基础篇
进阶篇
高频篇
精选篇
手写篇
面经篇
AI 篇
原理篇
每日一题
小程序题库
  • 知识卡片碎片时间过考点
  • 场景篇按分类整理的大前端场景考点
  • 历年面经按年份追踪真实考点
  • 算法题库NEW在线编码即时判题
  • 专项自测100 题快速查漏
  • 前端基础
    • HTTP从报文一路讲到 HTTPS
    • 浏览器渲染、事件循环、进程
    • 计算机基础Linux、网络、操作系统
  • 进阶专项
    • 设计模式23 种模式怎么用
    • 前端系统进阶学习大型项目工程化
    • 前端综合文章长期沉淀的实践文
  • 工程与工具
    • Node学习指南从环境搭建到服务端
    • NPM工作流script、依赖与发布
    • Docker容器化部署上手
    • Canvas图形与动画实战
  • 路线与导图
    • 思维导图知识点全景图
    • 学习路线按图索骥不跑偏
  • 动态
    • 公众号动态公众号历史文章
    • 博客动态站长的技术博客
    • 开发者导航常用工具与文档站
    • AI 热点每日 AI 资讯与动向
AI 工作台
旧版
AIHT
内容
精选全部 AI 动态热点榜AI 日报收藏
分类
模型行业编程产品技术观点开源
更多
Agent 接入
返回首页开发者导航
AIHT
精选 / 资讯详情
8.0
热点
AI SCORE
技术实践2026-11-18 04:31

AWS 用统一字段管理 Agent 与 MCP

AWS ML Blog#AWS#MCP#元数据治理
Editor brief · 编辑速览

AWS Agent Registry 允许管理员为 Agent、MCP 服务和技能定义统一、带类型校验的元数据字段。文章用一条 MCP 记录演示从定义字段到登记、补充信息、审批和检索的流程。

文章思维导图
Knowledge map
拖拽缩放
AI deep read

AI 深度解读

团队开始共用 Agent、MCP Server 和 Skill 之后,光靠资源名称和描述,很难回答三个问题:它跑在哪个环境、归谁管、过没过安全扫描。AWS Agent Registry 的自定义元数据给了这些问题统一的字段,让发布流水线、审批函数和搜索入口都用同一套值。

AWS 用一个只读账本 MCP Server 演示了从登记到发现的流程。这里最值得程序员琢磨的是两处边界:字段校验通过后,资源仍要走审批;管理员收紧规则后,旧版本也可能继续被搜到。

为什么要先约定字段,再让各团队登记

AWS Agent Registry 原有的记录包含名称、描述、协议描述符和审批状态。新增的 schema 由管理员定义,可以约束字段名、类型、允许值和必填项。所有记录类型共用一套基础字段,某个类型有自己的信息,再加专属字段。支持的字段类型有 Text、Enum、URL 和 Boolean。

示例里,管理员通过 cp.create_registry 建立 anycompany-governed-registry,把公共字段放进 customMetadataSchemaConfiguration.defaultSchema,再用 recordTypeSchemaOverrides 给 MCP 类型补上可选的 networkEgress,允许值为 none、vpc-only 和 allowlisted-internet。公共必填字段是 environment、businessUnit 和 securityScanStatus,可选字段包括 ownerTeam、cmdbId、dataClassification 和 securityScanReportUrl。

支付团队登记 payments-ledger-mcp 时,第一次把 environment 写成 production,触发了 ValidationException。改成枚举允许的 prod 后,记录才保存为合规草稿。环境字段只接受 prod、staging 和 dev,所以查询生产资源时不必再猜各团队用了哪种拼法。

这里还有个容易踩的细节。创建时完全省略 customMetadata,目录仍会保存记录,标记为 NON_COMPLIANT,补齐之后才能送审。提交了元数据却包含未知字段、缺少必填项或传入非法值,写入会直接被拒绝。GetRegistryRecord 返回元数据和合规状态,COMPLIANT 只说明字段符合 schema,审批由另一个环节决定。

安全扫描结果怎么进入审批流程

注册和扫描发生在不同时间。示例将必填的 securityScanStatus 定义为 PENDING、PASSED 和 FAILED 三种值,发布时先填 PENDING,扫描完成后再回填结果。资产编号来自配置管理数据库(CMDB),数据分级来自已有的分类工具。要跑通 AWS 的示例,需要支持的 AWS Region、Boto3 可用的 AWS 凭证和相应的 IAM 权限,以及 Python 3.11 或更高版本、boto3 1.43.113 或更高版本。cp 和 dp 分别对应 agent-registry-control 和 agent-registry 客户端。

下面这段代码把外部系统查到的信息合并进记录,等记录处于 DRAFT 状态后再送审。

record = cp.get_registry_record(registryId=registry_id, recordId=record_id)
scan = run_security_scan(record)  # Replace this stub with your scanner call.
metadata = {**record["customMetadata"],
    "cmdbId": get_cmdb_id(record),
    "dataClassification": get_classification(record),
    "securityScanStatus": scan["status"],
    "securityScanReportUrl": scan["report_url"]}
cp.update_registry_record(registryId=registry_id, recordId=record_id,
    customMetadata={"optionalValue": metadata})
wait_for_record(cp, registry_id, record_id, "DRAFT")
cp.submit_registry_record_for_approval(
    registryId=registry_id, recordId=record_id)

留意 metadata = {**record["customMetadata"], 这一行。update_registry_record 会替换整个元数据映射,所以代码先保留原有字段,再覆盖本轮更新的值。示例中的扫描和 CMDB 调用是占位实现,接入时要换成团队自己的工具。

示例把 approvalConfiguration 里的 autoApprovalRules 设成 [],由团队自己决定谁来审批。记录进入 Pending approval 后,Amazon EventBridge 根据规则调用自建的 AWS Lambda 函数。函数检查四件事:记录是 COMPLIANT、扫描状态为 PASSED、有 cmdbId,以及 dataClassification 为 public 或 internal。示例中四项都通过,账本服务获批。检查失败时会拒绝并指出原因,团队也可以把 confidential 或 restricted 送人工复核。

开发者和 Agent 怎么找到同一个服务

自定义元数据会进入搜索索引。下面的查询用自然语言描述要找的工具,再把环境、业务归属和扫描状态写成三个必须同时成立的条件。

dp = boto3.client("agent-registry")
matches = dp.search_discoverable_registry_records(
    registryIds=[registry_id],
    searchQuery="ledger lookup",
    filters={"$and": [
        {"customMetadata.environment": {"$eq": "prod"}},
        {"customMetadata.businessUnit": {"$eq": "payments"}},
        {"customMetadata.securityScanStatus": {"$eq": "PASSED"}},
    ]},
)

看 filters={"$and": [ 这一行。三项都匹配也只是满足搜索条件,目录还会按审批状态限制结果。payments-ledger-mcp 同时满足筛选条件并已获批,所以会被返回。

Agent 也能通过 https://agentregistry.<region>.api.aws/registry/<registryId>/mcp 使用 search、list 和 get 工具。原文的示例用 Strands Agent 搭配 Amazon Bedrock 上的模型,在系统提示词里列出可筛选的字段,让 Agent 把「找一个过了安全扫描的生产支付账本服务」转换成带过滤条件的查询。原文没有说明具体模型。

我的判断

相比把 production、负责团队和扫描结果统统塞进描述或自由标签,结构化字段的优势很具体:错误拼写可以在写入时拦下来,审批和搜索也能直接比较字段值。代价是字段一旦定下来就很难改。AWS 允许新增字段、扩充枚举、把选填改成必填,已有字段的名称和类型则不能改,也不能删。跨团队公用的字段值得提前商量,像 networkEgress 这样的专属属性留在对应记录类型里更合适。

把字段改成必填,不会让已获批的旧版本自动下架。 旧记录如果不满足新 schema,会被标为 NON_COMPLIANT,同时保留原审批状态。编辑已获批的记录会产生新草稿,补齐字段后还得重新送审。在新版获批前,消费者仍能看到旧的已批准版本。如果你加必填项是为了让政策立即生效,就得把存量记录的补齐和复审也算进去。

原文展示了一条完整的样例流程,没有给出审批耗时、团队规模或搜索准确率的对照数据。能确认的是字段校验、事件审批和筛选怎么接起来,至于能节省多少人工,要看团队原先的流程。尤其是 PASSED 的可信度,取决于谁能写这个字段、扫描结果怎样关联到实际发布的版本。原文没有展开这些控制。代码里的整图覆盖也值得留意,两个任务同时读取再回写时,后写入的一方可能覆盖另一方的更新。

能拿来做什么

  • 如果团队用 CI 发布 MCP Server,先把发布时已知的 environment 和 businessUnit 随登记请求写入,给扫描字段填 PENDING,等扫描任务回填结果后再送审。
  • 如果 Node 发布脚本和资产同步任务都会写元数据,可以让同一条流水线汇总后统一回写,减少两边分别读取和覆盖整份字段映射的机会。报告详情留在有访问控制的源系统,目录里只放 securityScanReportUrl。
  • 给内部 Agent 接入目录搜索时,把可用字段名和枚举值写进系统提示词,再用固定的生产环境、业务线和扫描状态测试请求,核对它实际生成的过滤条件以及返回记录的审批状态。
Original source

本文由 AI 通读原文后重新编写,观点部分为站内判断,细节以原文为准,来源 AWS ML Blog,原文版权归原作者所有。

阅读原文
上一篇
VS Code 预览版改进 Agent 会话管理
下一篇
GPT-6.2 双模型上线,API 价格下调

资讯速览

AWS ML Blog · 2026-11-18 04:31

AI 评分 8.0 / 10

相关标签

#AWS#MCP#元数据治理

继续阅读

  • VS Code 预览版改进 Agent 会话管理
  • GPT-6.2 双模型上线,API 价格下调
  • 先匹配目标记录,再交给智能体推理
  • Spec Kit 生成的技能终于能追溯版本