用 Amazon Bedrock 与 MCP 服务器打造具备视觉能力的智能体

长期以来，AI 落地应用面临一个核心障碍：能看见的系统、能思考的系统与能行动的系统彼此割裂。开发者需要管理多个 API 并编写定制化胶水代码来桥接这些能力，过程既低效、成本高昂，又容易出错。AWS 提出的方案将计算机视觉、Strands Agents 智能体框架与模型上下文协议（MCP）三项关键技术融合，让视觉信息能在统一框架内被捕获、理解并被执行。

整体架构以 IAM 角色为统一安全网关，客户端无需嵌入凭证即可访问多项 AWS 服务。Amazon S3 负责对象存储与数据管理，Amazon OpenSearch 提供索引检索能力，Amazon Bedrock 提供 Claude 等生成式模型以支持文本生成与多模态推理，Amazon Rekognition 则专门处理对象检测等图像分析任务。这种集中式权限模型既简化了访问控制，也提升了多服务协作的效率。

在交互层面，方案提供基于 Streamlit 的聊天界面。用户可在左侧菜单中选择 Claude 4 Sonnet 或 Claude 3.7 Sonnet 等基础模型，并通过拖拽或浏览方式上传图片与视频，支持 PNG、JPG、GIF、WEBP、MP4、AVI、MOV 等多种格式，单文件上限 200 MB。上传完成后，AI 智能体可执行对象裁剪、标签检测、内容描述等任务，并通过底部消息框以自然语言提出进一步分析需求。

后台由两套 MCP 服务器协同工作。CV 服务器整合了 Amazon Rekognition 与 Amazon Bedrock 的多模态能力，通过 describe_image 等工具实现图像理解、目标裁剪与背景移除，并以标准化协议对外暴露；OpenSearch 服务器则承担检索任务。智能体依据系统提示中的工具调用模式，自动选择并串联相应工具，例如先裁剪人、狗等目标，再调用 ui_show_images 统一展示结果。

对于视频分析，智能体可调用 analyze_video 工具并附带监控指令，工具返回的结构化分析结果将呈现在聊天界面中。整套设计以 MCP 作为通用接口，使开发者无需为每个模型与数据源单独构建连接，显著降低了视觉 AI 应用的开发门槛，让更广泛的应用场景能够接入智能视觉能力。

要点

• AWS 将计算机视觉、Strands Agents 与模型上下文协议整合为统一智能体框架，覆盖感知、决策与执行全链路。
• 架构以 IAM 角色统一权限，结合 Amazon S3、Amazon OpenSearch、Amazon Bedrock 与 Amazon Rekognition 多服务协作。
• Streamlit 聊天界面支持图片与视频上传，可选用 Claude 4 Sonnet 等模型完成裁剪、标签检测、内容描述等任务。
• CV 服务器与 OpenSearch 服务器以 MCP 标准化协议对外提供能力，取代分散的 API 对接方式。
• 开发者无需为每个模型与数据源单独构建连接，视觉 AI 应用的集成与扩展门槛显著降低。