引入AWS MCP伺服器以支援代碼助手（第一部分）
我們非常高興地宣布，AWS MCP伺服器的開源版本正式推出——這是一套專門的模型上下文協議（MCP）伺服器，旨在將亞馬遜網絡服務（AWS）的最佳實踐直接融入您的開發工作流程。我們的專門AWS MCP伺服器將深厚的AWS知識與智能AI能力相結合，能夠加速在關鍵領域的開發。每個AWS MCP伺服器專注於AWS最佳實踐的特定領域，協同工作，為您的開發旅程提供全面的指導。
這篇文章是關於AWS MCP伺服器系列的第一篇。在這篇文章中，我們將探討這些專門的MCP伺服器如何顯著縮短您的開發時間，同時將安全控制、成本優化和AWS Well-Architected最佳實踐融入您的代碼中。無論您是經驗豐富的AWS開發者還是剛開始接觸雲開發，您都將了解如何使用AI驅動的代碼助手來應對常見挑戰，例如複雜的服務配置、基礎設施即代碼（IaC）實施和知識庫整合。閱讀完這篇文章，您將明白如何開始使用AWS MCP伺服器來改變您的開發工作流程，並更快地交付更好的解決方案。
如果您想立即開始，請跳到“從概念到工作代碼只需幾分鐘”的部分。
AI正在改變我們構建軟件的方式
AI正在創造機會，顯著加快開發速度，同時提高代碼質量和一致性。今天的AI助手能夠理解複雜的需求、生成可生產的代碼，並幫助開發者即時解決技術挑戰。這種以AI為驅動的方法在雲開發中尤其有價值，因為開發者需要協調多個服務，同時保持安全性、可擴展性和成本效率。
開發者需要理解AWS服務和最佳實踐細微差別的代碼助手。專門的AI代理可以滿足這些需求，具體表現在：
– 提供有關AWS服務選擇和配置的上下文指導
– 優化安全最佳實踐和法規要求的合規性
– 促進最有效的利用和具成本效益的解決方案
– 自動化實施重複任務，使用AWS特定模式
這種方法意味著開發者可以專注於創新，而AI助手則處理代碼的繁重工作。無論您是使用Amazon Q、Amazon Bedrock還是其他AI工具，AWS MCP伺服器都能補充和增強這些能力，提供深入的AWS專業知識，幫助您更快地構建更好的解決方案。
模型上下文協議（MCP）
MCP是一種標準化的開放協議，使大型語言模型（LLMs）、數據源和工具之間的無縫互動成為可能。這一協議允許AI助手使用專門的工具，並通過擴展模型的能力來訪問特定領域的知識，同時保持敏感數據的本地存儲。通過MCP，通用的LLMs現在可以無縫訪問超出初始訓練數據的相關知識，並通過整合特定的上下文和最佳實踐，有效地引導到期望的輸出。
加速在AWS上構建
如果您的AI助手可以立即訪問深厚的AWS知識，理解每一項AWS服務、最佳實踐和架構模式，那會怎樣？有了MCP，我們可以通過將通用的LLMs與專業知識伺服器連接，將其轉變為AWS專家。這為加速雲開發開啟了令人興奮的新可能性，同時保持安全性並遵循最佳實踐。
在AWS上以極短的時間構建，從代碼的第一行開始自動應用最佳實踐。省去數小時的文檔研究，立即獲取複雜服務的現成模式，例如Amazon Bedrock知識庫。我們的MCP伺服器將幫助您從一開始就編寫良好架構的代碼，確保正確實施AWS服務，並以安全、可觀察和設計上成本優化的方式部署解決方案。今天就改變您在AWS上的構建方式。
– 自動強制執行AWS最佳實踐——從一開始就編寫良好架構的代碼，內置安全控制、適當的可觀察性和優化的資源配置
– 大幅縮短研究時間——不再耗費數小時閱讀文檔。我們的MCP伺服器提供上下文相關的指導，幫助正確實施AWS服務，自動解決常見的陷阱
– 立即訪問現成的模式——使用預建的AWS CDK構造、Amazon Bedrock Agents模式生成器和遵循AWS最佳實踐的Amazon Bedrock知識庫整合模板
– 主動優化成本——在設計解決方案時防止過度配置，通過獲取成本優化建議和生成全面的成本報告來分析您的AWS開支，從而在部署前進行調整
為了實現這一願景，使AWS開發更快、更安全和更高效，我們創建了AWS MCP伺服器——一套專門的AWS MCP伺服器，將AWS最佳實踐直接帶入您的開發工作流程。我們的專門AWS MCP伺服器結合了深厚的AWS知識和AI能力，加速了在關鍵領域的開發。每個AWS MCP伺服器專注於AWS最佳實踐的特定領域，協同工作，為您的開發旅程提供全面的指導。
針對AWS開發的特定領域MCP伺服器概述
我們的專門MCP伺服器旨在涵蓋AWS開發的不同方面，每個伺服器在特定領域提供深厚的知識，並協同工作以交付全面的解決方案：
– 核心伺服器——提供AI處理管道能力，作為中央協調者。幫助提供構建AWS解決方案的清晰計劃，並根據需要聯合其他MCP伺服器。
– AWS雲開發工具包（AWS CDK）——提供AWS CDK知識，配備實施最佳實踐的工具、安全配置的cdk-nag、AWS Lambda集成的Powertools，以及生成AI服務的專門構造。確保基礎設施即代碼（IaC）從一開始就遵循AWS Well-Architected原則。
– Amazon Bedrock知識庫——實現無縫訪問Amazon Bedrock知識庫，開發者可以自然語言查詢企業知識，根據數據源過濾結果，並使用重新排序提高相關性。
– Amazon Nova Canvas——通過Amazon Bedrock提供圖像生成能力，能夠根據文本提示和顏色調色板創建視覺效果，適合用於樣機、圖表和用戶界面設計概念。
– 成本分析——分析AWS服務成本，生成全面的成本報告，幫助開發者理解其架構決策的財務影響，優化成本效率。
前提條件
要完成解決方案，您需要具備以下前提條件：
– uv包管理器
– 使用uv python install 3.13安裝Python
– 具有適當權限的AWS憑證
– 兼容MCP的LLM客戶端（如Anthropic的Claude for Desktop、Cline、Amazon Q CLI或Cursor）
從概念到工作代碼只需幾分鐘
您可以在GitHub或通過PyPI包管理器下載AWS MCP伺服器。以下是如何開始使用您喜愛的代碼助手與MCP支持。
要安裝MCP伺服器，請輸入以下代碼：
“`json
# 安裝和設置MCP伺服器
{
“mcpServers”: {
“awslabs.core-mcp-server”: {
“command”: “uvx”,
“args”: [
“awslabs.core-mcp-server@latest”
],
“env”: {
“FASTMCP_LOG_LEVEL”: “ERROR”,
“MCP_SETTINGS_PATH”: “path to your mcp server settings”
},
“autoApprove”: [],
“disabled”: false
},
“awslabs.bedrock-kb-retrieval-mcp-server”: {
“command”: “uvx”,
“args”: [“awslabs.bedrock-kb-retrieval-mcp-server@latest”],
“env”: {
“AWS_PROFILE”: “your-aws-profile”,
“AWS_REGION”: “us-east-1”
}
},
“awslabs.cdk-mcp-server”: {
“command”: “uvx”,
“args”: [“awslabs.cdk-mcp-server@latest”],
“env”: {
“FASTMCP_LOG_LEVEL”: “ERROR”
}
},
“awslabs.cost-analysis-mcp-server”: {
“command”: “uvx”,
“args”: [“awslabs.cost-analysis-mcp-server@latest”],
“env”: {
“FASTMCP_LOG_LEVEL”: “ERROR”
}
},
“awslabs.nova-canvas-mcp-server”: {
“command”: “uvx”,
“args”: [“awslabs.nova-canvas-mcp-server@latest”],
“env”: {
“AWS_PROFILE”: “your-aws-profile”,
“AWS_REGION”: “us-east-1”
}
}
}
}
“`
AWS MCP伺服器的實際運作
以下是AWS MCP伺服器如何改變開發體驗的示例：
開發者：“我需要構建一個基於Amazon Bedrock的AI聊天機器人，可以回答我們公司的知識庫問題。我還想為聊天機器人添加一個調用我們內部API的工具。”
核心伺服器：“我將幫助您構建一個Amazon Bedrock知識庫聊天機器人，並進行API集成。讓我們創建一個使用Amazon Bedrock Agents和自定義動作組來調用您的內部API的架構。”
核心伺服器生成了一個全面的架構圖，顯示知識庫集成、Amazon Bedrock Agents配置與動作組、API連接以及組件之間的數據流。
AWS CDK：“這是您聊天機器人的基礎設施代碼，包含Amazon Bedrock Agents動作組。我已經包括了適當的IAM角色、安全控制，以及用於可觀察性的Lambda Powertools。”
“`javascript
// 符合最佳實踐的CDK代碼
const knowledgeBase = new BedrockKnowledgeBase(this, ‘CompanyKB’, {
embeddingModel: BedrockFoundationModel.TITAN_EMBED_TEXT_V1,
vectorStore: new OpenSearchServerlessVectorStore(this, ‘VectorStore’, {
encryption: OpenSearchEncryption.KMS,
ebs: OpenSearchEbsOptions.provisioned(100, OpenSearchVolumeType.GP3)
})
});
// API集成的動作組
const actionGroupSchema = new BedrockAgentSchema(this, ‘ApiActionSchema’, {
schemaPath: ‘schemas/api-action-schema.json’,
generateFromLambda: {
lambdaPath: ‘lambda/api-actions.py’,
outputPath: ‘schemas/api-action-schema.json’
}
});
const apiActionGroup = new BedrockAgentActionGroup(this, ‘ApiActionGroup’, {
actionGroupName: ‘InternalApiActions’,
description: ‘Actions to interact with internal API’,
actionGroupExecutor: new BedrockAgentLambdaExecutor(apiActionsLambda),
actionGroupSchema: actionGroupSchema
});
“`
AWS CDK MCP伺服器生成完整的AWS CDK代碼以部署整個解決方案。它自動運行cdk-nag來識別潛在的安全問題，並提供每個發現的修復步驟，確保基礎設施遵循AWS Well-Architected最佳實踐。
Amazon Bedrock知識庫檢索：“我已為您的知識庫查詢配置了最佳設置，包括適當的重新排序以提高相關性。”
Amazon Bedrock知識庫MCP伺服器展示了如何結構化查詢以獲得最大相關性，提供過濾數據源的示例代碼，並展示如何將知識庫的回應整合到聊天機器人界面。
Amazon Nova Canvas：“為了增強您的聊天機器人能力，我生成了用戶請求數據解釋時可隨時生成的視覺化效果。”
Amazon Nova Canvas MCP伺服器生成示例圖像，顯示Amazon Nova Canvas如何根據知識庫內容創建圖表、圖示和視覺解釋，使複雜信息更易於用戶訪問。
成本分析：“根據您的預期使用模式，這是估計的每月成本細目和優化建議。”
成本分析MCP伺服器生成詳細的成本分析報告，顯示每項AWS服務的預期支出，識別成本優化機會，如Amazon Bedrock的保留容量，並提供具體建議以減少成本而不影響性能。
有了AWS MCP伺服器，通常需要數天的研究和實施工作在幾分鐘內完成，並且質量、安全性和成本效率都優於手動開發。
MCP輔助開發的最佳實踐
為了最大限度地發揮MCP輔助開發的優勢，同時保持安全性和代碼質量，開發者應遵循以下基本指導原則：
– 在部署之前，始終檢查生成的代碼的安全影響
– 將MCP伺服器視為加速工具，而非替代開發者的判斷和專業知識
– 保持MCP伺服器更新以符合最新的AWS安全最佳實踐
– 在配置AWS憑證時遵循最小權限原則
– 對生成的基礎設施代碼運行安全掃描工具
系列後續內容預告
這篇文章介紹了AWS MCP伺服器的基礎，以及它們如何通過專門的AWS MCP伺服器加速AWS開發。在接下來的文章中，我們將深入探討：
– 每個MCP伺服器功能的詳細演示
– 將AWS MCP伺服器集成到開發工作流程中的高級模式
– 實際案例研究，展示AWS MCP伺服器對開發速度的影響
– 如何擴展AWS MCP伺服器以創建您自己的自定義MCP伺服器
敬請期待，了解AWS MCP伺服器如何改變您特定的AWS開發場景，幫助您更快地構建更好的解決方案。請訪問我們的GitHub倉庫或Pypi包管理器，探索示例實現並立即開始。
關於作者
Jimin Kim是AWS原型設計和雲工程（PACE）團隊的原型設計架構師，駐洛杉磯。她專注於生成AI和SaaS，熱衷於幫助客戶實現商業成功。工作之外，她珍惜與妻子和三隻可愛的雜色貓共度的時光。
Pranjali Bhandari是AWS原型設計和雲工程（PACE）團隊的一員，駐舊金山灣區。她專注於生成AI、分佈式系統和雲計算。工作之外，她喜歡探索各種徒步旅行路徑、騎自行車，以及和丈夫和兒子共度的美好家庭時光。
Laith Al-Saadoon是原型設計和雲工程（PACE）團隊的首席原型設計架構師。他利用生成AI、機器學習、數據分析、物聯網和邊緣計算以及全棧開發構建原型和解決方案，以解決實際客戶挑戰。在個人時間裡，Laith喜歡戶外活動——釣魚、攝影、無人機飛行和徒步旅行。
Paul Vincent是AWS原型設計和雲工程（PACE）團隊的首席原型設計架構師。他與AWS客戶合作，實現他們的創新想法。工作之外，他喜歡打鼓和鋼琴，通過業餘無線電與他人交談，熱衷於家庭自動化和與家人的電影之夜。
Justin Lewis是AWS新興技術加速器的負責人。他和他的團隊幫助客戶利用新興技術，如生成AI，提供開源軟件示例以啟發他們的創新。他與妻子和兒子住在舊金山灣區。
Anita Lewis是AWS新興技術加速器團隊的技術項目經理，駐丹佛，科羅拉多州。她專注於幫助客戶加速他們的創新之旅，利用生成AI和新興技術。工作之外，她喜歡參加競技匹克球比賽、完善她的高爾夫技巧，以及發掘新的旅行目的地。
這篇文章的內容展示了AWS MCP伺服器如何通過AI技術提升開發效率，實現最佳實踐，並且為開發者提供更強大的工具來應對日常工作中的挑戰。隨著技術的進步，開發者不僅能提高生產力，還能在雲端開發中更好地把握安全性和成本效益。這一切都預示著未來的雲開發將更加智能化和高效化。
以上文章由特價GPT API KEY所翻譯及撰寫。而圖片則由FLUX根據內容自動生成。
