agent-toolkit-for-aws
aws/agent-toolkit-for-aws加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
想象一下这样的场景：你让 AI 助手帮你创建一个高可用的 WordPress 部署，AI 输出的架构图看起来很专业——然后你发现它用的是 t2.micro 来跑生产数据库，用的是单 AZ 架构，还把密钥直接硬编码在了代码里。这样的「AI 助手写 AWS 代码」的故事，在过去一年里几乎每个云工程师都听过或亲身经历过。
问题的根源并不在于 AI 模型不够聪明，而在于：通用的 AI 模型对 AWS 的具体服务能力、IAM 权限设计、最佳实践一无所知。每次都要靠工程师手动喂文档、贴配置，效率极低。
2026 年 5 月 6 日，AWS 正式发布了 Agent Toolkit for AWS（GA 版本），这是亚马逊官方推出的、专门为 AI 编码助手打造的 AWS 工具包。它不仅告诉 AI「AWS 能做什么」，更教会 AI「AWS 应该怎么做」，是一套从技能包（Skills）、MCP 服务器、插件到规则文件的完整解决方案。
图为 AWS 官方 GitHub 组织头像，代表该项目的权威背书。
早在 2025 年，AWS 就通过 AWS Labs 陆续发布了一系列 MCP 服务器、技能包和插件，比如 aws-api-mcp-server、aws-documentation-mcp-server 等。这些工具散落在不同的仓库中，质量参差不齐，文档不统一，缺乏官方维护——彼时只能算「社区级」的支持。
随着 Claude Code、Codex、Cursor、Kiro 等 AI 编码助手逐渐成为开发者的日常工具，AWS 意识到：如果 AI 助手不了解 AWS，企业采用 AI 辅助开发的效率就会大打折扣。于是，AWS 将 Labs 时期的所有工具整合重构，正式推出 Agent Toolkit for AWS，作为官方支持的唯一路径。
与 Labs 时期的工具相比，GA 版本有三大核心优势：
Agent Toolkit for AWS 采用了清晰的三层架构设计，从上到下依次是：插件（Plugins）→ 技能（Skills）→ 规则（Rules），底层由 AWS 托管的 MCP 服务器提供运行时能力。
插件是最高级别的分发单元，将 MCP 服务器配置和一组精选技能打包在一起，安装一个插件就同时获得两者的能力。目前官方提供 5 个插件：
| 插件名称 | 定位 |
|---|---|
aws-core | 核心插件（推荐起点）：涵盖 CDK/CloudFormation、Serverless、容器、存储、可观测性、计费、SDK 使用等 |
aws-agents | 在 AWS 上构建 AI Agent：使用 Amazon Bedrock 和 AgentCore |
aws-data-analytics | 数据湖、分析和 ETL 工作流：S3 Tables、AWS Glue、Athena |
aws-agents-for-devsecops | DevSecOps 全套能力：安全扫描、渗透测试、UAT 检查 |
aws-startup-advisor | 创业公司 AWS 指导：基于 35 万+ 创业公司实践，覆盖迁移、成本、安全 |
插件目前支持 Claude Code、Codex 和 Cursor，其他 Agent 通过直接配置 MCP 服务器接入。
技能是整个工具包的核心价值所在。每个技能是一个 Markdown 文件（SKILL.md）加上可选的参考文档目录（references/），定义了完成特定 AWS 任务的完整操作流程。
技能目录分为两大类：
核心技能（core-skills） 覆盖 AWS 的核心服务领域：包括 amazon-bedrock、aws-cdk、aws-cloudformation、aws-serverless、aws-containers、aws-database、aws-storage、aws-networking、aws-security 等 24 个方向。每个目录下是一个独立技能包，提供该领域从入门到生产级配置的最佳实践。
专业技能（specialized-skills） 则面向更垂直的场景，如 analytics-skills（分析）、ec2-skills（计算）、database-skills（数据库）、migration-and-modernization-skills（迁移现代化）等。
技能的加载机制是按需加载：AI 助手只有在任务需要时才去 MCP 服务器查询相关技能，读取对应的 SKILL.md 指导文件，任务完成后释放。这与传统的把所有文档都塞入上下文的做法相比，Token 消耗从「数万」降到「数千」，成本和延迟都大幅降低。
规则文件是项目级别的配置文件，告诉 AI 助手在所有会话中都要遵循的 AWS 操作规范。例如：优先使用 AWS MCP 服务器进行 API 调用、开始任务前先查询可用技能、用 IaC（基础设施即代码）替代直接 CLI 命令等。团队可以将规则文件提交到代码仓库，实现团队级别的统一约束。
AWS MCP 服务器是整个工具包的运行时引擎，它是一个由 AWS 托管的远程服务器，通过 Model Context Protocol（MCP）标准协议与 AI 助手通信，提供四大核心能力：
call_aws：通过 SigV4 签名认证，访问 300+ AWS 服务的完整 API，覆盖所有区域。run_script：在沙箱化的 Python 环境中执行多步脚本（无本地文件系统和网络访问权限，安全隔离）。search_documentation：实时搜索 AWS 官方文档，无需认证即可获取最新 API 参考和最佳实践。retrieve_skill：按需发现和加载仓库中的技能包。MCP 服务器本身无需用户管理终端节点，AWS 在全球多个区域托管，连接地址统一为 https://aws-mcp.{region}.api.aws/mcp。
Agent Toolkit 的安装极度轻量——不需要部署任何服务器，因为 MCP 服务器本身由 AWS 托管。
# 安装 aws-core 插件（一行命令搞定）
/plugin install aws-core@claude-plugins-official
# 更新插件市场（如提示插件未找到）
/plugin marketplace update claude-plugins-official
# 重载插件
/reload-plugins
# 验证安装
# 开始新对话，输入：「us-west-2 有哪些可用区？」
# AWS CLI v2.35+ 内置支持
aws configure agent-toolkit
# 按向导提示完成区域和认证配置
# 安装 uv（唯一必须依赖）
curl -LsSf https://astral.sh/uv/install.sh | sh
# MCP 服务器配置（添加到 Agent 的 mcp.json）
{
"mcpServers": {
"aws": {
"command": "uvx",
"args": ["mcp-proxy-for-aws-cli@latest",
"https://aws-mcp.us-east-1.api.aws/mcp",
"--metadata", "AWS_REGION=us-west-2"]
}
}
}
# 安装本地技能包
npx skills add aws/agent-toolkit-for-aws/skills
在 Settings → Plugins → Team Marketplaces → Add Marketplace 中导入 aws/agent-toolkit-for-aws 仓库，Cursor 会自动索引所有插件，在插件面板中一键安装。
这是 Agent Toolkit 与社区工具差距最大的地方，也是企业最关心的部分。
最小权限原则：工具包内置了 aws:AgentIAMConditionKey IAM 条件键，允许管理员写这样的策略——即使 IAM 角色的实际权限覆盖了 s3:*（完全控制），但通过 MCP 服务器的 Agent 操作只能执行 s3:GetObject（只读）。这意味着：可以在不修改任何 IAM 权限的前提下，限制 AI Agent 只能读不能写。
审计全覆盖：每次 MCP 调用都会记录到 CloudTrail，每分钟的操作数、错误率等指标进入 CloudWatch。企业可以设置告警，当 Agent 操作频率异常时自动通知管理员。
分阶段开放：AWS 官方建议的团队推广路径是「先只读 → 熟悉后逐步开放写入权限」，而不是一开始就给 Agent 完整的写入能力。规则文件 .agents/aws-agent-rules.md 内置了这一最佳实践。
需要特别说明的是，AWS Labs 时期的 MCP 服务器（如 awslabs/aws-api-mcp-server、awslabs/aws-documentation-mcp-server）目前仍在维护和接受贡献，但官方推荐路径已全面转向 Agent Toolkit。AWS 承诺会逐步将 Labs 中经过验证的工具迁移到 Agent Toolkit 中。
如果你已经在使用 Labs 工具，可以继续使用，但建议关注 Agent Toolkit 的更新，逐步迁移以获得更好的安全性和可观测性。
Agent Toolkit 并非完美，以下几点需要特别注意：
1. 托管 MCP 服务器依赖 AWS 区域：虽然 AWS 在多个区域部署了 MCP 服务器，但如果企业业务在特定区域（如北京 cn-north-1），需要确认 MCP 服务器是否已支持该区域。文档显示主要覆盖 us-east-1、us-west-2 等主流区域。
2. 沙箱脚本限制：MCP 服务器的 run_script 在无网络和文件系统的沙箱中运行，因此 Agent 无法直接读写本地文件或调用外部 API。如果任务涉及本地文件操作，需要通过其他方式完成。
3. uv 依赖：所有 MCP 服务器的连接方式都依赖 uvx（Astral 的 Python 包执行工具），如果企业环境有网络隔离，需要提前将 uv 纳入白名单或离线安装。
4. 技能包版本管理：技能包通过 npx skills add 安装，版本跟随 GitHub 仓库主分支（main），无版本锁定机制。建议定期更新以获取最新 AWS 最佳实践，但也要注意与生产环境的兼容性测试。
5. IAM 条件键的采用门槛：AWS 官方在 2025 年底才引入 aws:AgentIAMConditionKey，企业需要升级 IAM 策略语法才能充分利用这一能力，对于已有复杂 IAM 配置的企业来说迁移有一定成本。
Agent Toolkit for AWS 的发布，标志着 AWS 在「AI 原生云服务」方向迈出了关键一步。它解决的不是「AI 能否写代码」的问题，而是「AI 写的代码是否安全、是否符合最佳实践、是否可审计」的问题。
从更宏观的角度看，Agent Toolkit 体现了云厂商的一种新思路：不再把 AI 助手视为一个需要用户自行配置的外部工具，而是作为云服务的一部分，提供与 IAM、CloudTrail、CloudWatch 同等级别的企业级保障。这种「云服务化」的 AI 工具路径，可能会成为未来各大云厂商的标配。
如果你是 AWS 开发者，现在 Agent Toolkit 已经在 Anthropic 的官方插件市场（claude-plugins-official）上架，Claude Code 用户只需一条命令就能安装。对于 AI 爱好者来说，这也是一个了解 AI Coding Agent 实际工作原理的绝佳切入点——通过阅读技能包的 SKILL.md 文件，你可以清楚地看到 AI 是如何「被教会」写 CloudFormation 模板的。
链接资源：
/plugin marketplace add aws/agent-toolkit-for-aws