快速接入

先看主来源和安装命令，再打开仓库或文档；下面只保留这个条目的关键接入事实。

命令预览

python UDM_mcp_server.py

详细介绍

6G网络管理MCP服务器和代理

此目录包含MCP（模型上下文协议）服务器和用于管理6G网络基础设施的AI代理。

📁 结构

mcp_servers/
├── UDM_mcp_server.py                    # Unified Data Management server
├── edge_server_mcp_server.py            # Edge server management server
├── edge_ai_service_repository_mcp_server.py  # AI service catalog server
├── agent.py                              # AWS AgentCore Runtime agent
└── README.md                             # This file

🎯 概述

MCP服务器

三台MCP服务器模拟6G网络基础设施的不同组件：

1. UDM服务器（端口9000）

用户订阅和服务的统一数据管理。

能力：

用户订阅CRUD操作
移动计划管理（无限/有限）
QoS配置文件配置
边缘AI服务订阅
数据使用跟踪

关键工具：

get_all_subscriptions -列出所有用户订阅
get_subscription -获取特定订阅详细信息
create_subscription -创建新用户订阅
update_qos_profile -修改QoS设置
add_edge_ai_subscription -向用户添加Edge AI服务

2. 边缘服务器（端口9001）

边缘计算基础设施和GPU资源管理。

能力：

边缘服务器监控
GPU资源分配（NVIDIA A100/H100）
AI服务部署
资源利用率跟踪
健康状态监测

关键工具：

get_all_edge_servers -列出所有边缘服务器
get_server_resources -获取资源详细信息
deploy_service -将AI服务部署到边缘
get_network_summary -全网统计
find_servers_with_capacity -查找具有可用资源的服务器

3. 人工智能服务库（端口9002）

已准备好部署的AI服务目录。

能力：

人工智能服务目录管理
服务搜索和过滤
资源需求规格
部署配置
基于类别的组织

关键工具：

get_all_services -列出所有AI服务
search_services -按关键字搜索
get_service_requirements -获取资源需求
get_categories -列出服务类别
find_services_by_resources -查找兼容的服务

代理

这 agent.py 该文件实现了一个AI代理，该代理协调所有三个MCP服务器以提供智能6G网络管理。

特征：

与AWS Bedrock Claude Sonnet 4.5集成
访问所有MCP服务器工具
用于网络操作的自然语言界面
上下文感知响应
多步骤工作流执行

🚀 地方发展

正在运行MCP服务器

每台服务器独立运行：

# Terminal 1 - UDM Server
python UDM_mcp_server.py
# Runs on http://localhost:9000

# Terminal 2 - Edge Server
python edge_server_mcp_server.py
# Runs on http://localhost:9001

# Terminal 3 - AI Service Repository
python edge_ai_service_repository_mcp_server.py
# Runs on http://localhost:9002

测试MCP服务器

使用HTTP POST测试单个工具：

# Example: Get all subscriptions
curl -X POST http://localhost:9000/tools/get_all_subscriptions \
  -H "Content-Type: application/json" \
  -d '{}'

# Example: Get all edge servers
curl -X POST http://localhost:9001/tools/get_all_edge_servers \
  -H "Content-Type: application/json" \
  -d '{}'

# Example: Get all AI services
curl -X POST http://localhost:9002/tools/get_all_services \
  -H "Content-Type: application/json" \
  -d '{}'

☁️ AWS部署

先决条件

具有基岩访问权限的AWS帐户
AWS CLI已配置
AgentCore运行时权限
Cognito用户池设置

部署步骤

1.将MCP服务器部署到AgentCore运行时

对于每个MCP服务器，创建一个AgentCore运行时：

# Deploy UDM Server
aws bedrock-agentcore create-runtime \
  --runtime-name "6g-udm-mcp-server" \
  --runtime-type MCP_SERVER \
  --code-location ./UDM_mcp_server.py \
  --handler-config '{"port": 9000}'

# Deploy Edge Server
aws bedrock-agentcore create-runtime \
  --runtime-name "6g-edge-mcp-server" \
  --runtime-type MCP_SERVER \
  --code-location ./edge_server_mcp_server.py \
  --handler-config '{"port": 9001}'

# Deploy AI Service Repository
aws bedrock-agentcore create-runtime \
  --runtime-name "6g-ai-service-mcp-server" \
  --runtime-type MCP_SERVER \
  --code-location ./edge_ai_service_repository_mcp_server.py \
  --handler-config '{"port": 9002}'

2.将运行时参数存储在SSM中

部署后，存储ARN和客户端ID：

# UDM Server
aws ssm put-parameter \
  --name /mcp_server/udm/runtime/agent_arn \
  --value "arn:aws:bedrock:region:account:runtime/runtime-id" \
  --type String

aws ssm put-parameter \
  --name /mcp_server/udm/runtime/client_id \
  --value "your-cognito-client-id" \
  --type String

# Edge Server
aws ssm put-parameter \
  --name /mcp_server/edge/runtime/agent_arn \
  --value "arn:aws:bedrock:region:account:runtime/runtime-id" \
  --type String

aws ssm put-parameter \
  --name /mcp_server/edge/runtime/client_id \
  --value "your-cognito-client-id" \
  --type String

# AI Service Repository
aws ssm put-parameter \
  --name /mcp_server/ai_service/runtime/agent_arn \
  --value "arn:aws:bedrock:region:account:runtime/runtime-id" \
  --type String

aws ssm put-parameter \
  --name /mcp_server/ai_service/runtime/client_id \
  --value "your-cognito-client-id" \
  --type String

3.部署代理

部署使用所有三个MCP服务器的主代理：

aws bedrock-agentcore create-runtime \
  --runtime-name "6g-network-agent" \
  --runtime-type AGENT \
  --code-location ./agent.py \
  --runtime-config '{
    "model_id": "us.anthropic.claude-sonnet-4-5-20250929-v1:0",
    "mcp_servers": ["udm", "edge", "ai_service"]
  }'

🔧 配置

环境变量

# AWS Region
export AWS_REGION=us-east-1

# Cognito Configuration
export COGNITO_USER_POOL_ID=your-pool-id
export COGNITO_CLIENT_ID=your-client-id
export COGNITO_USERNAME=testuser
export COGNITO_PASSWORD=MyPassword123!

# MCP Server Ports (for local development)
export UDM_MCP_PORT=9000
export EDGE_MCP_PORT=9001
export AI_SERVICE_MCP_PORT=9002

SSM参数结构

/mcp_server/
├── udm/
│   └── runtime/
│       ├── agent_arn
│       └── client_id
├── edge/
│   └── runtime/
│       ├── agent_arn
│       └── client_id
└── ai_service/
    └── runtime/
        ├── agent_arn
        └── client_id

📊 样品数据

所有MCP服务器都预先填充了示例数据：

UDM：2个用户订阅蜂窝和边缘人工智能服务
边缘服务器：3个具有不同GPU配置的边缘节点
人工智能服务库：6个不同类别的人工智能服务

🧪 测试代理

本地测试（如果在本地运行代理）

from agent import agent

# Test query
response = agent("Show me all active subscriptions")
print(response.message)

# Test deployment
response = agent("Deploy the video analytics service to the edge server with the most available GPU capacity")
print(response.message)

# Test analytics
response = agent("What's the current GPU utilization across all edge servers?")
print(response.message)

AWS测试

# Invoke via AWS CLI
aws bedrock-agentcore invoke-runtime \
  --runtime-arn "arn:aws:bedrock:region:account:runtime/runtime-id" \
  --payload '{"prompt": "Show me all active subscriptions"}' \
  --output text

📝 查询示例

代理能够理解自然语言查询，例如：

订阅管理：

“显示所有活动订阅”
“为用户John创建具有高级QoS的新订阅”
“sub-001用户的数据使用情况如何？”
“将云游戏服务添加到Bob的订阅中”

边缘服务器管理：

“哪些边缘服务器有可用的GPU容量？”
“显示所有边缘服务器的运行状况”
“将视频分析部署到纽约边缘服务器”
“edge-001上正在运行哪些服务？”

人工智能服务发现：

“计算机视觉有哪些人工智能服务？”
“查找需要少于4个CPU核的服务”
“显示所有与游戏相关的AI服务”
“医学影像服务的资源需求是什么？”

分析：

“整个网络的GPU总利用率是多少？”
“有多少用户拥有Edge AI服务？”
“哪个边缘服务器使用率最高？”
“显示所有部署的摘要”

🔒 安全

通过AWS Cognito进行身份验证
通过IAM角色进行授权
加密通信（HTTPS）
会话管理
机密参数存储

🐛 调试

启用调试日志记录：

import logging
logging.basicConfig(level=logging.DEBUG)

检查MCP服务器日志：

# Each server logs to console
# Check for connection issues, tool execution, errors

检查SSM参数：

aws ssm get-parameters-by-path \
  --path /mcp_server/ \
  --recursive

📚 额外资源

🤝 贡献

添加新的MCP服务器工具时：

在相应的MCP服务器中定义工具
将文档添加到此README中
如果需要，更新代理的系统提示
添加测试用例
更新部署脚本

📄 许可证

目录标签

边缘计算PythonClaude6G网络管理本地部署AI服务部署统一数据管理资源分配

支持客户端

Claude

接入字段

传输方式（transport，传输协议）

stdio

鉴权方式（authType，认证方式）

none

运行时（runtime，运行环境）

Python

工具数量（toolCount，工具数）

15

资源数量（resourceCount，资源数）

0

提示词数量（promptCount，提示词数）

0

权限和风险

stdionone部署方式未说明

接入前请确认传输方式、认证方式和部署位置，并根据实际工具能力限制访问范围。

安装前确认

不要直接授予不必要的文件、网络或账号权限；先核对安装命令和配置内容。

来源信息

MCP World

mcpworld.com

/detail/e117a9bdbc58dfabb6e026b08ae36f78

提供6G网络基础设施的统一数据管理、边缘计算资源分配和AI服务部署的智能管理解决方案。

继续浏览同类 MCP

更多运维云端 MCP（13,854）返回 MCP 目录

上一个 MCP

Aws Glue

一个基于OpenAPI自动生成的MCP（Model Context Protocol）服务器，用于处理模型上下文协议。

下一个 MCP

Awshux MCP

全面解析MCP Custom ServersMCP Server的核心功能、安装配置和实用案例。作为顶级Model Context Protocol服务器，MCP Custom Servers能让AI助手访问实时数据、执行操作，为您提供更智能的工作体验和自动化解决方案。

aws hackathon AI service assistant MCP servers

快速接入

详细介绍

6G网络管理MCP服务器和代理

📁 结构

🎯 概述

MCP服务器

1. UDM服务器 （端口9000）

2. 边缘服务器 （端口9001）

3. 人工智能服务库 （端口9002）

代理

🚀 地方发展

正在运行MCP服务器

测试MCP服务器

☁️ AWS部署

先决条件

部署步骤

1.将MCP服务器部署到AgentCore运行时

2.将运行时参数存储在SSM中

3.部署代理

🔧 配置

环境变量

SSM参数结构

📊 样品数据

🧪 测试代理

本地测试（如果在本地运行代理）

AWS测试

📝 查询示例

🔒 安全

🐛 调试

📚 额外资源

🤝 贡献

📄 许可证

目录标签

接入字段

权限和风险

来源信息

继续浏览同类 MCP

1. UDM服务器（端口9000）

2. 边缘服务器（端口9001）

3. 人工智能服务库（端口9002）