MCP Aws Yolo

麦考伊

开源， 本地托管的人工智能平台 其使用LLM分析和向量存储相似性匹配将用户提示智能地路由到最合适的MCP（模型上下文协议）服务器。

演示

观看MCP AWS YOLO的实际操作-从用户提示到AWS操作的智能路由（由于本地LLM在CPU上运行，因此速度相当慢）：


*演示显示：自然语言提示→ 智能服务器选择→ AWS S3存储桶创建*

您将在演示中看到：

1. 用户查询：“创建一个名为brian-yolo-000000的s3 bucket，使用aws-yolo”
2. 意向分析：MCP AWS YOLO使用LLM+矢量搜索分析提示
3. 服务器选择：自动路由到 awslabs.aws-api-mcp-server
4. 参数分辨率：从解析AWS凭据和区域 aws_config.json
5. 工具执行：执行 call_aws 工具与 aws s3 mb 命令
6. 结果：成功创建S3存储桶，并给出详细响应

先决条件

在设置MCP AWS YOLO之前，请确保已安装以下内容：

必需

• Python 3.10+ -核心运行时环境
• uv包管理器 -快速Python包管理器

  curl -LsSf https://astral.sh/uv/install.sh | sh

• Docker&Docker编写 -用于基础设施服务（Qdrant矢量数据库）
• 没有 -本地LLM推理服务器

  # Install Ollama
  curl -fsSL https://ollama.com/install.sh | sh

AWS先决条件（适用于AWS MCP服务器）

• AWS-CLI 已配置凭据

  pip install awscli
  aws configure

• 有效的AWS帐户 具有适当的IAM权限
• AWS简介 已配置（默认或命名配置文件）

可选的

• Git -用于克隆和版本控制

特性

🎯 智能服务器路由

• 使用混合搜索自动路由到最匹配的MCP服务器

- 矢量存储搜索：使用Qdrant和所有minilm嵌入进行语义相似性匹配 - LLM验证：GPT-OSS 20B模型分析候选服务器并选择最佳服务器 - 信心评分：每场比赛都包括相似性得分和LLM置信度评分 - 回退逻辑：当初始查询未返回结果时，扩展关键字搜索

⚙️ 自动参数解析

• 使用aws_config.json运行MCP服务器时自动解析参数

- 模板处理：自动替换 {{env:param_name}} MCP服务器配置中的占位符 - AWS配置：集中式配置文件(aws_config.json)所有AWS相关参数 - 环境管理：支持多个AWS配置文件、区域和安全设置 - 空参数筛选：自动删除空参数和环境变量

建筑

MCP AWS YOLO充当AI客户端和MCP服务器之间的智能路由层，将语义搜索与LLM驱动的决策相结合。

架构图

graph TB
    A[AI Client
Claude/ChatGPT] --> B[MCP AWS YOLO Server]
    
    B --> C[LLM Analysis
Ollama/gpt-oss:20b]
    B --> D[Vector Store
Qdrant + all-minilm]
    B --> E[MCP Client Manager]
    
    C --> F[Intent Analysis]
    D --> G[Semantic Search]
    
    F --> H[Server Selection]
    G --> H
    
    H --> E
    E --> I[AWS API MCP Server]
    E --> J[AWS Knowledge MCP Server]
    E --> K[Lambda MCP Server]
    E --> L[DynamoDB MCP Server]
    E --> M[Other MCP Servers...]
    
    I --> N[AWS Services
S3, EC2, etc.]
    J --> O[AWS Documentation]
    K --> P[Lambda Functions]
    L --> Q[DynamoDB Tables]
    
    style B fill:#e1f5fe
    style C fill:#f3e5f5
    style D fill:#e8f5e8
    style E fill:#fff3e0

组件流程

1. 意向分析：用户提示→ LLM分析→ 提取关键字和意图
2. 矢量搜索：跨MCP服务器描述的语义相似性搜索
3. 服务器选择：LLM验证候选人并选择最佳匹配
4. 工具执行：连接到选定的MCP服务器并执行工具
5. 结果处理：格式化并将结果返回给AI客户端

快速开始

1.克隆和设置

git clone 
cd mcp-aws-yolo

2.启动基础设施服务

docker-compose up -d

3.安装依赖项

uv sync

4.运行初始设置

下载MCP服务器的型号和索引：

uv run python setup.py

将AWS-YOLO添加到AI客户端

Claude桌面配置

将此配置添加到您的Claude Desktop MCP设置中：

文件位置：

• macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
• 视窗: %APPDATA%\Claude\claude_desktop_config.json

配置：

{
  "mcpServers": {
    "aws-yolo": {
      "command": "uv",
      "args": [
        "--directory",
        "{absolute_path_to_aws-yolo}/mcp-aws-yolo",
        "run",
        "python", 
        "-m", 
        "src.mcp_aws_yolo.main"
      ]
    }
  }
}

注： 更换 {absolute_path_to_aws-yolo} 路径与您的实际项目位置。

其他MCP客户端

对于其他MCP客户端（ChatGPT等），请使用类似的配置：

• 命令: uv
• 参数: ["--directory", "/path/to/mcp-aws-yolo", "run", "python", "-m", "src.mcp_aws_yolo.main"]

使用示例

示例提示

尝试以下示例提示来测试系统：

create a s3 bucket named brian-yolo-000000, use aws-yolo

更多示例提示

• S3操作：“列出我帐户中的所有S3存储桶，使用aws-yolo”
• Lambda管理：“显示us-east-1中的所有Lambda函数，使用aws-yolo”
• 文档：“S3安全的最佳实践是什么？使用aws-yolo”
• EC2实例：“显示正在运行的EC2实例，使用aws-yolo”

配置

环境变量

创建一个 .env 文件或设置这些环境变量：

AWS配置

系统使用 aws_config.json 对于AWS特定设置：

{
  "aws_profile": "default",
  "aws_region": "ap-southeast-1", 
  "read_only_mode": "false",
  "require_consent": "false",
  "enable_telemetry": "false"
}

关键设置：

• require_consent：设置为“false”以避免引出错误
• read_only_mode：设置为“true”以进行安全探索
• aws_region：您首选的AWS区域

MCP服务器注册表

该系统包括一个全面的注册表 53台AWS MCP服务器 在……里面 mcp_registry.json:

类别摘要：

• 人工智能与机器学习：7台服务器
• 数据和数据库：17台服务器
• 开发与基础设施：27台服务器
• 文档：2台服务器

发展

地方发展设置

1. 安装依赖项：

uv sync

1. 启动基础设施：

docker-compose up -d

1. 运行安装程序：

uv run python setup.py

1. 启动开发服务器：

uv run python -m src.mcp_aws_yolo.main

添加新的MCP服务器

1. 编辑 mcp_registry.json 添加服务器配置
2. 运行安装程序以重新索引： uv run python setup.py
3. 测试用 get_intention 验证发现

测试（WIP）

# Install test dependencies  
uv add --dev pytest pytest-asyncio

# Run tests
pytest tests/

Docker服务

这 compose.yml 包括基础设施服务：

• 矢量点：矢量数据库（端口6333）

MCP服务器通过以下方式单独运行 uv 为了灵活性和发展。

故障排除

常见问题

1. “不支持激励”错误

- 集 require_consent: "false" 在……里面 aws_config.json

1. 矢量维度不匹配

- 跑 uv run python setup.py 重新创建收藏

1. AWS权限错误

- 检查AWS CLI配置： aws sts get-caller-identity - 验证IAM对预期操作的权限

1. 未找到模型错误

- 确保Olama正在运行： ollama list - 下载所需型号： ollama pull gpt-oss:20b

健康检查

测试系统健康状况：

# Check if services are running
curl http://localhost:6333/healthz  # Qdrant
curl http://localhost:11434/api/tags  # Ollama

贡献

1. 分叉存储库
2. 创建要素分支
3. 进行更改
4. 如果适用，添加测试
5. 提交拉取请求

许可证

MIT许可证-有关详细信息，请参阅许可证文件

支持

• GitHub问题: 报告错误或请求功能
• 文档：请参阅内联代码文档和示例

相关项目

• 模型上下文协议 -核心MCP规范