As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
# Integração de servidor MCP
Se você implantou o componente opcional do servidor MCP durante a implantação da solução, poderá integrar a solução de teste de carga distribuída às ferramentas de desenvolvimento de IA que oferecem suporte ao Model Context Protocol. O servidor MCP fornece acesso programático para recuperar, gerenciar e analisar testes de carga por meio de assistentes de IA.
Os clientes podem se conectar ao servidor DLT MCP usando o cliente de sua escolha (Amazon Q, Claude etc.), cada um com instruções de configuração ligeiramente diferentes. Esta seção fornece instruções de configuração para MCP Inspector, Amazon Q CLI, Cline e Amazon Q Suite.
## Etapa 1: Obtenha o endpoint MCP e o token de acesso
Antes de configurar qualquer cliente MCP, você precisa recuperar o endpoint do servidor MCP e o token de acesso do console web DLT.
1. Navegue até a página **MCP Server** no console web do Distributed Load Testing.
1. Localize a **seção MCP Server Endpoint**.
1. Copie o URL do endpoint usando o botão **Copiar URL do endpoint**. O URL do endpoint segue o formato: `https://{gateway-id}.gateway.bedrock-agentcore.{region}.amazonaws.com/mcp`
1. Localize a seção **Token de acesso**.
1. Copie o token de acesso usando o botão **Copiar token de acesso**.
**Importante**
Mantenha seu token de acesso seguro e não o compartilhe publicamente. O token fornece acesso somente de leitura à sua solução de teste de carga distribuída por meio da interface MCP.
## Passo 2: Teste com o MCP Inspector
O Model Context Protocol oferece o [MCP Inspector](https://modelcontextprotocol.io/docs/tools/inspector), uma ferramenta para se conectar diretamente aos servidores MCP e invocar ferramentas. Isso fornece uma interface de usuário conveniente e exemplos de solicitações de rede para testar sua conexão com o servidor MCP antes de configurar clientes de IA.
**nota**
O MCP Inspector requer a versão 0.17 ou posterior. Todas as solicitações também podem ser feitas diretamente com o JSON RPC, mas o MCP Inspector fornece uma interface mais amigável.
**Instale e inicie o MCP Inspector**
1. Instale o npm, se necessário.
1. Execute o seguinte comando para iniciar o MCP Inspector:
```
npx @modelcontextprotocol/inspector
```
**Configurar a conexão**
1. Na interface do MCP Inspector, insira seu URL do MCP Server Endpoint.
1. Adicione um cabeçalho de autorização com seu token de acesso.
1. Clique em **Connect** para estabelecer a conexão.
**Invocar ferramentas**
Depois de conectado, você pode testar as ferramentas MCP disponíveis:
1. Navegue pela lista de ferramentas disponíveis no painel esquerdo.
1. Selecione uma ferramenta (por exemplo,`list_scenarios`).
1. Forneça todos os parâmetros necessários.
1. Clique em **Invocar** para executar a ferramenta e visualizar a resposta.
## Etapa 3: configurar clientes de desenvolvimento de IA
Depois de verificar a conexão do servidor MCP com o MCP Inspector, você pode configurar seu cliente de desenvolvimento de IA preferido.
### CLI do Amazon Q
O Amazon Q CLI fornece acesso por linha de comando ao desenvolvimento assistido por IA com a integração do servidor MCP.
**Etapas de configuração**
1. Edite o arquivo de configuração do `mcp.json`. Para obter mais informações sobre a localização do arquivo de configuração, consulte [Configuração de servidores MCP remotos](https://docs.aws.amazon.com/amazonq/latest/qdeveloper-ug/command-line-mcp-config-CLI.html#command-line-mcp-remote-servers) no *Amazon Q Developer User Guide*.
1. Adicione sua configuração de servidor DLT MCP:
```
{
"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"
}
}
}
}
```
**Verifique a configuração**
1. Em um terminal, digite `q` para iniciar o Amazon Q CLI.
1. Digite `/mcp` para ver todos os servidores MCP disponíveis.
1. Digite `/tools` para ver as ferramentas disponíveis fornecidas por `dlt-mcp` e outros servidores MCP configurados.
1. Verifique se `dlt-mcp` foi inicializado com sucesso.
### Cline
O Cline é um assistente de codificação de IA que oferece suporte à integração do servidor MCP.
**Etapas de configuração**
1. Em Cline, navegue até **Gerenciar servidores MCP > **Configurar > Configurar** servidores** **MCP**.
1. Atualize o arquivo `cline_mcp_settings.json`:
```
{
"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. Salve o arquivo de configuração.
1. Reinicie o Cline para aplicar as alterações.
### Suíte Amazon Q
O Amazon Q Suite fornece uma plataforma abrangente de assistente de IA com suporte para ações do servidor MCP.
**Pré-requisitos**
Antes de configurar o servidor MCP no Amazon Q Suite, você precisa recuperar as OAuth credenciais do grupo de usuários do Cognito da sua implantação de DLT:
1. Navegue até o [ CloudFormation console da AWS](https://console.aws.amazon.com/cloudformation/).
1. Selecione a pilha de testes de carga distribuída.
1. Na guia **Saídas**, localize e copie o ID do **Grupo de Usuários do Cognito** associado à sua implantação de DLT.
1. Acesse o [console do Amazon Cognito](https://console.aws.amazon.com/cognito/).
1. Selecione o grupo de usuários usando o ID do grupo de usuários nas CloudFormation saídas.
1. No painel de navegação à esquerda, selecione **Integração de aplicativos** > **Clientes de aplicativos**.
1. Localize o cliente do aplicativo com o nome terminado em `m2m` (machine-to-machine).
1. Copie o **ID do cliente** e **o segredo do cliente**.
1. Obtenha o domínio do grupo de usuários na guia **Domínio**.
1. Crie o URL do endpoint do token anexando-o `/oauth2/token` ao final do domínio.
**Etapas de configuração**
1. No Amazon Q Suite, crie um novo agente ou selecione um agente existente.
1. Adicione um prompt de agente que descreva como interagir com o servidor DLT MCP.
1. Adicione uma nova ação e selecione a **ação do servidor MCP**.
1. Configure os detalhes do servidor MCP:
+ **URL do servidor MCP**: Seu endpoint DLT MCP
+ **Tipo de autenticação**: Autenticação baseada em serviços
+ **Token Endpoint**: Seu URL do endpoint do token Cognito
+ **ID do cliente**: O ID do cliente do aplicativo m2m
+ **Segredo** do cliente: O segredo do cliente do aplicativo m2m
1. Salve a configuração de ação do servidor MCP.
1. Adicione a nova ação do servidor MCP ao seu agente.
**Inicie e teste o agente**
1. Inicie o agente no Amazon Q Suite.
1. Inicie uma conversa com o agente usando instruções em linguagem natural.
1. O agente usará as ferramentas MCP para recuperar e analisar seus dados de teste de carga.
## Exemplos de prompt
Os exemplos a seguir demonstram como interagir com seu assistente de IA para analisar dados de teste de carga por meio da interface MCP. Personalize o teste IDs, os intervalos de datas e os critérios para atender às suas necessidades específicas de teste.
Para obter informações detalhadas sobre as ferramentas MCP disponíveis e seus parâmetros, consulte a [especificação das ferramentas MCP](mcp-tools-specification.md) no Guia do desenvolvedor.
### Consulta simples de resultados de testes
A interação da linguagem natural com o servidor MCP pode ser tão simples quanto `Show me the load tests that have completed in the last 24 hours with their associated completion status` ou pode ser mais descritiva, como
```
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.
```
### Análise de desempenho interativa com divulgação progressiva
```
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.
```
### Validação da prontidão de produção
```
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]%.
```
### Análise de tendências de desempenho
```
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.
```
### Solução de problemas em testes com falha
```
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].
```