MCP2Lambda

Ejecute cualquier función de AWS Lambda como una herramienta de modelo de lenguaje grande (LLM) sin cambios de código utilizando el Protocolo de contexto de modelo (MCP) de Anthropic .

graph LR
    A[Model] <--> B[MCP Client]
    B <--> C["MCP2Lambda<br>(MCP Server)"]
    C <--> D[Lambda Function]
    D <--> E[Other AWS Services]
    D <--> F[Internet]
    D <--> G[VPC]
    
    style A fill:#f9f,stroke:#333,stroke-width:2px
    style B fill:#bbf,stroke:#333,stroke-width:2px
    style C fill:#bfb,stroke:#333,stroke-width:4px
    style D fill:#fbb,stroke:#333,stroke-width:2px
    style E fill:#fbf,stroke:#333,stroke-width:2px
    style F fill:#dff,stroke:#333,stroke-width:2px
    style G fill:#ffd,stroke:#333,stroke-width:2px

Este servidor MCP actúa como puente entre los clientes MCP y las funciones Lambda de AWS, lo que permite que los modelos de IA generativa accedan y ejecuten funciones Lambda como herramientas. Esto resulta útil, por ejemplo, para acceder a recursos privados, como aplicaciones y bases de datos internas, sin necesidad de proporcionar acceso a la red pública. Este enfoque permite que el modelo utilice otros servicios de AWS, redes privadas e internet público.

Desde una perspectiva de seguridad , este enfoque implementa la segregación de funciones al permitir que el modelo invoque las funciones Lambda, pero no acceda directamente a los demás servicios de AWS. El cliente solo necesita las credenciales de AWS para invocar las funciones Lambda. Estas pueden interactuar con otros servicios de AWS (mediante el rol de función) y acceder a redes públicas o privadas.

El servidor MCP da acceso a dos herramientas:

1. La primera herramienta puede detectar automáticamente todas las funciones Lambda de su cuenta que coincidan con un prefijo o una lista de nombres permitidos. Esta herramienta comparte los nombres de las funciones y sus descripciones con el modelo.

2. La segunda herramienta permite invocar aquellas funciones Lambda por nombre pasando los parámetros requeridos.

No se requieren cambios de código. Debe cambiar estas configuraciones para mejorar los resultados:

Selección de estrategia

La puerta de enlace admite dos estrategias diferentes para gestionar funciones Lambda:

1. Modo de predescubrimiento (predeterminado: habilitado): Registra cada función Lambda como una herramienta individual al inicio. Esto proporciona una interfaz más intuitiva donde cada función aparece como una herramienta con su propio nombre.

2. Modo genérico : utiliza dos herramientas genéricas ( list_lambda_functions e invoke_lambda_function ) para interactuar con funciones Lambda.

Puedes controlar este comportamiento mediante:

• Variable de entorno: PRE_DISCOVERY=true|false

• Marca CLI: --no-pre-discovery (desactiva el modo de predescubrimiento)

Ejemplo:

# Disable pre-discovery mode
export PRE_DISCOVERY=false
python main.py

# Or using CLI flag to disable pre-discovery
python main.py --no-pre-discovery

1. Para que el cliente MCP adquiera los conocimientos necesarios para usar una función Lambda, su descripción debe indicar qué hace y qué parámetros utiliza. Consulte las funciones de ejemplo para obtener una demostración rápida y más detalles.

2. Para ayudar al modelo a utilizar las herramientas disponibles a través de AWS Lambda, puede agregar algo como esto al indicador de su sistema :

Use the AWS Lambda tools to improve your answers.

Related MCP server: GPT MCP App - User & Loan Info Tools

Descripción general

MCP2Lambda permite que los LLM interactúen con las funciones de AWS Lambda como herramientas, ampliando sus capacidades más allá de la generación de texto. Esto permite a los modelos:

• Acceda a datos privados y en tiempo real, incluidas las fuentes de datos en sus VPC

• Ejecutar código personalizado utilizando una función Lambda como entorno sandbox

• Interactuar con servicios externos y API mediante funciones Lambda, acceso a Internet (y ancho de banda)

• Realizar cálculos especializados o procesamiento de datos

El servidor utiliza el protocolo MCP, que estandariza la forma en que los modelos de IA pueden acceder a herramientas externas.

De forma predeterminada, solo las funciones cuyo nombre comience con mcp2lambda- estarán disponibles para el modelo.

Prerrequisitos

• Python 3.12 o superior

• Cuenta de AWS con credenciales configuradas

• Funciones de AWS Lambda (funciones de muestra proporcionadas en el repositorio)

• Una aplicación que utiliza Amazon Bedrock con la API de Converse

• Un cliente compatible con MCP como Claude Desktop

Instalación

Instalación mediante herrería

Para instalar MCP2Lambda para Claude Desktop automáticamente a través de Smithery :

npx -y @smithery/cli install @danilop/MCP2Lambda --client claude

Instalación manual

1. Clonar el repositorio:

   git clone https://github.com/yourusername/mcp2lambda.git
   cd mcp2lambda

2. Configurar las credenciales de AWS. Por ejemplo, usando la CLI de AWS :

   aws configure

Funciones Lambda de muestra

Este repositorio incluye tres funciones Lambda de ejemplo que ilustran diferentes casos de uso. Estas funciones tienen permisos básicos y solo pueden escribir en los registros de CloudWatch.

ID de cliente del correo electrónico

Recupera un ID de cliente a partir de una dirección de correo electrónico. Esta función toma un parámetro de correo electrónico y devuelve el ID de cliente asociado, lo que demuestra cómo crear herramientas de búsqueda sencillas. La función está predefinida para responder a la dirección de correo electrónico ` user@example.com . Por ejemplo, puede solicitar al modelo que obtenga el ID de cliente para el correo electrónico user@example.com .

Información del cliente de Id.

Recupera información detallada del cliente basándose en su ID. Esta función devuelve detalles del cliente, como nombre, correo electrónico y estado, lo que demuestra cómo Lambda puede proporcionar datos contextuales. La función está predefinida para responder al ID de cliente devuelto por la función anterior. Por ejemplo, puede solicitar al modelo que "Obtenga el estado del cliente para el correo electrónico user@example.com ". Esto utilizará ambas funciones para obtener el resultado.

Ejecutar código Python

Ejecuta código Python arbitrario en un entorno de pruebas Lambda. Esta potente función permite a Claude escribir y ejecutar código Python para realizar cálculos, procesamiento de datos u otras operaciones no integradas en el modelo. Por ejemplo, puedes pedirle al modelo que calcule la cantidad de números primos entre 1 y 10, 1 y 100, y así sucesivamente hasta 1 millón.

Implementación de funciones Lambda de muestra

El repositorio incluye funciones Lambda de muestra en el directorio sample_functions .

1. Instale la CLI de AWS SAM: https://docs.aws.amazon.com/serverless-application-model/latest/developerguide/install-sam-cli.html

2. Implementar las funciones de muestra:

   cd sample_functions
   sam build
   sam deploy

Las funciones de muestra se implementarán con el prefijo mcp2lambda- .

Uso con Amazon Bedrock

MCP2Lambda también se puede utilizar con la API Converse de Amazon Bedrock, lo que le permite utilizar el protocolo MCP con cualquiera de los modelos compatibles con Bedrock.

El directorio mcp_client_bedrock contiene una implementación de cliente que conecta MCP2Lambda con los modelos de Amazon Bedrock.

Consulte https://github.com/mikegc-aws/amazon-bedrock-mcp para obtener más información.

Prerrequisitos

• Acceso y permisos de Amazon Bedrock para utilizar modelos como Claude, Mistral, Llama, etc.

• Boto3 configurado con credenciales apropiadas

Instalación y configuración

1. Navegue al directorio mcp_client_bedrock:

   cd mcp_client_bedrock

2. Instalar dependencias:

   uv pip install -e .

3. Ejecute el cliente:

   python main.py

Configuración

El cliente está configurado para utilizar Claude 3.7 Sonnet de Anthropic de forma predeterminada, pero puede modificar model_id en main.py para utilizar otros modelos Bedrock:

# Examples of supported models:
model_id = "us.anthropic.claude-3-7-sonnet-20250219-v1:0"
#model_id = "us.amazon.nova-pro-v1:0"

También puedes personalizar el mensaje del sistema en el mismo archivo para cambiar el comportamiento del modelo.

Uso

1. Inicie el servidor MCP2Lambda en una terminal:

   cd mcp2lambda
   uv run main.py

2. Ejecute el cliente Bedrock en otra terminal:

   cd mcp_client_bedrock
   python main.py

3. Interactúe con el modelo mediante la interfaz de línea de comandos. El modelo tendrá acceso a las funciones Lambda implementadas anteriormente.

Uso con Claude Desktop

Agregue lo siguiente a su archivo de configuración de Claude Desktop:

{
  "mcpServers": {
    "mcp2lambda": {
      "command": "uv",
      "args": [
        "--directory",
        "<full path to the mcp2lambda directory>",
        "run",
        "main.py"
      ]
    }
  }
}

Para ayudar al modelo a utilizar herramientas a través de AWS Lambda, en su perfil de configuración, puede agregar a sus preferencias personales una frase como:

Use the AWS Lambda tools to improve your answers.

Iniciando el servidor MCP

Inicie el servidor MCP localmente:

cd mcp2lambda
uv run main.py