AWS MCP：把云上运维交给 AI

AWS 官方开源的一整套 MCP 服务器，从查文档到改 EKS 集群都能交给 AI。

当 AI 助手只会写代码、不碰云上环境时，改一个 Lambda 配置、查一条 CloudWatch 日志、核一下账单，都得你自己跑。awslabs/mcp 就是把这层手动操作包成标准 MCP 服务器：几十个包分别对应文档、IaC、EKS、数据库、成本、医疗影像等场景，装上就能让 Claude、Cursor、Kiro 直接调。项目 Apache-2.0，9,899 星（以 GitHub 为准），全部本地服务器走 stdio，另有官方托管端点可免安装。

# 本地 stdio（以 AWS 文档服务器为例）
{
  "mcpServers": {
    "awslabs.aws-documentation-mcp-server": {
      "command": "uvx",
      "args": ["awslabs.aws-documentation-mcp-server@latest"],
      "env": {
        "FASTMCP_LOG_LEVEL": "ERROR",
        "AWS_DOCUMENTATION_PARTITION": "aws"
      },
      "disabled": false,
      "autoApprove": []
    }
  }
}

# 远程托管（无需装包，仅需 URL）
{
  "mcpServers": {
    "aws-knowledge-mcp": {
      "url": "https://knowledge-mcp.global.api.aws"
    }
  }
}

核心能力

1. 一个仓库覆盖几十个服务

按官方 README 的分类，它至少包含：文档类（aws-documentation、AWS Knowledge）、基础设施类（aws-iac、eks、ecs、serverless、finch）、AI 类（bedrock-kb-retrieval、sagemaker-ai、agentcore）、数据库类（dynamodb、postgres、mysql、neptune、redshift、timestream）、成本类（aws-pricing、cloudwatch、billing-cost-management）等。场景很直接：想在改代码前问一句"这个 API 最新参数是什么"，装文档服务器就够；想把部署流程交给 AI，就装 IaC 服务器。

2. 写操作要显式授权

这是有意设计的安全默认值。多数服务器默认只读，要改资源必须显式加 --allow-write；存取敏感数据还要再加 --allow-sensitive-data-access，例如：

uvx awslabs.eks-mcp-server@latest --allow-write --allow-sensitive-data-access

对一个会给 AI 真实权限的工具来说，这个默认值比功能数量更重要——至少不会因为一句含糊的指令就把生产集群改了。

3. 连真实数据源的服务器

数据库类是这批服务器里最实用的。以 PostgreSQL 为例，传入连接串即可让 AI 直接读表结构与数据：

uvx awslabs.postgres-mcp-server@latest --connection-string "postgresql://user:password@host:5432/db"

MySQL 类走 resource_arn、secret_arn、database、region 加 --readonly True 的组合，适合企业环境不把密码写进配置。

4. 远程托管版：不装包也能用

不想在本地装 uv、不想配凭证的，可以直接接托管端点：AWS MCP Server（预览）为 https://aws-mcp.us-east-1.api.aws/mcp，走 mcp-proxy-for-aws；AWS Knowledge MCP 为 https://knowledge-mcp.global.api.aws，只需一行 url。托管版带 CloudTrail 审计、IAM 权限控制、不暴露凭证，适合团队与生产环境。

5. 一键安装与客户端覆盖

页面为每个服务器提供了 Cursor / VS Code / Kiro 的 Install 徒标，点一下就自动写入对应配置文件。各客户端路径也列得清楚：Kiro 在 ~/.kiro/settings/mcp.json，Cursor 在 .cursor/mcp.json，VS Code 在 .vscode/mcp.json，Claude Code 在 .mcp.json。

使用上手

1. 先装 uv（Python 包运行器），否则 uvx 命令跑不起来。
2. 配好 AWS 凭证：本地用 aws configure 生成 profile，服务器上确认环境变量 AWS_PROFILE 与 AWS_REGION 已设。
3. 按需求只装一两个服务器，不要一次全装——服务器越多，AI 的工具列表越长，选择反而变差。
4. 把配置写进对应客户端的 mcp 配置文件，重启客户端，确认工具列表里能看到目标服务器。
5. 先跑只读任务验证：例如"列出我所有 us-east-1 的 EKS 集群"，结果对了再谈写操作。
6. 确实需要改资源时，才把 --allow-write 加进 args，并且只在测试账号上用。

优点与不足

优点

• 官方维护、Apache-2.0，覆盖服务最全（从文档到数据库到账单）。
• 默认只读，写操作要显式开关，安全边界清楚。
• 同时提供本地 stdio 与远程托管，开发与生产两条路。
• 各客户端配置示例齐全，还有一键安装徒标。

不足

• 本地版只支持 stdio，SSE 自 2025-05-26 起已被移除，老客户端需升级。
• 需要 Python + uv 环境与 AWS 凭证，非 AWS 用户上手成本高。
• 部分服务器已标为 DEPRECATED（如 ccapi、iam、kendra-index），迁移需自己判断。
• 官方已在推 Agent Toolkit for AWS 作为继任方案，长期选型要先权衡。

适合谁

• 已经把基础设施放 AWS、想让 AI 帮着查配置与日志的团队。
• 用 Cursor、Claude Code、Kiro 写代码，需要实时云上下文的人。
• 要把 AI 接进运维流程、但又必须保留权限控制的平台团队。
• 想用 AI 估算成本、核对账单的 FinOps 角色。

下载与访问

• 仓库：https://github.com/awslabs/mcp
• 文档站：https://awslabs.github.io/mcp/
• 许可：Apache-2.0

许可证与获取

本文属于「连接器」分类的 AI 资源专栏，更多评测见分类页。