Amazon Bedrock 结合 MCP 服务器构建视觉智能：计算机视觉 MCP 服务器详解
本文介绍如何利用 Amazon Bedrock、Strands Agents 和 MCP 协议构建统一的计算机视觉 MCP 服务器，实现图像/视频分析、目标检测等视觉智能。开发者可通过单一标准化接口调用多个 AWS AI 服务，降低集成复杂度。
一句话看懂
AWS 发布计算机视觉 MCP 服务器，将计算机视觉、AI Agent 和 MCP 协议整合为统一接口，简化视觉应用开发。
详细发生了什么
长期以来，AI 系统在“看”、“思考”和“行动”之间存在割裂，开发者需要集成多个 API 和自定义方案，导致成本高、效率低。AWS 在博客中介绍了如何通过 计算机视觉 MCP 服务器 将三大技术融合：计算机视觉（处理图像/视频）、Strands Agents（构建 AI Agent 的框架）和 Model Context Protocol（MCP，标准化 AI 与工具/数据源的连接）。
架构上，客户端通过统一的 IAM 角色访问多个 AWS 服务：Amazon S3 存储对象、Amazon OpenSearch 提供搜索、Amazon Bedrock 提供生成式 AI 模型（如 Claude 4 Sonnet）、Amazon Rekognition 进行图像分析。用户可通过 Streamlit 聊天界面上传图像/视频（支持 PNG、JPG、MP4 等格式，最大 200MB），选择基础模型后，Agent 会自动调用工具完成目标检测、背景移除、视频分析等任务。
系统 prompt 定义了 Agent 的角色和工具使用模式，例如裁剪工作流：先调用 crop_bounding_box 裁剪对象，再通过 ui_show_images 展示结果。视频分析则调用 analyze_video 返回详细报告。
中文圈视角
对国内开发者来说，这套方案直接可用的前提是能访问 AWS 服务（需要梯子）。不过，其设计思路值得借鉴：用 MCP 协议统一视觉 AI 工具调用，类似国内 ModelScope 的 Agent 框架或百度千帆的插件机制。目前国内尚无完全对标的产品，但阿里云的 Function Compute 加视觉 API 组合可以实现类似效果，只是缺乏 MCP 这样的标准化协议。
具体场景上，这套方案适合需要快速搭建“看图说话”类应用的团队，比如电商图片审核、视频内容分析、农业监测等。但要注意数据出境问题：如果图像包含敏感信息，需确认是否合规。另外，Claude 4 Sonnet 模型在国内不可直接访问，开发者可考虑用国产模型（如 Qwen-VL）替换 Bedrock 部分。
一个中文圈尚未讨论的盲点是：MCP 协议能否成为跨云视觉 AI 的标准？ 如果 AWS 推动 MCP 成为事实标准，国内云厂商可能跟进，但现阶段仍是 AWS 生态内的方案。
几条值得记住的细节
- 支持图像格式：PNG、JPG、JPEG、GIF、WEBP；视频格式：MP4、AVI、MOV、MKV、WEBM、MPEG4，最大 200MB。
- 默认模型为 Claude 4 Sonnet，可选 Claude 3.7 Sonnet，均具备推理能力。
- 工具包括：
describe_image（图像描述）、crop_bounding_box（裁剪）、analyze_video（视频分析）等。 - 架构通过统一 IAM 角色管理权限，无需在客户端嵌入凭证。
- 代码示例展示了从 S3 读取图像、调用 Bedrock 模型分析的完整流程。
一句话总结
如果你在用 AWS 做视觉 AI 应用，这套 MCP 服务器能大幅减少集成工作量；若在国内，可参考其思路用国产服务实现类似架构。