Serverless MCP Chatbot Demo

🎵 无服务器MCP聊天机器人演示

一个非常简单的无服务器聊天机器人，使用 快速MCP + AWS基岩.没有身份验证，没有控制台设置，只有代码。非常适合演示！

询问卢克的黑胶唱片收藏，并观察机器人智能地决定何时查询数据。 真正的人工智能 行动起来！ 🤖


______________________________________________________________________

🎯 为什么是这个Demo？

非常适合 AWS用户组 和 大学演讲 因为它是：

✅ 简单 -在2分钟内部署 ./deploy.sh\ ✅ 无控制台设置 -一切都在代码中，无需点击AWS控制台\ ✅ AI 代理 -观察机器人决定何时使用工具\ ✅ 真正的MCP -实现模型上下文协议标准\ ✅ 便宜的 -每月约15美元，主要是基岩成本\ ✅ 教育的 -干净的代码，大量注释

什么是“代理”？

传统的机器人总是做同样的事情。 代理AI决定:

• 问“我有什么格里姆斯记录？”→ ✅ 使用工具，查询CSV
• 问“什么是黑胶唱片？”→ ❌ 没有工具，答案来自知识

机器人 选择 基于这个问题。这是代理行为！

______________________________________________________________________

🏗️ 架构（超级简单）

Browser          API Gateway         Lambda               Bedrock
(S3 HTML)    →   (Public)       →   (FastMCP)       →    (Claude)
                                         ↓
                                     S3 CSV Data

就是这样！ 没有身份验证，没有数据库，只是：

1. S3托管网站
2. API网关路由请求
3. Lambda运行FastMCP+基岩
4. CSV文件包含数据

为什么选择FastMCP？

快速MCP =Python的模型上下文协议实现

# Define tools with a decorator - SO SIMPLE!
@mcp.tool()
def query_vinyl_collection(query_type: str, search_term: str) -> str:
    """Query the vinyl collection"""
    return results

就是这样！ FastMCP手柄：

• ✅ 工具模式生成
• ✅ MCP协议合规性
• ✅ 基岩格式转换
• ✅ 工具执行

与手动：编写JSON模式，处理工具路由，解析响应\ vs.代理核心：无需控制台设置，一切都在代码中\ vs.朗链：更轻，专注于MCP标准

阅读 框架_GUIDE.md 详细比较！

______________________________________________________________________

🚀 快速入门（说真的，这很容易）

先决条件

• 已配置CLI的AWS帐户(aws configure)
• Terraform已安装
• Python 3.12+
• 基岩通道（允许克劳德进入您所在的地区）

部署一切

./deploy.sh

就是这样！ 脚本：

1. 构建Lambda包
2. 部署基础设施
3. 配置前端
4. 上传到S3
5. 显示URL

访问URL并开始聊天！ 🎉

手动步骤（如果你想控制）

# 1. Build Lambda
cd lambda && ./build.sh && cd ..

# 2. Deploy infrastructure
cd infra/terraform
terraform init
terraform apply

# 3. Get API URL
terraform output api_chat_url

# 4. Update frontend/index.html with API URL

# 5. Upload frontend
BUCKET=$(terraform output -raw frontend_bucket_name)
aws s3 cp ../../frontend/index.html s3://$BUCKET/

# 6. Get website URL
terraform output frontend_website_url

______________________________________________________________________

📁 项目结构

serverless-mcp-chatbot-demo/
├── lambda/
│   ├── handler.py           # FastMCP + Bedrock integration
│   ├── requirements.txt     # Just boto3 + fastmcp!
│   └── build.sh             # Build deployment package
├── infra/terraform/
│   ├── main.tf              # ALL infrastructure (simple!)
│   ├── variables.tf         # Configuration
│   └── outputs.tf           # URLs and next steps
├── frontend/
│   └── index.html           # Single-file web app
├── data/
│   └── discogs.csv          # Vinyl collection data
├── FRAMEWORK_GUIDE.md       # FastMCP vs alternatives
├── DEPLOYMENT_CHECKLIST.md  # Step-by-step guide
└── README.md                # You are here!

没有身份验证代码，没有复杂的状态管理，没有微服务——只有工作的AI！

______________________________________________________________________

💬 如何使用

示例提示

注意 🔧 使用FastMCP工具 调用工具时使用徽章！

30秒演示脚本

“这个聊天机器人演示了使用FastMCP和AWS Bedrock的代理人工智能。当我询问我的黑胶唱片收藏时”\[键入“我有什么Grimes记录？”\]“人工智能决定查询数据-看到绿色徽章？但如果我问”\[键入”什么是黑胶唱片？\]“它只是根据知识回答。人工智能选择何时使用工具。所有无服务器，每月花费15美元，真正的MCP协议，一切都在代码中-不需要控制台设置！”

______________________________________________________________________

🔧 它是如何工作的（引擎盖下）

1.FastMCP工具定义

from mcp.server.fastmcp import FastMCP

# Create MCP server
mcp = FastMCP("vinyl-collection-server")

# Define tool with decorator
@mcp.tool()
def query_vinyl_collection(query_type: str, search_term: str, limit: int = 10) -> str:
    """
    Query Luke's vinyl record collection.
    
    Args:
        query_type: One of: artist, label, year, title, all
        search_term: What to search for
        limit: Max results (default 10)
    """
    # Download CSV from S3
    response = s3_client.get_object(Bucket=DATA_BUCKET, Key='discogs.csv')
    records = parse_csv(response['Body'])
    
    # Filter records
    matches = filter_records(records, query_type, search_term)
    
    # Return formatted results
    return format_results(matches[:limit])

2.基岩整合

# Get FastMCP tools in Bedrock format
tools = mcp.list_tools_for_llm(llm_format="bedrock")

# Bedrock decides when to use tools
response = bedrock_client.converse(
    modelId="anthropic.claude-3-5-sonnet-20241022-v2:0",
    messages=messages,
    toolConfig={"tools": tools}
)

# If tool use requested, FastMCP executes it
if response['stopReason'] == 'tool_use':
    result = mcp.call_tool(tool_name, tool_input)

3.代理循环

1. 用户发送消息
2. Lambda使用FastMCP工具调用基岩
3. 基岩是否使用工具的原因
4. 如果是：FastMCP执行工具，将结果发送回基岩
5. 基岩综合最终答案
6. 响应返回给用户

______________________________________________________________________

💰 成本细分

每月费用（1000次查询）：

最贵的是基岩！ 基础设施基本上是免费的。

省钱小贴士

• 使用ARM64 Lambda（已配置）
• 保持对话简短（减少令牌）
• 使用较小的基岩模型进行开发
• 利用AWS免费套餐

______________________________________________________________________

🎨 定制理念

使用您自己的数据

替换 data/discogs.csv:

title,artist,year,genre
"Your","Data","2024","Cool"

更新工具逻辑 lambda/handler.py 你完了！

想法:

• 藏书
• 配方数据库
• 电影观看列表
• 口袋妖怪卡
• 植物护理指南
• 任何CSV！

添加更多工具

@mcp.tool()
def get_collection_stats() -> str:
    """Get statistics about the collection"""
    # Count records, get averages, etc.
    return stats

@mcp.tool()
def recommend_similar(artist: str) -> str:
    """Recommend similar artists"""
    # Your logic here
    return recommendations

FastMCP会自动将它们提供给Bedrock！

改用DynamoDB

对于较大的数据集：

1. 在Terraform中添加DynamoDB表
2. 更新工具以查询DynamoDB
3. 添加IAM权限

让它成为多用户

添加身份验证（为了简单起见，我们删除了它）：

1. 将Cognito资源添加回Terraform
2. 将JWT授权人添加到API网关
3. 将身份验证UI添加到前端

请参阅git历史以了解旧的auth实现！

______________________________________________________________________

🐛 故障排除

“YOUR_API_URL_HERE”错误

修复：更新 CONFIG.API_URL 在 frontend/index.html 带有来自的实际API网关URL terraform output api_chat_url

工具从不触发

修复：更具体地说：“什么 记录 我有格里姆斯的吗？vs“跟我说说格里姆斯”

基岩通道被拒

修复:

1. 转到AWS基岩控制台
2. 启用模型访问
3. 选择克劳德3.5十四行诗
4. 等待批准（通常是即时的）

Lambda超时

修复：增加超时时间 infra/terraform/main.tf:

timeout = 120  # Increase from 60

CORS错误

修复：使用 http:// 不 https:// 对于S3网站URL（默认情况下不支持HTTPS）

构建失败

修复:

cd lambda
rm -rf package lambda.zip
./build.sh

______________________________________________________________________

📚 了解更多

文档

• Lambda自述 -深入了解FastMCP实施
• 框架_GUIDE.md -FastMCP vs LangChain vs AgentCore
• 部署中心_CHECKLIST.md -逐步部署

外部资源

• FastMCP文档
• 模型上下文协议
• AWS基岩文档
• Terraform AWS提供商

______________________________________________________________________

🎓 教育用途

这个项目是 专为教学而设计:

✅ AWS用户组 -显示无服务器+AI模式\ ✅ 大学课程 -云计算课程\ ✅ 训练营 -动手AI+AWS项目\ ✅ 投资组合 -展示全栈技能

你可以：

• 出席聚会（请出席！）
• 在课堂环境中使用
• 根据您自己的演示进行修改
• 写上你的简历

请：

• 不要用它来抓取数据
• 不要堆积大量的基岩账单（监控成本！）
• 如果你用叉子叉，就要赊账

______________________________________________________________________

🤝 贡献

改进意见：

• \[\]流媒体响应
• \[\]对话历史记录
• \[\]更多示例工具
• \[\]成本优化提示
• \[\]多语言支持
• \[\]Docker本地开发设置

PR欢迎！不过要保持简单——这就是重点！ 😄

______________________________________________________________________

📄 许可证

MIT许可证-请参阅 许可证 了解详情。

太长，读不下去了：你想怎么用就怎么用！打造酷炫的东西！ 🚀

______________________________________________________________________

🙋 问题？

• 发现bug了吗？ 打开一个问题
• 用这个做演讲？ 标签我-我很想看看！
• 想合作吗？ 伸出手来！

由以下材料制成❤️ 面向AWS+AI社区

现在去部署它，向人们展示代理AI！ 🎉