我用一條指令阻止 AI 亂編 AWS 答案

問題

AWS 不斷宣布新功能，相信這裡的讀者都很熟悉，也都看過 AWS 新聞部落格。

想像一下，你是 2026 年 7 月的一位開發人員，被要求使用 Amazon S3 Files——這項服務已於 2026 年 4 月正式上線。

你的 AI 助理有「知識截止日期」：模型停止接收新訓練資料的固定日期。超過這個日期，模型完全不知道新產品發布、功能上線或文件更新。時間就是金錢，你總不能等下一個模型出來再工作吧。

AI 助理讓我們輕鬆跳過閱讀文件和自行研究的麻煩，直到助理的知識變得過時。那麼，當它不知道你需要它知道的事情時，你該怎麼辦？

解決方案

來看看 AWS 知識模型上下文協議 (MCP) 伺服器，這是來自 AWS Labs（AWS 官方開源 GitHub 組織）的開源工具，能將 AI 模型直接連接到權威且最新的 AWS 文件。

它讓 Claude 和 Copilot 等 AI 用戶端能提取即時 AWS 資訊，而無需等待模型更新：目前的技術文件、部落格文章、「最新消息」公告，以及 Well-Architected 指引，全部即時擷取而非從訓練資料中回想。

MCP 是什麼？給新手看

模型上下文協議 (MCP) 是 AI 工具用來與外部工具和知識來源溝通的標準。AWS 知識是一個遠端 MCP 伺服器，由 AWS 託管，將 AWS 專屬資料以模型能理解的格式呈現。

你可能會認為這聽起來像 RAG（檢索增強生成）。MCP 能實現 RAG，但它本身不是 RAG，RAG 也不需要 MCP。早在 MCP 出現之前，人們就已經在使用 RAG。MCP 是連接器標準；RAG 是「查詢某些東西，然後使用找到的內容回答」的模式。MCP 只是一種常見的連接方式。

它為模型提供什麼

此伺服器公開了幾個 AI 可以直接呼叫的工具：

• search_documentation：在所有 AWS 文件中進行關鍵字搜尋
• read_documentation：擷取特定文件頁面並轉換為 Markdown
• recommend：為給定的 URL 建議相關文件頁面
• list_regions：列出所有 AWS 區域及其識別碼
• get_regional_availability：檢查哪些區域支援特定的服務、功能、SDK API 或 CloudFormation 資源
• retrieve_skill：提取特定領域的「代理技能」，這是針對更複雜 AWS 任務打包的工作流程和最佳實務

最後一個工具值得快速說明：技能並不是綁定到模型的新動作，而是模型讀取和遵循的結構化指引，就像它會遵循詳細的操作文件一樣，只是按需擷取而非內建在提示中。

重要細節

• 用戶端-伺服器模式：你的 AI 工具是用戶端，AWS 知識是伺服器。
• 無需 AWS 帳戶：這是公開且無需驗證的服務。
• 免費使用：無需付費，讓一切更簡單。
• 有速率限制：這是共享的公開服務，因此有標準限制。

關於隱私的快速說明

值得了解實際從你的機器離開的內容：只有你的查詢文字（例如「Lambda 是否已支援 S3 Files」）加上你的 IP 位址，傳送到 AWS 公開端點，與你自己搜尋 AWS 文件網站的暴露程度相同。你的程式碼庫、憑證或 AWS 帳戶中的任何內容都不會隨之傳送，此伺服器只回答問題，不會讀取你的專案或觸碰你的基礎架構。AWS 表示，此伺服器的遙測資料不會用於模型訓練，而且由於沒有驗證步驟，除了標準請求記錄之外，沒有任何東西能將查詢連結回你的身分。

無論如何，一個經驗法則是：適合一般的 AWS 知識查詢，但不適合在查詢中貼上任何客戶專屬或商業敏感資訊。

實際操作看看

一旦連接完成，當你詢問任何近期事項時，差異就會立刻顯現。試試看：

「Amazon S3 Files 是否已正式上線？哪些區域支援它？」

在未連接 AWS 知識的情況下，大多數模型會猶豫（「我不知道這項服務」或「截至我的知識截止日期，這項服務不存在」），或者更糟的是，猜測答案。連接後，助理會呼叫 search_documentation，找到正式上線公告，並以實際發布日期和區域清單回答，這些資訊來自即時文件而非猜測。

這就是整個概念的核心：模型會自行查詢，而不是你開第二個分頁查詢。

如何安裝

Claude Code

claude mcp add 指令是 Claude Code CLI 專用的，但 AWS 知識本身只是一個標準的 MCP 伺服器，因此相同的 URL 適用於任何相容 MCP 的用戶端。只有註冊步驟會有所不同。

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

進入全螢幕模式 退出全螢幕模式

如果你希望它在整個專案中可用，並提交到 git 讓團隊其他成員也能使用，請加入 --scope project 而非使用預設的個人範圍：

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

進入全螢幕模式 退出全螢幕模式

驗證是否成功：

claude mcp list
claude mcp get aws-knowledge

進入全螢幕模式 退出全螢幕模式

list 會顯示連線狀態，get 會顯示完整的設定以及目前是否可連線。

VS Code、Visual Studio、JetBrains 及其他 Copilot IDE

這些都使用類似的 mcp.json 設定格式。根金鑰是 servers，而不是 mcpServers，這是很多人從 Claude 或 Cursor 複製設定時會搞混的地方。

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

進入全螢幕模式 退出全螢幕模式

由於 AWS 知識是公開且無需驗證的服務，這就是全部的設定，不需要權杖或標頭。你放置和開啟它的位置因 IDE 而異：

VS Code：開啟指令面板並執行 MCP: Open User Configuration 以套用全域設定，或在儲存庫中建立 .vscode/mcp.json 以將其限定於該專案並提交給團隊。

• 驗證是否成功：從指令面板執行 MCP: List Servers，選擇 aws-knowledge，並檢查其狀態。如果發生錯誤，請選擇「顯示輸出」以查看實際的伺服器記錄。在 Copilot Chat（代理模式）中，按一下工具圖示以查看可用的 MCP 工具清單，並確認 aws-knowledge 位於其中。

JetBrains（IntelliJ、WebStorm、PyCharm 等）：按一下 GitHub Copilot 圖示，然後編輯設定，再按一下模型上下文協議，然後按一下設定，這會開啟相同的 mcp.json。

• 驗證是否成功：在代理模式下開啟 Copilot Chat，並按一下聊天視窗底部的工具圖示。這會開啟即時工具清單，確認 AWS 知識工具出現在那裡。如果儲存後工具沒有立即出現，請嘗試重新開啟聊天視窗，而不是假設設定錯誤，這是最常見的假陰性。

Visual Studio（2022，版本 17.14.9 以上）：在你的方案目錄或 %USERPROFILE% 中建立 .mcp.json 檔案，使用上面顯示的相同設定。

• 驗證是否成功：儲存後，Visual Studio 會在伺服器項目上方顯示 CodeLens 提示，按一下它以連線。然後在代理模式下開啟 Copilot Chat，並使用工具選擇器確認 aws-knowledge 的工具已列出。由於此伺服器不需要驗證，它應該會立即連線，不會出現憑證提示。

Claude Desktop

這個的運作方式不同。Claude Desktop 完全不會從設定檔中擷取遠端 HTTP 伺服器，claude_desktop_config.json 只適用於本機伺服器。遠端伺服器需透過使用者介面設定：

1. 開啟設定，然後開啟連接器（如果是團隊或企業方案，則開啟組織整合）。
2. 新增自訂連接器。
3. 貼上 https://knowledge-mcp.global.api.aws 作為伺服器 URL。
4. 確認。工具將在下一次聊天中可用。

這裡也沒有 OAuth 步驟，因為伺服器不需要驗證。

驗證是否成功：再次開啟連接器面板，確認 aws-knowledge 已連線且其工具已列出，或在新的聊天中詢問時間敏感的問題，看看它是否會在回答前進行搜尋。

如果無法連線

這是一個公開的高流量端點，因此偶爾問題出在 AWS 端而非你的設定。有已知案例顯示，伺服器在初始化期間會短暫傳回連線錯誤，影響所有用戶端。如果 aws-knowledge 看起來設定正確但無法連線，建議等幾分鐘後再試一次，以免假設你的 JSON 有問題。

偏好保留在本機？

如果你不想依賴遠端、由 AWS 託管的伺服器（例如離線工作或較嚴格的環境），AWS 也發布了 awslabs.aws-documentation-mcp-server，這是一個在本機執行的等效版本，具有重疊的搜尋和讀取工具，透過 uvx 安裝而非 URL。同樣的概念，但在你的機器上執行而非 AWS 的機器。

值得注意的一件事

你連接的每個 MCP 伺服器都會增加助理在每次回合中必須考慮的工具清單。新增 AWS 知識的成本很低，因為它只有幾個工具，但將「新增每個看起來有用的 MCP 伺服器」視為錯誤的本能是值得的。新增你實際會使用的工具，而不是所有可用的工具。

結論

這是低投入高回報，只需要一點設定。一條指令，或一個小 JSON 區塊，你就完成了。

試用後，我認為這是每個使用 AWS 的開發人員都必備的工具，也讓我懷疑自己為什麼這麼久都沒有使用它。

它透過給模型一些最新的內容來檢查，而不是依賴已經過時的訓練資料，從而減少幻覺。

對我來說，更大的好處是能待在同一個地方。不再需要在 IDE（或終端機）和瀏覽器分頁中來回切換，瀏覽器分頁中充滿了 AWS 文件。我們每天都要在「編碼」和「閱讀文件」之間切換好幾十次，這種上下文切換是一種小額稅收，累積起來也很可觀。連接這個工具後，你的 AI 助理可以自行查詢，而你則可以待在原本工作的地方。

你的 AI 助理最近搞錯的 AWS 功能是什麼？

請在下方留言，我想看看差距到底有多大。

如果你想聯絡或繼續對話，請在 LinkedIn 上找到我。

更多資訊

• AWS Labs MCP GitHub 儲存庫
• AWS 知識 MCP 伺服器正式上線公告
• AWS 知識 MCP 伺服器文件