问题

AWS 持续发布新功能，相信这里的每位读者对此都习以为常，也都熟悉 AWS 新闻博客。

想象一下：2026 年 7 月，你作为一名开发者需要使用 Amazon S3 Files——该产品已于 2026 年 4 月正式发布。

你的 AI 助手存在知识截止日期：模型停止接收新训练数据的固定时间点。过了这个日期，它完全不知道新产品发布、功能上线或文档变更。时间紧迫，你不可能一直等到下一版模型发布。

AI 助手让跳过手动查阅文档和自行研究变得轻松——前提是助手本身的知识还没有过时。那么，当它对你需要了解的事物一无所知时，你该怎么办？

解决方案

请使用 AWS Knowledge Model Context Protocol (MCP) Server。这是由 AWS Labs（AWS 官方开源 GitHub 组织）推出的开源工具，可将 AI 模型直接连接到权威且最新的 AWS 文档。

它让 Claude、Copilot 等 AI 客户端无需等待模型更新即可获取实时 AWS 信息：最新文档、博客文章、“最新动态”公告以及 Well-Architected 指南，全都实时抓取而非依赖训练数据。

MCP 是什么？（给初学者）

Model Context Protocol (MCP) 是 AI 工具用来与外部工具和知识源通信的标准。AWS Knowledge 是一个由 AWS 托管的远程 MCP 服务器，将 AWS 专属内容以模型可用的格式提供给模型。

你可能会觉得这听起来像 RAG（检索增强生成）。MCP 确实能实现 RAG，但它本身不是 RAG，RAG 也并不依赖 MCP。早在 MCP 出现之前，人们已经在使用 RAG。MCP 是连接器标准，而 RAG 是“查找信息，再用找到的内容回答”的模式。MCP 恰好是实现这一模式的一种常用方式。

它为模型提供了什么

该服务器向 AI 开放了几个可直接调用的工具：

  • search_documentation：在所有 AWS 文档中进行关键词搜索
  • read_documentation：获取特定文档页面并转换为 Markdown
  • recommend：为给定 URL 推荐相关文档页面
  • list_regions：列出所有 AWS 区域及其标识符
  • get_regional_availability：检查哪些区域支持特定服务、功能、SDK API 或 CloudFormation 资源
  • retrieve_skill：拉取领域特定的“代理技能”，这是一组针对复杂 AWS 任务的打包工作流和最佳实践

最后一点值得说明：技能并不是给模型添加的新操作，而是模型可以按需读取和遵循的结构化指导，就像阅读详细的操作文档一样，只是按需检索而非硬编码在提示中。

重要细节

  • 客户端-服务器模式：你的 AI 工具是客户端，AWS Knowledge 是服务器。
  • 无需 AWS 账户：它是公开且无需身份验证的。
  • 免费使用：零成本，使用更方便。
  • 有速率限制：它是共享的公共服务，因此适用标准限制。

隐私简要说明

值得了解的是：离开你机器的只有查询文本（例如“Lambda 是否已支持 S3 Files”）和你的 IP 地址，发送到 AWS 的公共端点，与你自己访问 AWS 文档网站时的暴露程度相同。你的代码库、凭证或 AWS 账户信息不会被发送。该服务器仅回答问题，不会读取你的项目或接触你的基础设施。AWS 表示，该服务器的遥测数据不会用于模型训练，且由于无需身份验证，除了标准请求日志外，没有任何信息能将查询与你的身份关联起来。

无论如何，一条经验法则：适合进行一般 AWS 知识查询，不适合在查询中粘贴任何特定于客户或商业敏感的信息。

实际效果演示

一旦连接完成，只要你询问任何近期内容，区别就会显现。试试这样的提问：

“Amazon S3 Files 是否已正式发布？哪些区域支持它？”

在未连接 AWS Knowledge 时，大多数模型会回避（“我不知道这个服务”或“根据我的知识截止日期，该服务不存在”），甚至更糟——胡乱猜测。连接后，助手会调用 search_documentation，找到正式发布公告，并给出真实的发布日期和区域列表，信息来源于实时文档而非猜测。

这就是整个卖点：模型会去查证，而不是你再开一个浏览器标签页自己查。

如何安装

Claude Code

claude mcp add 命令是 Claude Code CLI 专用的，但 AWS Knowledge 本身只是标准的 MCP 服务器，因此相同的 URL 可在任何兼容 MCP 的客户端中使用。仅注册步骤会有所不同。

claude mcp add --transport http aws-knowledge https://knowledge-mcp.global.api.aws

进入全屏模式 退出全屏模式

如果你希望它在整个项目中可用，并提交到 git 以便团队其他成员也能使用，请添加 --scope project 而非使用默认的个人范围：

claude mcp add --scope project --transport http aws-knowledge https://knowledge-mcp.global.api.aws

进入全屏模式 退出全屏模式

验证是否成功：

claude mcp list
claude mcp get aws-knowledge

进入全屏模式 退出全屏模式

list 可一目了然地显示连接状态，get 可显示完整配置以及当前是否可达。

VS Code、Visual Studio、JetBrains 及其他 Copilot IDE

这些 IDE 都使用类似的 mcp.json 配置结构。根键是 servers 而非 mcpServers，这是从 Claude 或 Cursor 复制配置时容易出错的细节。

{
  "servers": {
    "aws-knowledge": {
      "type": "http",
      "url": "https://knowledge-mcp.global.api.aws"
    }
  }
}

进入全屏模式 退出全屏模式

由于 AWS Knowledge 是公开且无需身份验证的，因此这就是全部配置，无需令牌或请求头。放置位置和打开方式因 IDE 而异：

VS Code：打开命令面板，运行 MCP: Open User Configuration 以应用到全局，或在仓库中创建 .vscode/mcp.json 以限定到该项目并提交给团队。

  • 验证是否成功：在命令面板中运行 MCP: List Servers，选择 aws-knowledge，并检查其状态。如果出错，选择“显示输出”查看实际服务器日志。在 Copilot Chat（Agent 模式）中，点击工具图标查看当前可用的 MCP 工具列表，并确认 aws-knowledge 已在其中。

JetBrains（IntelliJ、WebStorm、PyCharm 等）：点击 GitHub Copilot 图标，然后选择“编辑设置”→“Model Context Protocol”→“Configure”，打开相同的 mcp.json。

  • 验证是否成功：在 Agent 模式下打开 Copilot Chat，点击聊天窗口底部的工具图标。这会打开实时工具列表，确认 AWS Knowledge 工具已显示。如果保存后仍未出现，请尝试重新打开聊天窗口，而非直接判定配置错误——这是最常见的误报。

Visual Studio（2022 版，17.14.9 及以上）：在解决方案目录或 %USERPROFILE% 中创建 .mcp.json 文件，使用上述相同配置。

  • 验证是否成功：保存后，Visual Studio 会在服务器条目上方显示 CodeLens 提示，点击即可连接。然后在 Agent 模式下打开 Copilot Chat，使用工具选择器确认 aws-knowledge 的工具已列出。由于该服务器无需身份验证，应立即连接，无需凭证提示。

Claude Desktop

此处的操作略有不同。Claude Desktop 完全不会从配置文件中加载远程 HTTP 服务器，claude_desktop_config.json 仅用于本地服务器。远程服务器需通过 UI 添加：

  1. 打开“设置”，然后选择“连接器”（如果是 Team 或 Enterprise 计划，选择“组织集成”）。
  2. 添加自定义连接器。
  3. 粘贴 https://knowledge-mcp.global.api.aws 作为服务器 URL。
  4. 确认。工具将在下一次聊天中可用。

此处也无需 OAuth 步骤，因为服务器不需要身份验证。

验证是否成功：再次打开“连接器”面板，确认 aws-knowledge 已连接且工具已列出，或在新聊天中询问时间敏感问题，观察它是否先进行搜索再回答。

如果无法连接

这是一个公开的高流量端点，因此偶尔问题可能出在 AWS 端而非你的配置。已知存在一种情况：服务器在初始化阶段会短暂返回连接错误，影响所有客户端。如果 aws-knowledge 配置正确但无法连接，建议稍等几分钟再试，而非立即认定 JSON 有误。

更倾向于本地运行？

如果你不想依赖 AWS 托管的远程服务器（例如离线工作或对环境有更严格要求），AWS 还发布了 awslabs.aws-documentation-mcp-server，这是一个本地运行的等效版本，提供类似搜索和读取工具，通过 uvx 安装而非 URL。理念相同，但运行在你的机器上而非 AWS 的服务器。

需要注意的一点

你连接的每个 MCP 服务器都会增加助手每轮需要考虑的工具数量。添加 AWS Knowledge 的成本很低，因为它只有几个工具。但将“添加所有看起来有用的 MCP 服务器”视为本能是错误的做法。添加你实际会使用的工具，而不是所有可用的工具。

结语

这是一项低成本、高价值的设置，只需少量配置即可完成。一条命令，或一个小的 JSON 块，就能搞定。

尝试后，我认为这是每位使用 AWS 的开发者都必备的工具，也让我不禁思考自己为什么这么久才发现它。

它通过为模型提供当前可查证的内容，减少了幻觉，而不是单纯依赖已过时的训练数据。

对我而言，更大的好处是保持在一个地方工作。不再需要在 IDE（或终端）和充满 AWS 文档的浏览器标签页之间来回切换。“编码”与“查阅文档”之间的上下文切换是我们每天要支付数十次的“小税”，累积起来影响不小。有了这个集成，你的 AI 助手可以自行查证，而你则可以留在原地继续工作。

你的 AI 助手最近在 AWS 功能上犯过什么最离谱的错误？

欢迎在下方留言，我想了解这个差距到底有多大。

如果你想联系或继续讨论，请在 LinkedIn 上找到我。

更多信息