Terraform with AI: Build AWS Infra (Cursor + MCP)

개요

AI와 Terraform을 함께 사용하여 AWS 인프라를 구축하는 것은 개발자의 워크플로우를 개선하고 반복적인 작업을 줄여준다. 특히 Cursor와 MCP Server를 활용하면 AI가 Terraform의 컨텍스트를 이해하도록 하여 보다 효율적인 인프라 생성이 가능하다.

주요 내용

* 기존 Terraform 워크플로우의 한계: 소규모 설정 이상에서는 Terraform 코드를 작성하는 과정이 복잡하고 시간이 오래 걸린다. 여러 모듈, 리소스 간 의존성, AWS 특성에 대한 이해가 필요하며, 문서 확인, 예외 처리, 코드 재적용 등에 많은 시간이 소요된다.
* 컨텍스트 없는 AI Terraform 생성의 문제점: AI가 Terraform 코드를 생성할 수는 있지만, 최신 인수가 아닌 것을 사용하거나 모듈 구조, 의존성을 무시하여 terraform apply 과정에서 실패하는 경우가 많다. 이는 AI가 인프라의 컨텍스트를 이해하지 못하기 때문이다.
* RAG (Retrieval-Augmented Generation) 접근 방식의 실패: 벡터 데이터베이스와 RAG를 활용하여 Terraform 문서를 AI에 제공하는 방식은 초기에는 도움이 되었으나, 반복적인 terraform plan/apply 과정에서의 오류 수정, 컨텍스트 크기 제한, 프로젝트 구조 미인지 등의 문제로 인해 복잡한 인프라 생성에는 실패했다.
* MCP Server와 Cursor AI의 등장: MCP Server는 Cursor AI와 연동되어 Terraform 모듈 문서, 입력/출력 구조, 리소스 관계 등 Terraform의 컨텍스트를 AI에게 제공한다. 이를 통해 AI는 추측하는 대신 실제 Terraform 데이터를 쿼리하여 필요한 정보를 얻고, 더 완성도 높은 코드를 생성할 수 있다.
* MCP Server의 내부 작동 방식: MCP Server는 AI가 Terraform 리소스, 데이터 소스, 함수에 대한 전체 문서를 조회하고, 레지스트리에서 사용 예제를 포함한 모듈을 검색하며, 입력, 출력, 설정 패턴을 파악하고, 베스트 프랙티스 및 보안 정책을 탐색할 수 있도록 지원한다.
* AI + MCP Server를 활용한 AWS 인프라 구축 예시: VPC, NAT Gateway, Application Load Balancer, Auto Scaling Group, CloudFront, Cloudflare DNS 설정 등을 AI와 MCP Server를 활용하여 단계별로 생성하는 과정을 보여준다. 프롬프트를 구체적이고 단계적으로 작성하는 것이 결과물의 품질을 높이는 데 중요하다.
* 기존 방식 대비 개선점: AI + MCP Server 접근 방식은 초기 인프라 설정 시간을 몇 분으로 단축하고, 구조적 오류를 줄이며, 반복 작업을 최소화하여 컨텍스트 스위칭을 감소시킨다.
* 운영 고려사항 및 사용 시기: 이 접근 방식은 새로운 인프라 구축, 모듈 신속 스캐폴딩, 반복 작업 감소에 효과적이다. 하지만 엄격한 규정 준수가 필요한 인프라, 생성된 코드를 이해하지 못하는 경우, 결정적이고 감사 가능한 구성이 필요한 경우에는 주의가 필요하며 Terraform 전문가의 판단을 대체하지 않는다.
* DevOps 워크플로우 통합: Git 기반 워크플로우, CI/CD 파이프라인, 인프라 리뷰 과정에 자연스럽게 통합되며, 배포 프로세스 자체는 변경되지 않는다.

시사점

Terraform과 AI의 결합, 특히 MCP Server와 같은 도구를 통해 AI가 Terraform의 컨텍스트를 이해하도록 함으로써 인프라 코드 작성의 마찰을 줄이고 개발 생산성을 크게 향상시킬 수 있다. 이는 엔지니어링 판단을 대체하는 것이 아니라, 기존 워크플로우를 더욱 효율적으로 만드는 도구로 활용될 수 있다.