AWS MCP Server：给AI编程助手装上AWS全家桶

2025年，当Cursor、Claude Desktop、Cline等AI编程工具逐渐成为开发者日常标配，一个棘手的问题浮出水面：这些"聪明"的AI助手，能帮你写代码、解释逻辑，却对亚马逊云服务（AWS）一无所知。你想让AI帮你查询CloudWatch的报错日志？让它列出S3桶里的文件？还是自动调用Lambda函数处理数据？答案是——AI助手根本不知道AWS是什么，更别提用什么接口去操控它。

这就是AWS Labs推出开源MCP Server套件的初衷：给AI编程工具装上"AWS适配器"，让大模型真正能够操作云资源。

什么是MCP协议？为什么它能解决这个痛点

MCP（Model Context Protocol，模型上下文协议）由Anthropic在2024年末开源，是为大语言模型与外部工具之间通信设计的标准化接口。你可以把它理解为USB-C协议——有了它，AI不需要为每种云服务写专门的驱动程序，只需对接MCP，就能统一调用所有支持MCP的工具。

AWS Labs将这个思路发挥到了极致：他们不是做一个"大一统"的AWS MCP Server，而是把每个AWS服务拆成独立的MCP Server。目前仓库已收录超过60个独立Server，覆盖从计算（Lambda）、存储（S3）、数据库（DynamoDB、RDS）、监控（CloudWatch）到AI/ML（Bedrock、SageMaker）等几乎所有主流AWS服务。每个Server专注做好一件事，通过MCP协议暴露工具（Tools）、触发资源（Resources）和业务事件（Prompts）。

换句话说：MCP Server就是AI与AWS之间的"翻译官"。开发者告诉AI"帮我查一下过去24小时Lambda的错误日志"，AI通过MCP协议调用对应的cloudwatch-mcp-server，拿到数据，再返回给你。

图1：在Cline中勾选所需的AWS MCP Servers，安装过程极为简便

核心Server一览：覆盖AWS全生态

这套MCP Server套件按功能可以划分为六大类别：

开发者工具与支持：

• aws-api-mcp-server：通用AWS API网关，通过MCP暴露所有AWS API
• lambda-tool-mcp-server：Lambda函数管理与执行
• aws-iac-mcp-server：基础设施即代码辅助

监控与运维：

• cloudwatch-mcp-server：CloudWatch指标查询与告警管理
• cloudtrail-mcp-server：AWS API调用审计追踪
• billing-cost-management-mcp-server：成本与账单分析

数据库与存储：

• dynamodb-mcp-server：DynamoDB表操作与数据查询
• aurora-dsql-mcp-server：Aurora DSQL分布式SQL

AI与机器学习：

• bedrock-kb-retrieval-mcp-server：Amazon Bedrock知识库检索
• sagemaker-ai-mcp-server：SageMaker端点管理与模型部署

数据与分析：

• aws-dataprocessing-mcp-server：ETL与数据处理流水线
• redshift-mcp-server：Redshift数据仓库查询
• prometheus-mcp-server：Prometheus指标拉取

集成与消息：

• amazon-sns-sqs-mcp-server：SNS主题订阅与SQS队列消息
• amazon-translate-mcp-server：实时文本翻译

图2：每个MCP Server通过IAM Role进行AWS身份认证，支持多Profile切换

技术架构：每个Server都是一个独立微服务

从代码结构来看，每个MCP Server都是独立的Python项目（Python 3.13），遵循统一目录规范：

src/{service}-mcp-server/
├── awslabs/           # 核心业务代码包
├── tests/             # pytest测试套件（完整）
├── pyproject.toml     # Hatchling构建配置
├── Dockerfile         # 多阶段容器构建（amazonlinux基础）
├── uv.lock            # uv锁定的依赖版本
└── docker-healthcheck.sh

关键技术选型：

• Python 3.13 + Hatchling：现代Python打包
• uv：极速包管理器
• boto3：AWS SDK，所有与AWS服务的交互底层均走boto3
• mcp[cli]>=1.23.0：Model Context Protocol Python SDK
• Pydantic v2：结构化数据建模与验证
• Ruff：极速代码检查（E/F/I规则集）+ pytest-cov覆盖率追踪

Docker多阶段构建是一大亮点：先用完整编译工具镜像安装依赖，再用干净基础镜像运行，降低最终镜像体积。

图3：Cline编辑器中安装AWS MCP Server扩展的流程示意

如何使用：10分钟上手指南

第一步：安装MCP Host——支持MCP的AI编程工具（如Cline、Cursor、Claude Desktop）都可以作为Host，目前官方推荐Cline + Amazon Bedrock组合。

第二步：配置AWS凭证——支持AWS Profile选择器（配置~/.aws/credentials）或环境变量注入，每个Server根据需要配置对应IAM权限策略。

图4：选择Amazon Bedrock作为后端大模型

第三步：勾选需要的Server——在MCP Servers面板搜索"AWS"，勾选所需Server，工具自动安装依赖并配置MCP连接。

第四步：开始对话——用自然语言操控AWS，例如：

• "查看us-east-1区域过去一小时的Lambda错误日志"
• "列出所有S3桶并统计总大小"
• "部署一个处理图片的Lambda函数"

局限性与挑战

1. IAM权限配置复杂：每个Server需要精确IAM策略，跨服务操作需要手动串联Policy，对新手不友好。

2. 生产级安全风险：AI工具调用是双刃剑，Prompt注入可能导致AWS资源被误操作。建议始终在最小权限原则下运行，并开启CloudTrail完整审计。

3. Server之间缺乏协调：目前各Server独立运行，多Server工作流需要外部编排工具串联。

4. 官方已在推新套件：AWS已于2026年5月推出Agent Toolkit for AWS作为正式继任者，引入了IAM条件键区分AI动作与人工动作、CloudWatch/CloudTrail可见性等生产级特性。MCP Servers继续维护，但新功能将迁移至Agent Toolkit。

图5：通过Cline自定义指令让AI在特定场景下自动调用对应MCP Server

行业意义与未来展望

AWS MCP Server套件的出现具有标志性意义：它证明了"AI + 云服务"深度集成是可行的、标准化的必要。截至目前，项目在GitHub已获得超过9100颗星，577个Issue，活跃度极高。

AI编程工具正在从"代码补全"进化为"自动化工作流引擎"。MCP协议作为中间层，让AI与云平台解耦——既可接入AWS，也可接入Azure、GCP甚至私有云。这套架构为未来"AI自主运维"（AIOps）奠定了基础。

随着Agent Toolkit for AWS的发布，AWS正在将这一能力从"实验"升级为"官方产品"。对AI开发者而言，理解MCP协议、掌握AWS MCP Server的使用，将成为云时代的新基础技能。

图6：完整的MCP Server配置后，AI编程工具可以在同一界面中统一管理所有AWS服务交互