介紹

既然已經簡單介紹了 MCP 的基本概念，接下來就是實際操作了，先從最簡單的開始，今天要介紹如何讓自己的 AI Agent 可以使用現成的 MCP Server。

操作

如何執行 MCP Server

開發的語言

目前的 MCP Server 都是由 JavaScript、Node.js 或是 Python 來進行開發，另外也有使用 Docker 來封裝 MCP Server，這樣的好處是可以避免環境不相容的問題。

執行的指令與平常開發有何不同

因爲 MCP Server 跟一般的開發不太一樣，像是 Node.js 可能會比較習慣使用 npm 或是 nvm 等指令來管理套件或是版本，但是 MCP Server 是一個獨立的應用程式，而且是希望可以直接執行的，所以大部份使用 Node.js 開發的 MCP Server 都會使用 npx 來執行。使用 npx 的好處是可以直接執行套件（執行完之後不會安裝在系統中），可以減少污染的問題。至於 Python 的部分，則是使用 uv 或是 uvx 都有，uv 主要是用來管理 Python 的虛擬環境，但是可以藉由 --with {package_name}，讓程式執行的時候立刻安裝套件（一次性），避免污染系統。

MCP Server 的設定檔

基本上 MCP Server 的設定檔都包含以下幾個部分：

• command：執行的指令（npx、uv、uvx、docker）
• args：執行的參數
• env：環境變數

GitHub Copilot

{
  "servers": {
    "github": {
      "command": "docker",
      "args": [
        "run",
        "-i",
        "--rm",
        "-e",
        "GITHUB_PERSONAL_ACCESS_TOKEN",
        "ghcr.io/github/github-mcp-server"
      ],
      "env": {
        "GITHUB_PERSONAL_ACCESS_TOKEN": "${input:github_token}"
      }
    }
  }
}

Claude Code

{
  "mcpServers": {
    "server-name": {
      "command": "/path/to/server",
      "args": [],
      "env": {}
    }
  }
}

Codex

[mcp_servers.server-name]
command = "npx"
args = ["-y", "mcp-server"]
env = { "API_KEY" = "value" }
# Optional: override the default 10s startup timeout
startup_timeout_ms = 20_000

實際使用 AWS Diagram MCP Server

接下來我們就以 AWS Diagram MCP Server 來進行示範，這個 MCP Server 是讓 AI Agent 可以使用 diagrams 這個工具來繪製 AWS 架構圖。

{
	"servers": {
		"aws-diagram": {
			"type": "stdio",
			"command": "uvx",
			"args": [
				"awslabs.aws-diagram-mcp-server"
			],
			"env": {},
			"cwd": "${workspaceFolder}"
		}
	},
	"inputs": []
}

Prompt

幫我繪製一個 AWS 架構圖

目的：在蒐集足夠訓練資料後，自動重新根據資料來調整/訓練模型

主要功能：
1. 使用 S3 來存放訓練資料（人體辨識）
2. 每當資料蒐集滿 1000 張，自動觸發訓練的 pipeline
3. 訓練完後，將模型權重存起來

目前我還不知道 AWS 哪些服務可以達成，請根據我的需求幫我完成整個架構設計，並告訴我每個服務的用處

實際產出

讓我重新為你繪製人體辨識 ML Training Pipeline 的 AWS 架構圖： 太好了！我成功為你生成了完整的 AWS 機器學習 pipeline 架構圖。圖表已保存在 ml_training_pipeline.png。

## 🏗️ **AWS 架構設計說明**

### 📊 **各 AWS 服務的用途與功能**

#### **1. 資料收集與儲存層**
- **Amazon S3 (原始訓練資料)**: 儲存人體辨識的原始圖片，具有高可用性和無限擴展性
- **Amazon S3 (預處理後資料)**: 儲存經過標準化處理的訓練資料
- **Amazon S3 (模型權重儲存)**: 儲存訓練完成的模型權重和相關檔案

#### **2. 自動化觸發系統**
- **Amazon CloudWatch Events**: 監控 S3 事件，當檔案上傳時觸發
- **Amazon EventBridge**: 事件路由服務，協調不同服務間的通訊
- **Amazon SQS**: 訊息佇列，確保訓練任務的可靠執行和錯誤處理

#### **3. 資料預處理層**
- **AWS Lambda (檔案計數器)**: 
  - 追蹤 S3 中的檔案數量
  - 當達到 1000 張圖片時觸發訓練流程
  - 成本效益高，無需維護伺服器
- **AWS Lambda (資料預處理)**: 
  - 執行影像標準化（調整大小、格式轉換等）
  - 資料清理和品質檢查
- **Amazon DynamoDB**: 
  - 追蹤訓練狀態和進度
  - 儲存檔案計數和訓練歷史

#### **4. 機器學習訓練層**
- **Amazon SageMaker**: 
  - 完全託管的機器學習平台
  - 自動擴展運算資源
  - 支援多種深度學習框架（TensorFlow、PyTorch 等）
- **SageMaker Training Job**: 
  - 執行人體辨識模型訓練
  - 支援分散式訓練和 GPU 加速
- **SageMaker Model Registry**: 
  - 模型版本管理
  - 模型部署和回滾功能

#### **5. 監控與通知層**
- **CloudWatch Logs**: 記錄訓練過程中的所有日誌
- **Amazon SNS**: 訓練完成後發送通知給研究人員

## 🔄 **工作流程說明**

1. **資料上傳**: 研究人員將人體辨識圖片上傳到 S3
2. **自動計數**: Lambda 函數自動計算檔案數量並更新 DynamoDB
3. **觸發條件**: 當達到 1000 張圖片時，CloudWatch Events 觸發 EventBridge
4. **佇列處理**: 訓練任務被加入 SQS 佇列，確保可靠執行
5. **資料預處理**: Lambda 函數執行影像預處理並儲存到專用 S3 bucket
6. **模型訓練**: SageMaker 自動啟動訓練任務
7. **模型儲存**: 訓練完成的模型權重儲存到 S3 和 Model Registry
8. **通知完成**: 透過 SNS 通知研究人員訓練完成

## 💰 **成本優化特點**

- **無伺服器架構**: Lambda 和 SageMaker 按使用量計費
- **自動擴展**: 根據需求動態調整資源
- **儲存分層**: 使用 S3 的不同儲存類別優化成本

這個架構提供了完整的自動化 ML pipeline，能夠滿足你的所有需求！

補充說明：

雖然最後面 AI Agent 成功產出架構圖，但是筆者總共試了 2 種執行 MCP Server 的方法（uvx 以及 docker），使用體驗不是特別好（總步數 20 多步才出繪製成功）。在使用 Docker 的時候，中間卡在 mcp server 是在 docker 裏面執行，雖然有把當前的工作目錄掛載進去，但是 AI Agent 最後在存檔的時候還是不停搞錯路徑（要把 docker 內的圖片 cp 出來，但是 cp 的指令是在容器外執行，就是頗麻煩，還要去確認容器的工作目錄）。最後是透過在本機端強制安裝套件，再把檔案匯出成 png 檔案，才成功的把圖片存下來。

重點回顧

• 介紹 GitHub Copilot、Claude Code、Codex 三個 MCP Server 的設定方式（2 個 Json、1 個 toml）
• 實際操作 AWS Diagram MCP Server，讓 AI Agent 可以繪製 AWS 架構圖（發現一些存取路徑的問題）

參考資料

• Local MCP server setup
• Claude Code MCP
• Codex MCP