当前位置：首页 > news >正文

Kiro + Amazon Bedrock：在 AI IDE 里直接调大模型，RAG 知识库开发实录

news 2026/5/30 20:04:44

用 Kiro 写代码的时候，经常需要调用大模型 API——测试 prompt、验证 RAG 流程、调试 Agent 逻辑。以前的做法是：写完代码 → 切到终端跑脚本 → 看输出 → 回来改代码 → 再跑。

现在通过 MCP（Model Context Protocol）把 Kiro 和 Amazon Bedrock 连起来，在 IDE 里就能直接调模型、查向量库、测试 RAG pipeline。开发体验完全不一样了。

整体架构

Kiro IDE / CLI│├── MCP Server: bedrock-models（调用 Bedrock 模型）├── MCP Server: bedrock-kb（查询 Bedrock Knowledge Bases）└── MCP Server: s3-vectors（操作 S3 向量存储）

三个 MCP Server 分别对应不同能力：

bedrock-models：调用 Claude、Llama、Titan 等模型
bedrock-kb：查询已建好的 Bedrock 知识库
s3-vectors：直接操作 S3 Vectors 存储

配置 MCP 连接

在项目根目录创建 .kiro/mcp.json：

{"mcpServers": {"bedrock-models": {"command": "npx","args": ["-y", "@anthropic-ai/bedrock-mcp-server"],"env": {"AWS_REGION": "us-east-1","AWS_PROFILE": "default"}},"bedrock-kb": {"command": "python3","args": ["-m", "bedrock_kb_mcp"],"env": {"KNOWLEDGE_BASE_ID": "YOUR_KB_ID","AWS_REGION": "us-east-1"}}}
}

确保本地有 AWS 凭证配置（~/.aws/credentials 或环境变量），然后重启 Kiro。

验证连接是否成功：

> @bedrock-models 用 Claude Sonnet 回答：什么是 RAG？

如果看到模型回复，说明连通了。

场景一：直接在 IDE 里测试 Prompt

写 prompt 模板时，不用切出去单独跑：

# prompts/summarize.py
SYSTEM_PROMPT = """你是一个文档摘要助手。
用户会给你一段长文本，你需要：
1. 提取 3-5 个核心观点
2. 每个观点不超过 30 字
3. 最后给出一句话总结"""

写完直接在 Kiro 里测试：

> @bedrock-models 用上面的 system prompt，输入这段文本测试效果：
> [粘贴一段示例文本]

Kiro 通过 MCP 调用 Bedrock，直接返回模型输出。不满意就改 prompt 再试，迭代速度快很多。

场景二：开发 RAG Pipeline

这是我实际做的一个项目——给公司内部文档建知识库。

步骤 1：准备向量存储

先用 S3 Vectors 存文档的向量表示：

import boto3
import jsons3vectors = boto3.client('s3vectors', region_name='us-east-1')# 创建向量索引
s3vectors.create_index(vectorBucketName='my-knowledge-vectors',indexName='internal-docs',dimension=1024,distanceMetric='cosine'
)

步骤 2：文档切片和嵌入

from langchain.text_splitter import RecursiveCharacterTextSplittersplitter = RecursiveCharacterTextSplitter(chunk_size=512,chunk_overlap=50
)# 切片
chunks = splitter.split_text(document_text)# 调 Bedrock Titan Embeddings 生成向量
bedrock = boto3.client('bedrock-runtime', region_name='us-east-1')for i, chunk in enumerate(chunks):response = bedrock.invoke_model(modelId='amazon.titan-embed-text-v2:0',body=json.dumps({'inputText': chunk}))embedding = json.loads(response['body'].read())['embedding']# 写入 S3 Vectorss3vectors.put_vectors(vectorBucketName='my-knowledge-vectors',indexName='internal-docs',vectors=[{'key': f'doc-chunk-{i}','data': {'float32': embedding},'metadata': {'text': chunk, 'source': 'internal-wiki'}}])

步骤 3：在 Kiro 里测试检索

代码写完后直接在 Kiro 里验证：

> @bedrock-kb 查询 "如何配置生产环境的数据库连接池"

Kiro 通过 MCP 调用 Bedrock Knowledge Base 的 Retrieve API，返回相关文档片段和相关度分数。

如果检索效果不好，你可以直接问 Kiro：

> 检索结果不太相关，帮我分析可能的原因。当前 chunk_size=512，overlap=50，用的 Titan Embeddings v2

Kiro 会给你优化建议（比如调 chunk size、换切片策略、加 metadata 过滤等）。

步骤 4：完整 RAG 调用

def rag_query(question: str) -> str:# 1. 检索相关文档retrieval = bedrock_agent.retrieve(knowledgeBaseId='YOUR_KB_ID',retrievalQuery={'text': question},retrievalConfiguration={'vectorSearchConfiguration': {'numberOfResults': 5}})# 2. 拼接上下文context = '\n\n'.join([r['content']['text'] for r in retrieval['retrievalResults']])# 3. 调用 Claude 生成回答response = bedrock.invoke_model(modelId='anthropic.claude-sonnet-4-20250514',body=json.dumps({'messages': [{'role': 'user','content': f'根据以下参考文档回答问题。\n\n参考文档：\n{context}\n\n问题：{question}'}],'max_tokens': 1024}))return json.loads(response['body'].read())['content'][0]['text']

场景三：调试 Agent 工具调用

如果你在开发 Bedrock Agent，需要调试工具调用（Function Calling）的逻辑：

> @bedrock-models 用 Claude Sonnet，带这个 tool 定义测试：
> tool: search_database(query: str, limit: int) -> list
> 用户问："帮我查最近一周的异常订单，最多显示 10 条"

Kiro 会展示模型的 tool_use 输出：

{"type": "tool_use","name": "search_database","input": {"query": "status=abnormal AND created_at >= now() - interval 7 days","limit": 10}
}

直接在 IDE 里就能看到模型是否正确理解了意图、参数是否合理。不需要部署完整的 Agent 才能测试。

开发效率提升

用了这套配置一周，对比之前的工作方式：

操作	以前	现在
测试一个 prompt	写脚本→终端跑→看输出→改→再跑	IDE 里直接试
验证 RAG 检索	写测试代码→跑→看日志	@bedrock-kb 直接查
调试 tool calling	部署 Agent→调用→看 CloudWatch 日志	IDE 里模拟
切换模型对比	改代码里的 modelId→重跑	对话里直接指定