AWS MCP Servers Samples 全面测评

1 模型概述

AWS MCP Servers Samples 是一个开源项目集合，它展示了如何在多种编程语言和框架中实现 Model Context Protocol (MCP) 服务器。MCP本身是一个开放的协议，它使得LLM应用与外部数据源和工具之间的无缝集成成为可能。这些示例服务器充当了AI模型与外部资源（如AWS服务、数据库、文件系统等）之间的桥梁，极大地扩展了AI模型的能力。

1.1 核心能力

该项目中的MCP服务器示例具备多样化的能力，主要包括：

• 数据访问与集成：安全地连接和操作各种数据源，如文件系统（包括类似Google Drive的云存储）、PostgreSQL、SQLite数据库等，使LLM能够读取、查询和处理结构化与非结构化数据。

• 开发工具联动：与常用开发工具集成，例如 Git、GitHub、GitLab，允许AI模型执行读取仓库、搜索代码、管理问题等操作。

• 云服务与成本管理：这是AWS MCP示例的特色之一。例如 Cost Analysis MCP Server 和 aws-finops-mcp-server 可以自然语言查询和分析AWS成本与使用情况，识别浪费的云资源，并生成优化建议报告。

• 基础设施即代码（IaC）：AWS CDK MCP Server 和 AWS Terraform MCP Server 可以帮助AI助手基于最新API和最佳实践来生成或分析基础设施代码。

• 其他工具扩展：项目还展示了与 Slack、Google Maps、浏览器自动化工具（如Puppeteer） 等集成的示例，覆盖了沟通、地理位置信息和Web交互等多种场景。

1.2 主要技术特点

• 标准化协议：MCP提供了一种开放标准，简化了AI模型与外部工具的集成过程，改善了不同组件间的兼容性。

• 多语言支持：示例覆盖了TypeScript、Python、Java/Kotlin（Spring AI）等多种语言和技术栈，开发者可以选用自己熟悉的技术。

• 灵活通信：支持 Server-Sent Events (SSE) 和标准输入输出（stdio） 两种通信协议，适应不同部署环境（本地、容器、云服务器）。

• 安全保障：通常内置权限控制和日志记录机制，确保数据交互的安全性。许多服务器（如FinOps服务器）强调AWS凭证安全地保留在本地。

• 可扩展性：开发者可以基于这些示例，实现额外的MCP处理器来添加自定义业务逻辑，同时保持协议兼容性。

1.3 应用场景

AWS MCP Servers Samples适用于多种需要增强AI模型能力的场景：

• 云成本优化与FinOps： 云架构师或财务运维（FinOps）团队可以利用成本分析类MCP服务器，通过自然语言对话快速获取云资源使用报告、发现成本异常并接收优化建议。

• AI辅助的云原生开发： 开发者可以借助CDK或Terraform MCP服务器，让人工智能助手协助编写、审查符合AWS最佳实践的基础设施代码，提升开发效率和质量。

• 智能客服与知识库检索： 集成类似Bedrock知识库检索MCP服务器的项目，可以构建能智能回答专业问题的客服机器人，它能从企业知识库中精准获取信息。

• 企业内部数据查询与分析：通过连接数据库、文件系统或内部API的MCP服务器，员工可以用自然语言查询企业数据，而无需编写复杂的SQL或程序代码。

• 自动化工作流：结合Git、Slack等工具型MCP服务器，可以构建自动化工作流，例如代码提交后自动生成变更摘要并通知相关频道。

2 安装与部署方式

安装和配置MCP服务器通常涉及几个关键步骤：准备环境、安装服务器本身、以及在您选择的MCP客户端中进行配置。下面我将分系统介绍。

2.1 前置准备工作

无论哪种系统，都需要先完成以下准备工作：

1. 安装 Python 和 pip：许多MCP服务器由Python编写。请从Python官网下载并安装最新版本（推荐3.10或以上）。pip 通常会随之安装。

2. 安装 UV（推荐）：uv 是一个快速的Python包安装器和解析器，由Astral开发。安装UV能加速后续操作。

   bash

   # 在Linux/macOS上安装uv
   curl -LsSf https://astral.sh/uv/install.sh | sh
   # 在Windows上（PowerShell）
   powershell -c "irm https://astral.sh/uv/install.ps1 | iex"

   安装后，请重启终端或按照提示将UV添加到您的PATH环境变量中。

3. 配置AWS凭证（如果需要访问AWS服务）：对于需要与AWS服务（如Cost Explorer, S3等）交互的MCP服务器，您需要配置有效的AWS凭证。

   • 安装并配置AWS CLI：遵循官方指南安装AWS CLI，然后运行 aws configure 输入您的 AWS_ACCESS_KEY_ID、AWS_SECRET_ACCESS_KEY、默认区域等。

   • 确保配置的IAM用户/角色具有MCP服务器所需的最小权限（例如，成本分析服务器需要 ce:Get* 等权限）。

2.2 Windows系统安装与配置

以安装 Cost Analysis MCP Server 为例：

1. 打开PowerShell：以管理员身份运行。

2. 使用UV安装MCP服务器：UV会自动处理依赖和虚拟环境。

   powershell

   # 使用uvx直接运行（推荐，无需永久安装）
   uvx awslabs.cost-analysis-mcp-server
   # 或者先安装包
   uv pip install awslabs.cost-analysis-mcp-server

3. 验证安装：如果安装成功，通常不会有错误输出。您也可以尝试运行 uvx awslabs.cost-analysis-mcp-server --help 查看帮助信息。

4. 配置MCP客户端（以Claude for Desktop为例）：

   • 找到Claude的MCP配置文件。通常在 %USERPROFILE%\AppData\Roaming\Claude\mcp.json。

   • 用文本编辑器编辑此文件（如果不存在则创建），添加服务器配置：

     json

     {
       "mcpServers": {
         "aws-cost-analysis": {
           "command": "uvx",
           "args": ["awslabs.cost-analysis-mcp-server@latest"],
           "env": {
             "AWS_PROFILE": "your-profile-name" // 指定AWS配置文件名，如果需要
           }
         }
       }
     }

   • 保存文件并完全重启Claude。在Claude的新对话中，您应该能看到服务器激活的通知。

2.3 macOS系统安装与配置

在macOS上，流程与Windows类似，通常更简单。

1. 打开终端（Terminal）。

2. 安装MCP服务器：

   bash

   # 使用uvx安装并运行
   uvx awslabs.cost-analysis-mcp-server

3. 配置MCP客户端（以Cursor代码编辑器为例）：

   • Cursor的配置文件位于 ~/.cursor/mcp.json。

   • 编辑此文件：

     json

     {
       "mcpServers": {
         "aws-cost-analysis": {
           "command": "uvx",
           "args": ["awslabs.cost-analysis-mcp-server"]
         }
       }
     }

   • 保存文件并重启Cursor。在Cursor中，您就可以向AI助手询问AWS成本相关的问题了。

2.4 Linux系统安装与配置

在Ubuntu、CentOS等Linux发行版上，流程与macOS几乎完全相同。

1. 打开终端。

2. 安装系统可能缺失的依赖（视具体服务器而定）：

   bash

   # 在Ubuntu/Debian上
   sudo apt update
   sudo apt install -y build-essential python3-dev # 可能需要的编译工具

3. 安装并配置MCP服务器：步骤与macOS完全一致，使用 uvx 安装并在您选择的客户端中配置 mcp.json。

2.5 安装常见问题与解决方案

关键提示：大部分MCP服务器都通过 uvx 安装和运行，这是一种非常简洁的方式。核心配置在于客户端的 mcp.json 文件，一定要确保其路径和格式正确。

3 配套客户端

MCP服务器需要与支持MCP协议的客户端配合使用才能发挥作用。以下是几个主流且兼容AWS MCP Servers的客户端：

表：兼容AWS MCP Servers的主要客户端

这些客户端大部分都采用编辑JSON配置文件的方式来添加和管理MCP服务器。配置完成后，通常需要重启客户端才能生效。

4 案例讲解：使用Cost Analysis MCP Server分析云成本

让我们模拟一个云架构师小张的实际工作场景。小张需要快速分析其上个月在AWS上的主要开销来源，并找出潜在的优化点。

4.1 场景模拟

1. 角色：云架构师 / DevOps工程师 / 财务运维（FinOps）

2. 痛点：AWS成本管理控制台数据庞大，手动筛选费时费力，希望快速直观地获取洞察。

3. 目标：通过自然语言与AI助手对话，快速查询成本数据，生成报告。

4. 工具：Cost Analysis MCP Server5 + Claude Desktop

4.2 操作步骤与代码示例

1. 安装服务器：小张已在电脑上通过PowerShell执行了 uvx awslabs.cost-analysis-mcp-server 完成了服务器的安装。

2. 配置客户端：小张在Claude的 mcp.json 文件中配置好了该服务器。

3. 开始对话：小张打开Claude，新建一个对话。Claude自动提示检测到新的MCP服务器工具。小张开始提问：

   “帮我查询一下上个月AWS成本最高的三项服务是什么？并用表格形式展示。”

   Claude在背后调用了Cost Analysis MCP服务器提供的工具（可能是 query_cost_data 或类似功能），该工具通过AWS SDK和Cost Explorer API获取数据并返回给Claude，Claude再组织成人类可读的格式回复给小张。

4. 进阶查询：小张根据初步结果继续追问：

   “为什么Elastic Compute Cloud (EC2)的成本这么高？能否分析一下可能的原因并提供一些优化建议？”

   MCP服务器可能会提供更深入的分析工具，或者Claude可以结合之前的成本数据和其自身的知识库来生成优化建议（例如检查实例使用率、推荐预留实例、发现空闲实例等）。

4.3 代码与配置片段

虽然MCP服务器本身是开源的，但其价值在于被客户端调用。对于开发者而言，更关心的是如何创建自己的MCP服务器。以下是一个极度简化的Python示例，展示了MCP服务器可能的结构：

# 示例：一个简化的MCP服务器框架 (基于Python FastMCP概念)
# 注意：这是一个概念演示，非aws-cost-analysis服务器的真实代码。

from fastmcp import FastMCP
import boto3
from datetime import datetime, timedelta

# 初始化MCP服务器，命名
mcp = FastMCP("AWS-Cost-Server")

# 定义一个可供AI客户端调用的"工具"
@mcp.tool()
def get_top_cost_services(time_period: int = 30) -> str:
    """获取指定时间内成本最高的AWS服务。

    Args:
        time_period (int): 要查询的天数，默认为30天。

    Returns:
        str: 包含成本数据的格式化字符串。
    """
    # 1. 使用Boto3创建Cost Explorer客户端
    client = boto3.client('ce')

    # 2. 计算时间范围
    end_date = datetime.now().date()
    start_date = end_date - timedelta(days=time_period)

    # 3. 构建查询请求
    response = client.get_cost_and_usage(
        TimePeriod={
            'Start': start_date.isoformat(),
            'End': end_date.isoformat()
        },
        Granularity='MONTHLY',
        Metrics=['UnblendedCost'],
        GroupBy=[{
            'Type': 'DIMENSION',
            'Key': 'SERVICE'
        }]
    )

    # 4. 处理响应，提取前3名服务
    services = []
    for group in response['ResultsByTime'][0]['Groups']:
        service_name = group['Keys'][0]
        cost = group['Metrics']['UnblendedCost']['Amount']
        services.append((service_name, float(cost)))

    services_sorted = sorted(services, key=lambda x: x[1], reverse=True)[:3]

    # 5. 格式化结果 (AI客户端会收到这个结果并进行展示)
    result_string = "| 服务名称 | 成本 (USD) |\n|----------|------------|\n"
    for service, cost in services_sorted:
        result_string += f"| {service} | ${cost:.2f} |\n"

    return result_string

# 启动服务器
if __name__ == "__main__":
    mcp.run(transport='stdio')  # 也可以使用 'sse'

这个示例代码展示了MCP服务器的核心思路：

• 使用 @mcp.tool() 装饰器将函数暴露为AI模型可调用的工具。

• 工具内部使用AWS SDK（Boto3）调用真正的AWS API（这里是Cost Explorer）获取数据。

• 将获取到的数据格式化成字符串（如Markdown表格）返回。

• AI客户端（如Claude）会收到这个结果，并可能进一步美化或解释后呈现给用户。

5 使用成本与商业价值

5.1 使用成本评估

使用AWS MCP Servers Samples项目本身基本上是零货币成本的，因为它是开源项目。主要的成本可能体现在以下几个方面：

1. 基础设施资源成本：

   • 极低：MCP服务器通常运行在本地开发机上，计算和内存消耗很小，几乎可忽略。

   • 如果调用AWS服务（如Cost Explorer API、S3、EC2等），可能会产生标准的API请求费用和数据检索费用。但这些费用通常极其低廉，尤其是对于查询操作。

2. 人力成本：

   • 学习与配置成本：开发者需要花费一些时间理解MCP概念、安装和配置服务器与客户端。项目提供的丰富示例能有效降低这部分成本。

   • 开发与定制成本：如果基于样本进行二次开发以适应企业内部特定需求，则需要投入相应的开发工时。

3. 客户端成本：

   • 如前面所述，大部分优秀的MCP客户端（如Claude, Cursor免费版, Amazon Q）目前均可免费使用。

5.2 商业价值与收益

尽管需要投入一些学习和配置时间，但成功部署和应用MCP服务器能带来的商业价值是显著的：

1. 提升开发与运维效率：这是最直接的价值。通过自然语言交互快速完成查询、代码生成、基础设施编排等任务，将员工从繁琐的重复性操作和上下文切换中解放出来，使其能更专注于高价值的创新工作。例如，一句问答替代了在AWS控制台多次点击筛选和导出数据。

2. 降低云资源浪费，优化成本：Cost Analysis/FinOps类服务器能帮助企业快速识别并消除资源浪费（如闲置实例、未挂载的存储），直接转化为云支出的下降。这对于资源规模较大的企业来说，价值巨大。

3. 降低专业知识门槛：非专家员工（如产品经理、财务人员）也可以通过自然语言对话，获取原本需要复杂SQL查询或技术知识才能得到的数据洞察，赋能更多角色参与数据驱动决策。

4. 增强AI能力集成度：提供了一种标准化、可复用、且安全的方式将企业内部的工具、数据和API赋能给AI助手，打破了LLM训练数据陈旧和缺乏私有知识的壁垒，使得AI助手在企业内部变得更加有用和强大。

5. 未来竞争力：提前布局和探索AI与现有工作流深度集成的模式，为未来更广泛的AI应用场景积累经验，构建组织在AI时代的竞争优势。

总结来说，AWS MCP Servers Samples项目是一个“低投入、高潜在回报”的典范。它为企业和个人开发者提供了一个绝佳的试验场，去探索和实践如何利用MCP协议将AI能力无缝、安全、强大地集成到日常工作和业务流程中，最终实现降本增效和赋能创新的商业目标。

希望这份详细的测评能帮助您全面了解AWS MCP Servers Samples项目。如果您有任何其他问题，欢迎随时提出！

关注 “悠AI” 更多干货技巧行业动态