关于 Sample Model Context Protocol Demos
这是一组使用 AWS 构建 Agentic AI 的示例项目,演示如何结合 Amazon Bedrock 使用 Model Context Protocol。适合希望参考部署方式的开发者。
主要功能
- 01Amazon Bedrock Converse API 客户端示例
- 02MCP stdio 与 SSE 传输示例
- 03基于 ECS 的容器化部署示例
- 04pgvector RAG 与 MCP 服务结合示例
适用场景
- 01在本地通过 stdio 连接 Bedrock 与 MCP 服务
- 02在 ECS 上部署 MCP 服务与 Agent
- 03构建带 RAG 与预约管理的 Agent
MCP 相关
示例包含 MCP 服务与 MCP 客户端,客户端通过 stdio 或 SSE 与服务通信。
配置
本地服务的配置在各客户端中通用,复制后粘贴到客户端的 MCP 配置文件即可。
暂未收录安装方式
我们还没有获取到这个服务的安装包或远程地址,请按项目 README 中的说明安装。
工具
还没有获取到工具列表
本地服务需要在你的电脑上运行后才能读取工具,维护者暂未提供工具列表。
详细介绍
Agentic AI 示例
使用 AWS 构建 Agentic AI 的示例集合,其中包括 Model Context Protocol。
模块列表:
| 模块 | 语言 | 描述 |
|---|---|---|
| Server Client MCP/SSE Demo | TypeScript | 这个完整示例使用 converse API 和 MCP 服务创建 Amazon Bedrock MCP 客户端。示例部署在容器中,并通过 MCP/SSE 连接。 |
| Server Client MCP/stdio Demo | Python | 这是一个使用 converse API 和简单 MCP stdio 服务的 Amazon Bedrock MCP 客户端示例。示例在本地运行,并连接到 Amazon Bedrock。 |
| Server Client MCP/SSE on ECS | Spring AI & Kotlin | 提供一个运行在 ECS 上的 Spring AI MCP 服务示例;该服务由一个使用 Bedrock 的 Spring AI Agent 调用;该 Agent 也运行在 ECS 上,并通过负载均衡器公开访问。 |
| Server Client MCP/SSE in Bedrock Converse Client w/ pgVector RAG | Spring AI & Java | 一个基于 Bedrock 构建的 Spring AI 狗狗领养 Agent,使用 PostgreSQL 和 pgvector 实现 RAG,并使用 MCP 服务管理领养预约。 |
| Server MCP/SSE on ECS | Spring AI & Kotlin | 非常基础的 Spring AI MCP 服务,通过 SSE 提供服务并运行在 ECS 上。 |
| MCP/SSE Server - FastAPI Client with Anthropic Bedrock | Python | 一个 MCP SSE 服务,配有使用 Anthropic Bedrock 的 FastAPI 客户端。示例运行在 ECS Fargate 上,并通过 Application Load Balancer 对外开放访问。 |
安全
更多信息请参阅 CONTRIBUTING。
许可证
此库采用 MIT-0 许可证。请参阅 LICENSE 文件。
评论
支持 Markdown
一个开放协议,规定了 AI 应用如何以统一方式连接外部工具与数据源。客户端负责与模型对话,MCP 服务负责提供工具、资源和提示模板,两者通过标准消息通信,同一个服务可以被不同客户端复用。