MCP server, 3) Check Amazon CloudWatch Database Insights for top wait events and SQL by load using the Performance Insights API, 4) Connect to the database using the PostgreSQL MCP server and run diagnostic queries.",
"mcpServers": {
"awslabs.postgres-mcp-server": {
"command": "uvx",
"args": ["awslabs.postgres-mcp-server@latest"],
"env": { "FASTMCP_LOG_LEVEL": "ERROR" }
},
"awslabs.cloudwatch-mcp-server": {
"command": "uvx",
"args": ["awslabs.cloudwatch-mcp-server@latest"]
}
},
"allowedTools": ["@awslabs.postgres-mcp-server", "@awslabs.cloudwatch-mcp-server"],
"welcomeMessage": "DBA Agent ready. What's the incident?"
}- Configure as credenciais de banco. A opção recomendada pela fonte é o AWS Secrets Manager:
aws secretsmanager create-secret \
--name aurora-dba-credentials \
--secret-string '{"username":"pg_ai_role","password":"your-password"}'- Referencie o segredo no
dba-agent.json, adicionando a variávelAWS_SECRET_ARNcom o ARN retornado pelo comando anterior. Como alternativa mais simples, e menos recomendada para produção, é possível exportarPGUSERePGPASSWORDcomo variáveis de ambiente antes de iniciar o Kiro.
- Crie a role de banco somente leitura que o
postgres-mcp-servervai usar:
CREATE ROLE pg_ai_role LOGIN PASSWORD '...';
GRANT pg_read_all_data TO pg_ai_role;
ALTER ROLE pg_ai_role SET default_transaction_read_only = on;pg_read_all_data exige PostgreSQL 14 ou mais recente; é ela, e não o default_transaction_read_only, que de fato impede DDL e DML, porque uma sessão pode sobrescrever a flag com SET transaction_read_only = off.
- Crie o arquivo de steering
.kiro/steering/dba-write-safety.md, que instrui o agente a nunca propor execução direta de escrita:
---
inclusion: always
---
# Write safety guardrail
NEVER execute DDL (CREATE, ALTER, DROP) or DML (INSERT, UPDATE, DELETE) on
production databases. Only run SELECT and EXPLAIN queries for investigation.
NEVER perform AWS control plane mutations (creating snapshots, modifying
clusters, deleting resources, changing parameter groups).
When analysis suggests a remediation action, present it as a recommendation
that requires change management approval, with the exact SQL or AWS CLI
command the DBA should execute.- Anexe ao profile IAM usado pelo Kiro e pelos MCP servers uma política que permita só leitura em RDS, CloudWatch, Logs e Performance Insights, e que negue explicitamente mutações (
rds:Create*,rds:Delete*,rds:Modify*,cloudwatch:Put*,logs:Delete*, entre outras). O bloco completo da política está no post original da AWS.
As três camadas acima funcionam de forma independente; se uma falhar, as outras duas seguram a escrita:
| Camada | O que bloqueia | Erro se tentado |
|---|---|---|
| Steering file | O agente tenta propor, não executar, a escrita | Agente responde com o comando para o processo de change management |
| Role de banco | CREATE INDEX, DROP, INSERT via SQL | ERROR: cannot execute CREATE INDEX in a read-only transaction |
| Política IAM | Mutações na API da AWS (snapshot, modify, delete) | AccessDeniedException: not authorized to perform rds:CreateDBClusterSnapshot |
Testando
O cenário de teste da fonte é um alerta real de monitoramento: o cluster demo-apg passa de 90% de utilização de CPU por 10 minutos seguidos, e as conexões se aproximam do limite configurado.
Em vez do fluxo tradicional (console do RDS, dashboard do CloudWatch, Database Insights, psql, documentação, Slack com o time de aplicação), o DBA abre o Kiro com dba-agent carregado e descreve o incidente em linguagem natural.
O agente segue a sequência definida no prompt do JSON:
- Verifica o status do cluster e a saúde das instâncias (writer e readers)
- Consulta métricas do CloudWatch (CPU, conexões, latência, memória livre,
DBLoad) pelocloudwatch-mcp-server - Consulta o Database Insights para os principais wait events e as queries que mais consomem carga, via chamadas somente leitura como
aws pi get-resource-metricseaws pi describe-dimension-keys - Conecta ao banco pelo
postgres-mcp-servere roda diagnósticos contrapg_stat_activityepg_stat_statements
No caso do tutorial, a investigação aponta duas correções possíveis. A equipe decide redirecionar parte do tráfego de leitura da função afetada para a instância reader, reduzindo a carga do writer, e aplicar também a criação de um índice composto.
Antes de qualquer mudança, a fonte é enfática: crie um snapshot manual, fora do agente, como ponto de restauração:
aws rds create-db-cluster-snapshot \
--db-cluster-identifier demo-apg \
--db-cluster-snapshot-identifier pre-index-fix-demo-apgSó depois de o snapshot terminar é que o índice recomendado entra, criado manualmente pelo DBA com a role dedicada, nunca pelo agente:
CREATE INDEX CONCURRENTLY idx_orders_customer_created ON orders (customer_id, created_at);A validação final é rodar EXPLAIN nas queries afetadas e confirmar que o novo índice está sendo usado pelo planner, fechando o ciclo de investigação, correção e verificação sem trocar de ferramenta.
Limpando os recursos
A própria fonte pede para não apagar os recursos deste tutorial, porque eles serão reaproveitados na Parte 2 da série, que adiciona uma camada de RAG com pgvector sobre o mesmo cluster Aurora PostgreSQL.
Se a intenção é só testar o fluxo e não seguir para a Parte 2, vale remover o que foi criado:
- O snapshot manual
pre-index-fix-demo-apg, comaws rds delete-db-cluster-snapshot --db-cluster-snapshot-identifier pre-index-fix-demo-apg - A secret
aurora-dba-credentialsno Secrets Manager, comaws secretsmanager delete-secret --secret-id aurora-dba-credentials - A role
pg_ai_roleno banco, comDROP ROLE pg_ai_role;depois de revogar os grants - O índice criado, se ele não fizer sentido fora do teste, com
DROP INDEX CONCURRENTLY idx_orders_customer_created; - O cluster Aurora de teste, caso tenha sido provisionado só para este exercício
Nenhum desses passos sai do Free Tier por si só: o custo real está no próprio cluster Aurora e nas chamadas de Performance Insights além do nível básico gratuito, que a fonte não detalha em valores.
Próximos passos
O que fica em aberto neste primeiro post é justamente o que falta para o agente virar um operador confiável de verdade: contexto. A fonte é direta sobre isso.
As recomendações se baseiam em boas práticas gerais e no estado atual do banco de dados. Como o assistente não tem acesso a dados históricos de performance, runbooks operacionais ou configurações específicas do ambiente, as sugestões podem precisar de validação contra o perfil de carga de trabalho.
These recommendations are based on general best practices and the current state of your database. Since the assistant doesn't have access to your historical performance data, operational runbooks, or environment-specific configurations, the suggestions may need to be validated against your workload profile.AWS Database Blog
É exatamente essa lacuna que a Parte 2 da série promete fechar, usando pgvector no próprio Aurora PostgreSQL para guardar runbooks, histórico de incidentes e documentação de compliance, de forma que o agente passe a recomendar correções já calibradas pelo que o time fez da última vez que o alerta disparou.
Para quem mantém cluster Aurora ou RDS em produção, o ganho imediato deste primeiro passo já é concreto: um agente que lê pg_stat_activity, métricas do CloudWatch e Database Insights no mesmo lugar, sem privilégio de escrita, e devolve o comando exato para rodar depois de aprovado. Vale testar o fluxo acima com um cluster de homologação antes de confiar nele num incidente real.
Fonte: AWS Database Blog
Serviços neste textoRDS e Aurora
Leve para a sua IA
Decida com o seu assistente, com o contexto deste texto já montado.
1. O que você quer saber
Ver o prompt
Li no AWS Hub: "Como montar um assistente de DBA com IA para Aurora PostgreSQL usando o Kiro" (https://awshub.com.br/bancos-de-dados/como-montar-um-assistente-de-dba-com-ia-para-aurora-postgresql-usando-o-kiro). Resumo: Tutorial do AWS Database Blog mostra como combinar o agente Kiro com MCP servers de Postgres e CloudWatch para diagnosticar incidentes de performance sem sair de uma única interface. Fonte oficial: https://aws.amazon.com/blogs/database/build-an-ai-powered-dba-assistant-for-amazon-aurora-and-amazon-rds-with-kiro/ Serviços: RDS e Aurora Minha stack: [descreva em uma linha: serviços, linguagem, volume, região] Isso muda alguma coisa na minha arquitetura? O que eu faria diferente a partir de amanhã?