AWS Infrastructure MCP Server

Ein lokaler FastMCP-Server (Python 3.12+, stdio-Transport), der AWS-Diagnosetools für serverlose Anwendungen direkt für KI-Agenten in IDEs bereitstellt. Er verbindet Cursor, VS Code Copilot oder Claude Code über das Model Context Protocol mit CloudWatch, Lambda, DynamoDB, IAM und Bedrock.

Architektur & Designentscheidungen

Transport & Stack

Authentifizierung

Verwendet die Standard-Anmeldeinformationskette von boto3 ohne benutzerdefinierte Authentifizierungslogik. Die Kette prüft in dieser Reihenfolge: Umgebungsvariablen (AWS_ACCESS_KEY_ID, AWS_SECRET_ACCESS_KEY) → ~/.aws/credentials → ~/.aws/config → Instanzmetadaten. Setzen Sie AWS_PROFILE, um ein bestimmtes benanntes Profil zu verwenden.

Tool-Oberfläche

15 Tools in 4 Modulen:

CloudWatch & Lambda — Servicediagnose (tools/cloudwatch.py, tools/lambda_ops.py)

DynamoDB — Datenzustand (tools/dynamodb.py)

IAM — Sicherheits-Governance (tools/iam.py)

validate_least_privilege prüft:

1. Wildcard-Berechtigungen — Anweisungen mit "Action": "*" oder "Resource": "*"

2. Gefährliche verwaltete Richtlinien — AdministratorAccess oder PowerUserAccess angehängt

3. Unbegrenzter Datenzugriff — S3- oder DynamoDB-Lese-/Schreibaktionen ohne spezifische Ressourcen-ARNs

Bedrock — KI-Ursachenanalyse (tools/bedrock.py)

Akzeptiert Rohtext (Logs, Stack-Traces, Metrikzusammenfassungen). Gibt ein validiertes Pydantic-Objekt zurück:

class IncidentAnalysis(BaseModel):
    severity: Literal["LOW", "MEDIUM", "HIGH", "CRITICAL"]
    root_cause_summary: str
    affected_components: list[str]
    recommended_fix: str

Der Parameter model_id akzeptiert jedes in Bedrock verfügbare Modell (zum Beispiel: meta.llama3-2-3b).

Sicherheitsgrenze

• Alle Tools sind schreibgeschützt, außer invoke_lambda (nur synchroner Aufruf).

• Kein Tool erstellt, aktualisiert oder löscht Lambda-Funktionen, DynamoDB-Elemente, IAM-Richtlinien oder andere AWS-Ressourcen.

• Ein globaler Anmeldeinformations-Bereiniger (utils/scrubber.py) schwärzt AWS-Zugriffsschlüssel-IDs, geheime Zugriffsschlüssel und Sitzungstoken aus allen Tool-Ausgaben, bevor Daten den LLM-Kontext erreichen. Angewendet auf Logmeldungen, Aufrufantworten und Fehlerausgaben.

Projektstruktur

mcpserver/
├── app.py                 # FastMCP instance (single shared object)
├── server.py              # Entry point — imports tool modules, runs stdio
├── tools/
│   ├── __init__.py
│   ├── cloudwatch.py      # get_lambda_logs, get_lambda_errors, get_lambda_metrics
│   ├── lambda_ops.py      # list_lambdas, invoke_lambda
│   ├── dynamodb.py        # list_tables, describe_table, query_table, scan_table, get_table_metrics
│   ├── iam.py             # list_roles, get_role_policy, validate_least_privilege, list_lambda_roles
│   └── bedrock.py         # analyze_incident + IncidentAnalysis schema
├── utils/
│   ├── __init__.py
│   └── scrubber.py        # Credential redaction regex patterns
├── tests/
│   ├── test_scrubber.py
│   ├── test_cloudwatch.py
│   ├── test_lambda_ops.py
│   ├── test_dynamodb.py
│   ├── test_iam.py
│   └── test_bedrock.py
├── pyproject.toml
└── uv.lock

Installation & lokale Einrichtung

Voraussetzungen:

• Python 3.12+

• Paketmanager uv

• AWS-CLI konfiguriert (~/.aws/credentials oder Umgebungsvariablen)

# Clone and install dependencies
cd mcpserver
uv sync

# Run the server locally (stdio)
uv run python server.py

IDE-Konfiguration

VS Code / Cursor

Erstellen Sie .vscode/mcp.json im Projektstammverzeichnis:

{
  "servers": {
    "aws-infra-mcp": {
      "type": "stdio",
      "command": "uv",
      "args": ["--directory", "/absolute/path/to/mcpserver", "run", "server.py"]
    }
  }
}

Ersetzen Sie /absolute/path/to/mcpserver durch den tatsächlichen Pfad zu diesem Verzeichnis. Verwenden Sie unter Windows Schrägstriche (C:/Users/.../mcpserver).

Claude Desktop

Fügen Sie zu claude_desktop_config.json hinzu:

{
  "mcpServers": {
    "aws-infra-mcp": {
      "command": "uv",
      "args": ["--directory", "/absolute/path/to/mcpserver", "run", "server.py"]
    }
  }
}

Teststrategie

Die Tests verwenden ein Single-Seam-Design: Jede @mcp.tool()-Funktion wird an ihrer öffentlichen Grenze getestet, wobei boto3 darunter mit unittest.mock.patch gemockt wird. Die Tests verifizieren die Transformationslogik des Tools — Logfilterung, Durchsetzung der harten Obergrenze, Bereinigung von Anmeldeinformationen, Pydantic-Validierung — ohne dass Live-AWS-Anmeldeinformationen erforderlich sind oder Netzwerkaufrufe getätigt werden.

57 Unit-Tests in 6 Testdateien:

# Run the full suite
uv run pytest

# Run a single cluster's tests
uv run pytest tests/test_iam.py -v