通过Amazon Bedrock Agents，释放MCP服务器的强大功能

于 2025-04-14 11:13:24 发布
阅读量95 收藏
点赞数
文章标签： 服务器 人工智能 运维
原文链接：https://mp.weixin.qq.com/s?__biz=Mzg4NjU5NDUxNg==&mid=2247595642&idx=1&sn=53b1191374ff2d49b93fa00bdfbf4726&chksm=ce839ce7564cd403ac0964c05d082519e9b846e684bfcac7493a2328557d868a70591684f72b&scene=126&sessionid=0
版权

AI Agents可通过与外部系统交互、执行复杂工作流程以及在各项操作中保持上下文感知能力，来扩展大语言模型（LLMs）的功能。Amazon Bedrock Agents通过将基础模型（FMs）与数据源、应用程序以及用户输入进行编排，借助API集成和知识库扩充来完成以目标为导向的任务，从而实现上述功能。

然而，以往将这些Agent连接到各种企业系统时会造成开发瓶颈，因为每次集成都需要编写自定义代码并进行持续维护，这一标准化难题拖慢了整个企业数字生态系统中情境化AI辅助功能的交付速度。而这一问题可通过使用模型上下文协议（Model Context Protocol，MCP）来解决，该协议为LLM连接到数据源和工具提供了一种标准化方式。

如今，MCP为Agent提供了对一系列可访问工具的标准接入途径，您可以利用这些工具来完成各种任务。假以时日，MCP能够通过各种平台提升Agent和工具的可发现性，让Agent能够共享上下文信息，并拥有通用工作空间以实现更高效的交互，同时还能在整个行业范围内提升Agent的互操作性。

本文将展示如何构建Amazon Bedrock Agents，其使用MCP访问数据源来快速构建生成式AI应用程序。借助Amazon Bedrock Agents，您的Agent可像本示例一样，通过基于MCP的工具快速组建而成。

InlineAgent(    foundation_model="us.anthropic.claude-3-5-sonnet-20241022-v2:0",    instruction="You are a friendly assistant for resolving user queries",    agent_name="SampleAgent",    action_groups=[        ActionGroup(            name="SampleActionGroup",            mcp_clients=[mcp_client_1, mcp_client_2],)],).invoke(input_text=”Convert 11am from NYC time to London time”)

左右滑动查看完整示意

本文示例演示了通过MCP连接Amazon Cost Explorer、Amazon CloudWatch和Perplexity AI，从而构建一个用于分析您的亚马逊云科技云服务支出情况的Agent。您可以使用本文中引用的代码，将您的Agent连接到其他MCP服务器，以解决业务难题。不妨设想未来存在这样的世界：Agent可以访问不断增长的MCP服务器列表，并利用这些服务器完成各种任务。

模型上下文协议（MCP）

由Anthropic开发的开源协议MCP，提供了一种标准化方式，可将AI模型连接到几乎任何数据源或工具。借助客户端——服务器架构，MCP使开发者能够通过轻量级MCP服务器公开其自有数据，同时将AI应用构建为连接这些服务器的MCP客户端。

通过这种架构，MCP支持用户构建更强大的上下文感知型AI Agents，它们能够无缝访问所需的信息和工具。无论需要连接外部系统、内部数据存储还是各类工具，现在您都可以使用MCP以统一方式与它们进行交互。此外，MCP的客户端——服务器架构还有另外一项优势：当MCP服务器更新时，您的Agent无需修改应用程序代码即可访问新功能。

MCP架构

MCP采用客户端——服务器架构，该架构包含以下组件，如下图所示。

  • 主机：指需要通过MCP协议访问数据的程序或AI工具，例如Claude Desktop、集成开发环境（IDE）或其他任何AI应用程序。

  • 客户端：与服务器保持一对一连接的协议客户端。

  • 服务器：通过标准化MCP协议公开功能的轻量级程序。

  • 本地数据源：MCP服务器可安全访问的数据库、本地数据源及服务。

  • 远程服务：MCP服务器可通过API在互联网上访问的外部系统。

客户端——服务器架构：

https://modelcontextprotocol.io/introduction#general-architecture

下文将介绍如何设置能够利用MCP服务器的Amazon Bedrock Agents。

使用MCP与

Amazon Bedrock Agents

以下将逐步介绍如何将您偏好的MCP服务器连接Amazon Bedrock Agents，该Agent可用于完成用户所提供任务的操作组。以及介绍Amazon Bedrock Inline Agent SDK通过管理复杂的工作流编排，简化调用Inline Agent的流程。该SDK还内置了MCP客户端实现，使您能够直接访问MCP服务器提供的工具。如果不使用此SDK，开发者必须编写并维护自定义代码，用于以下任务。

  • 解析响应流。

  • 处理返回控制流。

  • 管理Agent交互之间的状态。

  • 协调API调用。

在创建Agent的过程中，开发者须为每个需要与Agent进行通信的MCP服务器创建特定的MCP客户端。当Agent被调用时，它会确定完成用户任务所需的工具。如果需要使用MCP服务器上的工具，它会利用对应的MCP客户端请求该服务器执行工具。

为编排这一工作流，您需要利用Amazon Bedrock Agents的返回控制功能，下图说明了Agent处理使用两种工具的请求的端到端流程。在第一个流程中，采取的是基于Amazon Lambda的操作；而在第二个流程中，Agent使用的是MCP服务器。

使用案例

您管理Amazon Bedrock等不同亚马逊云科技服务支出的方式

下文将通过一项示例，展示Amazon Bedrock Agents如何使用MCP服务器。

当您提出“帮助我了解过去几周关于Amazon Bedrock的支出情况”或“上个月我在不同地区和实例类型中的Amazon EC2成本是多少？”等类似问题时，并希望得到人类可读的数据分析结果，而非仪表盘上的原始数据。系统会解读您的意图，并准确提供您所需要的内容，无论您需要的是详细分解、趋势分析、可视化展示或是成本节约建议。这非常有用，因为您感兴趣的是建议而非数据。

您可以使用两个MCP服务器来实现这一目标：

  1. 用于检索亚马逊云科技支出数据的自定义MCP服务器。

  2. 用于解释数据的Perplexity AI开源MCP服务器。

您可以将这两个MCP服务器作为操作组添加到内联Amazon Bedrock Agents中，然后您就拥有一个可改变亚马逊云科技支出管理方式的AI Agent。

本文所有代码，您均可参阅GitHub代码库查找。

GitHub代码库：

https://github.com/awslabs/amazon-bedrock-agent-samples/tree/main/src/InlineAgent

下文将介绍如何使用Inline Agent创建此Agent。

您可以使用Inline Agent在运行时动态定义和配置Amazon Bedrock Agents。它们为Agent功能提供了更大的灵活性和控制力，使用户能够根据需要指定FM、指令、操作组、防护和知识库，而无需依赖预配置的控制平面设置。

值得一提的是，您也可以通过InvokeAgent API使用RETURN_CONTROL来编排这种行为，而无需Inline Agent。

Inline Agent：

https://docs.aws.amazon.com/bedrock/latest/userguide/agents-create-inline.html

InvokeAgent API：

https://docs.aws.amazon.com/bedrock/latest/APIReference/API_agent-runtime_InvokeAgent.html

Amazon Bedrock Agents中的MCP组件

1.主机：这是Amazon Bedrock Inline Agent，该Agent将MCP客户端添加为操作组，当用户提出亚马逊云科技支出相关问题时，可通过RETURN_CONTROL调用操作组。

2.客户端：您将创建两个客户端，分别与各自的服务器建立一对一连接。一个是具有特定成本服务器参数的成本资源管理器客户端，另一个是具有Perplexity服务器参数的Perplexity AI客户端。

3.服务器：您将创建两个MCP服务器，每个服务器都在本地运行，并通过标准输入或输出与应用程序通信。或者您也可以配置客户端与远程MCP服务器通信。

  • 第一个是用于访问Amazon Cost Explore和Amazon CloudWatch Logs（获取Amazon Bedrock模型调用日志数据）的MCP服务器，以及用于检索亚马逊云科技支出数据的MCP服务器。

  • 第二个是Perplexity AI MCP服务器，用于解释亚马逊云科技支出数据。

4.数据源：MCP服务器与Amazon Cost Explore API、Amazon CloudWatch Logs和Perplexity AI搜索API等远程数据源通信。

RETURN_CONTROL：

https://docs.aws.amazon.com/bedrock/latest/userguide/agents-returncontrol.html

标准输入或输出：

https://modelcontextprotocol.io/docs/concepts/transports#standard-input%2Foutput-stdio

准备条件

要开始实施本文章中的解决方案，您需要具备以下准备条件。

  • 亚马逊云科技账户。

  • 熟悉基础模型和Amazon Bedrock。

  • 安装Amazon CLI并设置凭证。

  • Python 3.11或更高版本。

  • Amazon CDK CLI。

  • 为Anthropic的Claude 3.5 Sonnet v2启用模型访问权限。

  • 您需要拥有AWS_ACCESS_KEY_ID和AWS_SECRET_ACCESS_KEY，以便使用服务器的环境变量设置设置这些凭证。

  • 两个MCP服务器作为Docker守护进程运行，因此需要在计算机上安装并运行Docker。

MCP服务器在本地计算机上运行，需要访问亚马逊云科技服务和Perplexity API。有关Amazon IAM的更多信息，请参阅《管理Amazon IAM用户访问密钥》。

请确保您的凭证包括对Amazon Cost Explorer和Amazon CloudWatch的Amazon IAM只读访问权限。您可以通过使用AWSBillingReadOnlyAccess和CloudWatchReadOnlyAccess管理Amazon IAM权限来实现这一点。Perplexity API密钥可从Perplexity Sonar API页面获取。

运行步骤

具备上述准备条件后，即可按以下步骤实施解决方案。

1.导航至InlineAgent GitHub代码库。

2.按照设置步骤进行操作。

3.导航至cost_explorer_agent，该文件夹包含本文章的代码。

InlineAgent GitHub代码库：

https://github.com/awslabs/amazon-bedrock-agent-samples/tree/main/src/InlineAgent

设置步骤：

https://github.com/awslabs/amazon-bedrock-agent-samples/tree/main/src/InlineAgent#setup

cost_explorer_agent：

https://github.com/awslabs/amazon-bedrock-agent-samples/tree/main/src/InlineAgent/examples/mcp/cost_explorer_agent

cd examples/mcp/cost_explorer_agent

左右滑动查看完整示意

4.使用示例文件在cost_explorer_agent目录下创建.env文件。

示例文件：

https://github.com/awslabs/amazon-bedrock-agent-samples/blob/main/src/InlineAgent/examples/mcp/cost_explorer_agent/.env.example

AWS_ACCESS_KEY_ID=AWS_SECRET_ACCESS_KEY=AWS_REGION=BEDROCK_LOG_GROUP_NAME=PERPLEXITY_API_KEY5

*注：虽然本文演示了使用亚马逊云科技访问密钥以简化操作，并聚焦于MCP使用场景上，但在生产环境中，强烈建议您使用Amazon IAM角色，而非长期访问密钥。如果必须使用访问密钥，请遵循以下安全最佳实践：切勿公开共享或暴露您的访问密钥（包括在代码库中）。通过将Amazon IAM策略的范围限定为仅包含所需权限来执行最小权限原则，并定期轮换访问密钥（建议每90天轮换一次）。此外，使用Amazon CloudTrail监控访问密钥的使用情况同样重要，并尽可能考虑使用通过Amazon STS获取的临时凭证。

5.构建aws-cost-explorer-mcp服务器。

git clone https://github.com/aws-samples/sample-cloud-spend-mcp-server.gitcd sample-cloud-spend-mcp-serverdocker build -t aws-cost-explorer-mcp .

左右滑动查看完整示意

6.现在您可以调用Agent来深入了解亚马逊云科技服务支出情况，请运行python main.py执行Agent，处理查询内容如下。

Agent与两个MCP服务器建立连接，并访问其相关工具，然后Agent利用特定工具执行顺序计划。

  • 使用代码解释器生成成本分布的可视化表示（条形图）

  • 使用Amazon Cost Explorer MCP服务器分析支出模式。

  • 与Perplexity MCP服务器交互，检索有关Amazon Bedrock的全面信息。

Connected to server with tools: ['get_bedrock_daily_usage_stats', 'get_bedrock_hourly_usage_stats', 'get_ec2_spend_last_day', 'get_detailed_breakdown_by_day']Connected to server with tools: ['perplexity_ask']
Thought: Let me break this down into parts:1. First, I'll ask about Amazon Bedrock using Perplexity2. Then I'll get the cost breakdown for the last 7 days3. Finally, I'll create a visualization of the spending data
Tool use: perplexity_ask with these inputs: messages[[{role=user, content=What is Amazon Bedrock? Provide a concise explanation.}] (array)]
Tool use: get_detailed_breakdown_by_day with these inputs: days[7 (integer)]
Thought: Let me analyze the data and create a visualization of the top services by cost. I'll use Python to process the data and create a bar chart.
Code interpreter:Generated code```import pandas as pdimport matplotlib.pyplot as plt...```
Code interpreter output:aws_costs.png (image/png)Directory output created successfully
Thought: Now I can provide a comprehensive answer about Amazon Bedrock and the cost analysis. Amazon Bedrock is a fully managed service that provides access to foundation models (FMs) from leading AI companies through a single API. Based on the cost analysis of the last 7 days, your top spending services were:
1. Amazon Neptune: $242. Amazon SageMaker: $5673. EC2 (Compute + Other): $4544. Amazon OpenSearch Service: $345. Amazon Bedrock: $12356. Amazon Q: $178

左右滑动查看完整示意

点击观看下方演示视频，了解具体操作。

了解Agent生成的输出之后，下文将继续介绍生成这些输出的重要代码。

1.创建MCP客户端：在config.py文件中定义两个MCP客户端，用于与您的两个MCP服务器进行通信。

  • 为成本探索器和Perplexity客户端定义了服务器参数。该解决方案使用StdioServerParameters，它配置了客户端应如何通过标准输入/输出（stdio）流进行通信，包含服务器通过API访问所需数据的必要参数。

# Cost server parameterscost_server_params = StdioServerParameters(    command="/usr/local/bin/docker",    args=["run","-i","--rm","-e","AWS_ACCESS_KEY_ID","-e","AWS_SECRET_ACCESS_KEY","-e","AWS_REGION","-e","BEDROCK_LOG_GROUP_NAME","-e","stdio","aws-cost-explorer-mcp:latest",],    env={"AWS_ACCESS_KEY_ID": AWS_ACCESS_KEY_ID,"AWS_SECRET_ACCESS_KEY": AWS_SECRET_ACCESS_KEY,"AWS_REGION": AWS_REGION,"BEDROCK_LOG_GROUP_NAME": BEDROCK_LOG_GROUP_NAME,},)# Perplexity server parametersperplexity_server_params = StdioServerParameters(    command="/usr/local/bin/docker",    args=["run", "-i", "--rm", "-e", "PERPLEXITY_API_KEY", "mcp/perplexity-ask"],    env={"PERPLEXITY_API_KEY": PERPLEXITY_API_KEY},)

左右滑动查看完整示意

  • 在main.py中导入MCP服务器参数，并用于创建两个MCP客户端。

2.配置Agent操作组：main.py创建的操作组将MCP客户端组合成供Agent访问的单一界面，以便Agent能够根据需要，通过控制权的返回，要求应用程序调用其中任何一个MCP服务器。

# Create action group with both MCP clientscost_action_group = ActionGroup(    name="CostActionGroup",    mcp_clients=[cost_explorer_mcp_client, perplexity_mcp_client])

左右滑动查看完整示意

3.创建Inline Agent：可通过以下配置创建Inline Agent。

  • 基础模型：选择驱动Agent的FM，可以是Amazon Bedrock上提供的任何模型，本例使用Anthropic的Claude 3.5 Sonnet模型。

  • Agent指令：为Agent提供指导性指令，包含编排用户查询响应的步骤，这些指令将锚定Agent处理各类查询的方式。

  • Agent名称：指定Agent的名称。

  • 操作组：定义Agent可访问的操作组，可包含单个或多个操作组，每个组可访问多个MCP客户端或Amazon Lambda。此外，您还可配置Agent使用代码解释器来生成、运行和测试应用程序代码。

# Create and invoke the inline agentawait InlineAgent(    foundation_model="us.anthropic.claude-3-5-sonnet-20241022-v2:0",    instruction="""You are a friendly assistant that is responsible for resolving user queries.        You have access to search, cost tool and code interpreter.         """,    agent_name="cost_agent",    action_groups=[        cost_action_group,        {            "name": "CodeInterpreter",            "builtin_tools": {                "parentActionGroupSignature": "AMAZON.CodeInterpreter"            },        },    ],).invoke(    input_text="<user-query-here>")

左右滑动查看完整示意

您可以通过此示例在Amazon Bedrock上构建Inline Agent，该Agent能够与多个MCP服务器建立连接，并将其客户端整合为单一操作组，供Agent统一访问.

总结

Anthropic MCP协议为将FM连接到数据源连接提供了标准化方案，现在您可以通过Amazon Bedrock Agents使用这一功能。本文演示了如何结合Amazon Bedrock与MCP的强大功能，实现应用程序构建，以全新视角帮助您理解和管理亚马逊云科技服务支出。

企业现在能够为团队提供自然、对话式的复杂财务数据访问方式，同时借助Perplexity等数据源的上下文智能增强响应质量。随着AI技术发展，将模型安全接入企业核心系统的能力价值日益凸显。无论是改善客户服务、优化运营流程，还是获取深度业务洞察，Amazon Bedrock与MCP的集成都为AI创新提供了灵活基础。您可参阅代码示例，进一步探索该MCP集成方案。

代码示例：

https://github.com/awslabs/amazon-bedrock-agent-samples/tree/main/src/InlineAgent/examples/mcp

以下是通过将Amazon Bedrock Agents连接到MCP服务器可构建内容的示例。

  • 多数据源Agent：可从Amazon Bedrock知识库、SQLite数据库甚至本地文件系统等不同数据源检索数据。

  • 开发者效率助手Agent：与Slack和GitHub的MCP服务器集成，提升团队协作与开发效率。

  • 机器学习实验追踪Agent：对接Comet ML的Opik MCP服务器，直接在开发环境中管理、可视化并跟踪机器学习实验。

本篇作者

Mark Roy

亚马逊云科技首席机器学习架构师，帮助客户设计和构建生成式AI解决方案。自2023年初以来，他的工作重点是牵头开展解决方案架构设计工作，以助力亚马逊云科技推出面向开发者的旗舰生成式AI产品：Amazon Bedrock。Mark的工作涉及众多应用场景，主要聚焦于生成式AI、Agent以及在企业范围内推广机器学习规模化应用。他已为保险、金融服务、媒体与娱乐、医疗保健、公用事业和制造业等领域公司提供过帮助。Mark持有六项亚马逊云科技认证，包括机器学习专项认证。

Eashan Kaushik

亚马逊云科技人工智能与机器学习专家解决方案架构师。他致力于打造前沿的生成式AI解决方案，同时坚持以客户为中心的工作理念。

Madhur Prashant

亚马逊云科技人工智能与机器学习解决方案架构师。他热衷于人类思维与生成式人工智能的交叉融合，兴趣领域在于生成式AI，特别是构建对客户有益无害的解决方案。

Amit Arora

亚马逊云科技人工智能与机器学习专家架构师，致力于帮助企业客户使用基于云的机器学习服务快速扩展创新成果。Amit还是华盛顿特区乔治城大学数据科学与分析硕士课程的兼职讲师。

Andy Palmer

亚马逊云科技战略客户部技术总监。他的团队在多个专业领域提供专业解决方案架构技能，包括人工智能与机器学习、生成式AI、数据和分析、安全、网络和开源软件。Andy及其团队一直走在引导最先进的客户探索生成式AI之旅的前沿，并帮助寻找将这些新工具应用于现有问题领域以及全新创新和产品体验的方法。

星标不迷路，开发更极速！

关注后记得星标「亚马逊云开发者」

听说，点完下面4个按钮

就不会碰到bug了！

点击阅读原文查看博客！获得更详细内容！

博客
企业DevOps探讨：“谁构建、谁运行”原则的理论基础
12-30 9436
“谁构建，谁运行” --沃纳·沃格尔这样的场景大家想必不会陌生：我们正与家人共度美好时光，突然刺耳的电话铃声嗡嗡响起，我们的注意力也为之吸引。听筒中的尖叫声告知，我们的应用程序——也就是那些定期受到内存泄漏侵扰、但重启之后又能恢复正常的小冤家们——现在终于彻底起义了，服务器资源在几分钟之内就被其彻底榨干。目前该应用已经无法正常起效，而运维团队除了尝试重启与回滚之外无法可想——而最新
博客
企业DevOps：实施过程中需要关注的各项要点
12-29 8061
作者：亚马逊云科技企业市场战略总监Stephen Orban“经验并非凭空创造，而是依靠点滴积累所实现” ---阿尔贝·加缪在此次的企业DevOps探索之旅系列文章当中，我将带大家一同探讨企业在具备一定DevOps经验之后又该如何处理下一步可能面临的状况。当然，这些只是我个人在接触自动化、面向客户服务之IT体系以及“谁构建、谁运行”方面事务的同时积累下的一些心得体
博客
将DevOps纳入企业环境引发的思考
10-13 6329
作者：亚马逊云科技企业市场战略总监Stephen Orban“发展是一种以渐进式改善为载体的持续性行为”——英德拉瓦蒂虽然DevOps可以算是相对新鲜的概念，不过在我看来、其本质思路很早之前就已经出现。从这个角度看，目前很多企业已经广泛接纳这一概念并将其作为文化性产物看待，具体而言就是将大量原本孤立的团队融合起来，从而实现速度更快、频率更高且更为可靠的工作成果。我个人非常幸运
博客
利用Amazon Machine Learning与Amazon Redshift建立二进制分类模型
09-07 8246
日常生活中的大部分决策都以二进制形式存在，具体来说就是这类问题能够以是或者否来回答。而在商业活动中，能够以二进制方式回答的问题也有很多。举例来说：“这种情况是否属于交易欺诈？”，“这位客户是否会购买该产品？”或者“这位用户是否存在流失风险？”等等。在机器学习机制中，我们将此称为二进制分类问题。很多商业决策都能够通过准确预测二进制问题的答案来得到强化。Amazon Michine Learning（
博客
利用Amazon Mobile Analytics与R深入探究移动应用的使用模式
08-31 6785
作者：Sandeep Atluri 亚马逊数据科学家要真正鼓励用户使用我们的移动应用程序，最重要的前提就是深入了解用户使用应用程序时的行为模式，而后据此作出体验优化。不过通过应用程序事件数据来找出有意义的模式往往极具挑战性，而标准KPI所提供的诸如月度活跃用户（简称MAU）以及每日活跃用户（简称DAU）并不足以勾勒出完整的图景。举例来说，所发布应用在过去三十天中的用户开启次数能够帮
博客
亚马逊云科技使用心得：当初我曾错过的那些宝贵经验
07-08 2万+
在今天的文章中，我整理出了大量当初曾经错过、而至今仍将我追悔莫及的亚马逊云科技（Amazon Web Services）使用心得。在几年来的实践当中，我通过在亚马逊云科技之上新手构建及部署各类应用程序而积累到了这些经验。虽然内容有些杂乱，但相信仍然能给各位带来一点启示。从物理服务器向“云环境”转移的过程不仅仅是一项技术任务，同时也意味着我们的思维方式需要作出针对性的转变。总体而言，在物理环境下我们
博客
利用MCP Servers，玩转Amazon S3元数据表数据洞察
04-25 33
这就是Amazon S3元数据和Amazon S3元数据表发挥作用的地方，这些强大的工具允许组织有效地组织、跟踪和查询大规模的对象元数据。提供了一种标准化的方式，将您的设备连接到各种外设和配件，MCP提供了一种标准化的方式，将AI模型连接到不同的数据源和工具。通过利用预构建的集成、享受提供商切换的灵活性，以及遵循数据保护的最佳实践，您可以更轻松地实现您的AI项目目标。您还可以去添加新的工具，例如允许应用程序根据自定义的元数据条件发现Amazon S3内容。这些表提供了一种强大而灵活的方式来查询和分析您的。
博客
基于 Amazon Nova 和 TEN 框架的实时音视频交互解决方案
04-25 603
随着人工智能技术的飞速发展，实时音视频交互应用逐渐成为市场热点。从智能语音助手到多模态教育平台，企业对高效、低延时且可扩展的解决方案需求日益增加。借助 Amazon Nova 系列模型、Amazon Transcribe 和 Amazon Polly 等亚马逊云科技服务，您可以轻松构建功能强大的实时音视频交互系统。本文将深入介绍这些服务如何协同工作，帮助开发者打造卓越的用户体验。在客户需求调研中，我们发现许多企业希望构建一个基于 AI 的实时音视频助手，以实现多模态的交互体验。
博客
Amazon Q 从入门到精通 – 集成企业代码库
04-24 972
此外，Amazon Q Developer 通过提供使用 Amazon Key Management Service（Amazon KMS）中客户管理的密钥加密您的定制数据的选项，帮助确保您代码的安全。根级别的任何文件都将被忽略。在 IDE 中使用创建好的 User 来登录 Amazon Q 之后，正常情况下，AmazonQ 的面板可以用快捷键来打开和关闭，对于苹果电脑，按下 Shift + Command + P 快捷键，对于 Windows 电脑，按下 Shift + Ctrl + P 快捷键。
博客
使用Amazon Q Developer构建企业自动化代码审核流程
04-24 15
传统的代码审核通常依赖于团队成员之间的相互审查，这不仅耗时，而且可能受到审核者经验和专业知识的限制。其主要功能包括代码生成、调试、故障排除和安全漏洞扫描，提供一站式代码服务，本文主要介绍其代码审核的能力。Amazon Q会检查集成到您的代码中的第三方组件、库、框架和依赖关系，确保第三方代码是安全和最新的。，该系统能够在开发者提交代码或创建合并请求时，自动分析代码变更，提供全面的审核意见，帮助团队保持高质量的代码标准。会自动审查您正在编写的文件，一旦在您的代码中检测到代码问题，就会立即生成代码问题。
博客
用Amazon Q Developer CLI构建平台跳跃游戏，全程无需编程！
04-24 15
提示词中文大意：参考项目https://github.com/clear-code-projects/PirateMaker中的代码方法和实现，用Python设计一款完整的平台游戏。分析一款公开的游戏项目作为基础知识参考，它生成了一款较完整的经典平台跳跃游戏架构，其中包含了复杂的关卡管理、物理系统和敌人系统等。进行修改的方法，对于设计一款真正全面的平台跳跃游戏来说是不够的。您可点击观看下方视频，体验这款完全由AI生成的游戏开发过程的沉浸式演示（体现了氛围编程的方法），供各位开发者参考。
博客
在Amazon Graviton上运行大语言模型，实测CPU推理性能
04-23 30
较小的8B模型由于参数体积更小，对计算资源的利用率更高，因此对实例硬件配置的差异会表现出更明显的性能差异。以模型DeepSeek-R1-Distill-Llama-8B-Q4_0.gguf为例，在确定运行4bit量化的8B参数模型所需的虚拟机vCPU和内存配置时，需综合考虑模型存储、计算需求和系统开销。随着vCPU核心数从8核增加到16核，再到24核，pp512的吞吐量也呈现出近乎线性的增长趋势，说明对于这类计算密集型的工作负载，增加更多的计算资源能够有效提升系统的。
博客
Werner Vogels：简单易用就是Amazon S3的核心优势
04-23 14
不过，在解决这一规模的问题时，还有一些更微妙的方面需要考虑：我们需要仔细评估桶名称数量增加带来的影响、程序化创建桶对应用设计的安全性影响，甚至涉及性能和用户界面（UI）的优化。但我当时并没有意识到，我们的工程团队会花这么多时间与Amazon S3客户的工程师交流，了解他们如何使用Amazon S3，而这些外部开发者的反馈对我们的功能优先级影响之大，远超我的想象。但现在，我想对“简单”做一点自我反思：在我提到的几乎所有例子中，我们对简单性的改进，实际上都是针对最初的功能，而这些功能在推出时并不够简单。
博客
Amazon Q 从入门到精通 – 加速构建亚马逊云基础设施
04-23 752
当反复交谈，得到了最终满足需要的提示词，即可在 Chat 窗口里输入/dev 并回车，使 Amazon Q 进入智能体模式，然后将上一个步骤的最终提示词输入后并回车，Amazon Q 将真正进行编码工作，在指定的目录里，创建出建议的 CDK 代码，如下图所示。缺点：CDK 代码本身有较大的学习成本，当开发人员具体为不同资源进行编码的时候，熟悉每一个资源的编码细节是必须的工作，为此，在实际编码的过程中，开发者不得不经常查阅开发手册，亦是十分耗时费力。
博客
使用Amazon Bedrock，运行MCP桌面客户端
04-22 32
us.anthropic.claude-3-7-sonnet-20250219-v1:0——适用于Claude Sonnet 3.7。该设置与Claude桌面设置不同的是，您只需执行相应的命令即可。作为一位生成式AI专家，Ninad拥有丰富的人工智能与机器学习经历，曾与咨询公司、初创企业以及不同行业领域的企业客户合作。MCP桌面客户端提供了基于GUI的接口，使用户无需编写代码即可在本地设置MCP工具或第三方工具。然后在“命令”一栏中，使用刚才提取的命令，点击“添加”后，第一个MCP设置完成。
博客
Amazon GameLift高阶使用技巧：部署游戏引擎专用服务器
04-22 41
这种容器化部署方案不仅简化了游戏服务器的管理流程，还提供了更好的资源利用率和扩展能力，使开发团队能够专注于提升玩家体验。同时，借助Amazon GameLift提供的会话管理、自动伸缩和监控告警等功能，开发团队可以更轻松地保障游戏服务的稳定性和玩家体验。容器组用于运行游戏服务器应用程序，是托管游戏会话和玩家的必需组件。是一个配置蓝图，用于定义如何将容器化游戏服务器部署到容器机群中，包含游戏服务器容器和支持容器的配置信息。在快速发展的游戏行业中，游戏服务器的部署和维护一直是开发团队面临的重要挑战。
博客
大语言模型助力 Support Case 分析，提升云服务效率
04-22 1056
利用大语言模型整理技术工单（Support Case）具有显著价值，可通过分析大量案例识别常见问题、建立知识库、制定培训计划、支持决策及预测需求。方案采用 EventBridge 定时触发 Lambda 函数，通过 Support API 整理工单数据，将其存储至 S3，利用 SageMaker 或 Bedrock 进行分析，分类问题类型并生成总结报告。分析结果可在 QuickSight 上展示，支持企业优化资源分配和服务策略。该解决方案架构清晰、成本低廉，为企业提供高效的技术支持工单管理与分析能力。
博客
基于亚马逊云科技 Amazon Bedrock Tool Use 实现 Generative UI
04-21 966
因此，一个更优的方案是利用 LLM 的 Tool Use（工具调用）能力，通过预定义的函数接口来生成标准化的 Web 前端组件。数据查询：将自然语言转换为结构化查询语言（比如 GraphQL 或自定义查询 DSL），尤其是 text2sql 场景，LLM 生成的 SQL 直接运行查询并不可靠，而且还需要做额外的提示词工程来规避不同计算引擎 SQL 语法兼容性的问题；虽然 LLM 具备生成 HTML/CSS 代码的能力，但这种方式往往缺乏标准化和可靠性，生成的代码质量参差不齐，难以维护和复用。
博客
Amazon GameLift高阶使用技巧：FlexMatch优化游戏匹配
04-21 37
在standalone模式中，由于不会真实的拉起服务器，因此没有GameSessionInfo相关信息，需要等待Amazon SNS的MatchMakingSucceeded的事件，比如以下示例。关于acceptance timeout seconds设置的建议，考虑到接受event的速度，响应调用API耗时，偶尔的网络抖动等原因，可以考虑先设置为5-10秒。*注意：为了模拟玩家因为分开池子后的减少情况，本例会在非全匹配的模式中，加倍每个请求的随机等待时间，比如原来只有1-3秒，现在变为2-6秒。
博客
效率提升70%！基于RAG和Dify打造智能销售话术推荐系统
04-21 32
下图是基于Dify构建的工作流示意，基于诸如LLM节点、代码执行模块等多种组件，通过拖拉拽和简单的配置，即可快速搭建LLM应用，不需要开发能力。此外，为了提高数据块的信息密度，可以考虑利用LLM作为事实提取器，从原始文档中筛选和提炼关键信息。亚马逊云科技解决方案顾问，致力于云计算、生成式AI的市场挖掘和洞察分析，具有丰富的云和AI咨询经验，为客户提供数字化转型咨询，帮助加速企业客户业务发展和创新。技术，以更精细的方式计算查询与文档之间的匹配度，相比于仅基于向量相似度的检索方式，能够提供更高质量的结果。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值