Strands Agent 与 MCP 工具集成开发指南

概述

在现代人工智能应用开发中，如何有效地扩展智能代理(Agent)的能力是一个关键问题。Strands Agent 通过集成 Model Context Protocol (MCP) 工具，为开发者提供了一种标准化的方式来扩展代理功能。本文将深入探讨如何使用 Strands Agent 与 MCP 工具进行集成开发。

MCP 协议基础

MCP (Model Context Protocol) 是一个开放协议，它标准化了应用程序如何向大型语言模型(LLM)提供上下文信息。该协议的核心价值在于：

1. 标准化接口：为不同工具和服务提供统一的交互方式
2. 扩展性：允许开发者轻松添加新功能到现有代理中
3. 灵活性：支持多种通信模式和传输协议

环境准备

在开始集成开发前，需要确保满足以下条件：

• Python 3.10 或更高版本
• 有效的 AWS 账户（如需使用 AWS 相关服务）
• Amazon Bedrock 上已启用 Anthropic Claude 3.7 模型

安装必要的依赖包：

pip install -r requirements.txt

MCP 传输协议详解

MCP 支持多种传输协议，开发者应根据具体场景选择合适的协议：

1. 标准输入输出(stdio)传输

适用场景：

• 本地开发和测试
• 命令行工具集成
• 简单的脚本交互

特点：

• 实现简单，无需网络配置
• 适合单机环境
• 调试方便

2. Streamable HTTP 传输

适用场景：

• 分布式系统集成
• 需要服务化部署的场景
• 多客户端并发访问

特点：

• 支持服务器推送(Server-Sent Events)
• 可扩展性强
• 适合生产环境部署

实战：集成 AWS 文档 MCP 服务器

1. 使用 stdio 传输连接

from mcp import StdioServerParameters, stdio_client
from strands.tools.mcp import MCPClient

# 创建 stdio 传输的 MCP 客户端
stdio_mcp_client = MCPClient(
    lambda: stdio_client(
        StdioServerParameters(
            command="uvx", 
            args=["awslabs.aws-documentation-mcp-server@latest"]
        )
    )
)

2. 创建代理并使用工具

with stdio_mcp_client:
    # 获取 MCP 服务器提供的工具列表
    tools = stdio_mcp_client.list_tools_sync()
    
    # 创建代理实例
    agent = Agent(tools=tools)
    
    # 使用代理查询 AWS Bedrock 定价信息
    response = agent("What is Amazon Bedrock pricing model. Be concise.")

创建自定义 MCP 服务器

开发者可以创建自己的 MCP 服务器来提供定制化工具：

from mcp.server import FastMCP
import time

# 创建 MCP 服务器实例
mcp = FastMCP("Calculator Server")

# 定义计算器工具
@mcp.tool(description="Calculator tool which performs calculations")
def calculator(x: int, y: int) -> int:
    return x + y

# 定义长时间运行工具
@mcp.tool(description="This is a long running tool")
def long_running_tool(name: str) -> str:
    time.sleep(25)
    return f"Hello {name}"

# 启动服务器
mcp.run(transport="streamable-http", mount_path="mcp")

高级集成技巧

1. 多 MCP 服务器集成

Strands Agent 支持同时连接多个 MCP 服务器：

# 连接 AWS 文档 MCP 服务器
aws_docs_mcp_client = MCPClient(
    lambda: stdio_client(
        StdioServerParameters(
            command="uvx", 
            args=["awslabs.aws-documentation-mcp-server@latest"]
        )
    )
)

# 连接 CDK MCP 服务器
cdk_mcp_client = MCPClient(
    lambda: stdio_client(
        StdioServerParameters(
            command="uvx", 
            args=["awslabs.cdk-mcp-server@latest"]
        )
    )
)

# 创建支持多服务器的代理
with aws_docs_mcp_client, cdk_mcp_client:
    tools = aws_docs_mcp_client.list_tools_sync() + cdk_mcp_client.list_tools_sync()
    agent = Agent(tools=tools, max_parallel_tools=2)
    
    response = agent(
        "What is Amazon Bedrock pricing model. Be concise. Also what are the best practices related to CDK?"
    )

2. 直接调用工具

在某些场景下，开发者可能需要直接调用工具而不通过代理：

query = {"x": 10, "y": 20}

with streamable_http_mcp_client:
    result = streamable_http_mcp_client.call_tool_sync(
        tool_use_id="tool-123", 
        name="calculator", 
        arguments=query
    )
    print(f"Calculation result: {result['content'][0]['text']}")

3. 超时控制

对于可能长时间运行的工具，可以设置超时限制：

with streamable_http_mcp_client:
    try:
        result = streamable_http_mcp_client.call_tool_sync(
            tool_use_id="tool-123",
            name="long_running_tool",
            arguments={"name": "Amazon"},
            read_timeout_seconds=timedelta(seconds=30),
        )
        # 处理结果...
    except Exception as e:
        print(f"Tool call timed out or failed: {str(e)}")

最佳实践

1. 工具设计原则：

   • 保持工具功能单一
   • 提供清晰的描述文档
   • 考虑错误处理场景

2. 性能优化：

   • 合理设置 max_parallel_tools 参数
   • 对耗时操作实现异步处理
   • 考虑工具调用的缓存策略

3. 安全考虑：

   • 验证工具输入参数
   • 限制敏感工具的访问权限
   • 实现适当的日志记录

总结

通过本文，我们全面了解了如何使用 Strands Agent 与 MCP 工具进行集成开发。从基础的环境准备到高级的多服务器集成，开发者可以根据实际需求选择合适的集成方式。MCP 协议为智能代理的功能扩展提供了标准化途径，而 Strands Agent 则简化了这一集成过程，使开发者能够更专注于业务逻辑的实现。

在实际应用中，建议开发者：

1. 从简单场景开始，逐步增加复杂度
2. 充分测试工具在不同场景下的表现
3. 监控工具使用情况，持续优化性能

通过合理利用 MCP 工具，开发者可以显著增强 Strands Agent 的能力，构建出更加强大和灵活的智能应用。