AWS 视觉智能与 MCP 方案
AWS ML Blog · rss · 2026-07-16
AWS 这篇文章讲的是如何把 **Computer Vision、Strands Agents、MCP servers** 组合起来，让“看见、理解、行动”在同一套框架里完成。 文章先指出现实应用的痛点：视觉系统、推理系统和执行系统长期分离，导致集成复杂、API 碎片化、维护成本高。作者想用 MCP 作为统一接口，把视觉能力标准化地接入 agent。 文中方案包括： - **Computer Vision MCP Server**：统一封装图片/视频分析能力 - **OpenSearch server**：负责检索 - **Bedrock**：提供生成式模型能力 - **IAM role**：作为统一安全入口，避免客户端硬编码凭证 客户端是一个 Streamlit 聊天 UI，支持上传图片和视频，并可做对象裁剪、标签检测、细粒度分析等。文章还给出 agent 的 system prompt 示例，强调通过工具调用直接执行视觉任务并用 UI 组件展示结果。 在 CV server 部分，作者展示了 `describe_image` 工具：它会从 S3 取图，再用 Bedrock 上的 Claude 做图像分析，并返回带状态信息的描述结果。文中还贴了示例输出，展示对一张乡村羊群图片的识别结果。整体上，这篇文章更像是一个可落地的多模态 agent 工程方案，而不是纯概念介绍。