项目简介 本项目提供了一个基于模型上下文协议（MCP）的服务器实现，专门用于智能化管理AWS支持案例。它旨在将AWS Support API的功能封装为LLM可调用的工具，并通过AWS Bedrock AgentCore安全、可扩展地运行。这意味着您的AI代理可以创建、查询、更新和解决AWS支持案例，甚至可以提供案例总结和洞察。

主要功能点

智能AWS支持案例管理：自动创建、跟踪和解决AWS支持案例。
智能总结与洞察：对现有支持案例进行总结分析，并提供最佳实践建议和洞察。
MCP工具集成：将AWS Support API封装为可供LLM调用的MCP工具（例如，创建支持案例、查询案例、添加通信、解决案例）。
多语言支持：支持案例内容的多语言自动检测和处理。
附件管理：支持向支持案例添加附件。
诊断与监控：提供诊断资源以监控服务器性能和错误。
AgentCore托管：可以无缝移植到AWS Bedrock AgentCore运行时，实现高可用和可扩展的AI交互。

安装步骤 本项目推荐在Jupyter Notebook或JupyterLab环境中部署和验证。

克隆仓库：

git clone https://github.com/percy-han/AWS-Support-Case-Agent.git
cd AWS-Support-Case-Agent

配置AWS服务：
- 确保已安装Python 3.10+。
- 配置AWS CLI并具备适当权限。
- 重要：开通AWS Support API访问权限（需要商业或企业支持计划）。
- 在AWS Bedrock控制台中启用所需的模型访问权限，推荐Claude 3 Sonnet或Haiku。
MCP服务器设置：
- 打开 'MCP/MCP_On_AgentCore.ipynb' 文件。
- 按照Notebook中的所有单元格顺序执行，它将处理MCP服务器所需的所有安装和配置（包括Cognito用户池、IAM角色等）。
- 在Notebook中可以验证MCP服务器是否已成功运行并注册了工具。
Agent设置（可选，用于调用MCP服务器）：
- 打开 'Agent/Case_Agent_On_AgentCore.ipynb' 文件。
- 按照Notebook中的所有单元格顺序执行，它将部署一个调用MCP服务器的Bedrock Agent。
- 在Notebook中可以验证Agent调用MCP服务器的效果。

服务器配置 此MCP服务器通常由LLM客户端或AWS Bedrock AgentCore调用。MCP客户端需要通过JSON-RPC协议连接到服务器。以下是针对MCP客户端的配置示例（JSON格式）：

{
  "serverName": "aws-support-mcp-server",
  "command": "python",
  "args": [
    "MCP/awslabs/aws_support_mcp_server/server.py",
    "--port", "8888",
    "--debug"
  ],
  "transport": "streamable-http",
  "environmentVariables": {
    "AWS_REGION": "your-aws-region",
    "AWS_PROFILE": "your-aws-profile-name"
  },
  "auth": {
    "type": "bearer",
    "tokenProvider": {
      "type": "aws_secrets_manager",
      "secretId": "support_mcp_server/cognito/credentials",
      "key": "bearer_token"
    }
  },
  "documentation": "https://github.com/percy-han/AWS-Support-Case-Agent#readme"
}

配置参数注释：

'serverName': 您给MCP服务器定义的名称，建议保持唯一性。
'command': 启动MCP服务器所使用的命令，这里是'python'。
'args': 启动MCP服务器所需的参数列表。
- 'MCP/awslabs/aws_support_mcp_server/server.py': 服务器的入口文件路径。
- '--port 8888': 服务器监听的端口。
- '--debug': 开启调试模式，提供更详细的日志和诊断信息。
'transport': 服务器使用的传输协议，此处为'streamable-http'，与客户端的连接方式匹配。
'environmentVariables': 启动服务器时需要设置的环境变量。
- 'AWS_REGION': 指定AWS区域，例如'us-east-1'。
- 'AWS_PROFILE': 指定AWS CLI配置文件中的Profile名称（如果使用）。
'auth': 认证信息配置，此处为Bearer Token认证。
- 'type': 认证类型，此处为'bearer'。
- 'tokenProvider': 获取Bearer Token的方式。
  - 'type': Token提供者类型，此处为'aws_secrets_manager'，表示从AWS Secrets Manager获取。
  - 'secretId': Secrets Manager中存储Bearer Token的Secret ID，例如'support_mcp_server/cognito/credentials'。
  - 'key': Secret中存储Bearer Token的键名，例如'bearer_token'。
'documentation': MCP服务器的文档URL，通常是GitHub仓库的README链接。

基本使用方法 一旦MCP服务器部署并运行，LLM客户端（如Bedrock Agent）即可通过JSON-RPC协议调用其提供的工具和资源。

例如，一个Agent可以通过调用 'create_support_case' 工具来创建新的AWS支持案例：

调用工具:
- 'create_support_case': 创建新的AWS支持案例。
- 'describe_support_cases': 查询现有支持案例。
- 'add_communication_to_case': 向案例添加沟通记录。
- 'resolve_support_case': 解决支持案例。
- 'describe_services': 查询AWS服务及其类别。
- 'describe_severity_levels': 查询支持案例的严重级别。
- 'add_attachments_to_set': 添加附件到附件集。
- 'describe_supported_languages': 查询支持的语言。
访问资源:
- 'resource://diagnostics': 获取服务器的诊断信息。

具体的调用代码示例可以在 'Agent/Case_Agent_On_AgentCore.ipynb' 中找到，演示了如何通过'boto3'客户端调用部署在Bedrock AgentCore上的Agent，进而间接调用MCP服务器。

关键词

信息