超越协助：“Agent Plugins for AWS”的执行力
Source: Dev.to
请提供您想要翻译的具体文本内容，我将把它翻译成简体中文并保持原有的格式。
AWS 的代理插件
Agent Plugins for AWS – 由 AWS Labs 于 2026 年 2 月在 GitHub 上发布 – 是一个 为 AI 代理提供可执行技能集的插件库。与简单的代码补全或自然语言帮助不同，这些插件使 AI 代理能够在 AWS 上执行真实操作。
关键要点
- 官方支持，作为 Claude Code 插件。
- 可通过 Cursor 市场 轻松安装。
- 提供 端到端工作流：
- AI 驱动的设计协助
- 推荐与成本估算
- 基础设施即代码 (IaC) 生成
- 部署到 AWS
仓库
awslabs / agent-plugins
Agent Plugins for AWS 为 AI 编码代理配备了帮助您在 AWS 上进行架构设计、部署和运营的技能。
重要提示： 生成式 AI 可能会出现错误。您应当审查所选 AI 模型和代理编码助手产生的所有输出和费用。请参阅 AWS Responsible AI Policy。
代理插件目前由 Claude Code 支持。
插件
| 插件 | 描述 | 状态 |
|---|---|---|
| deploy-on-aws | 将应用部署到 AWS，提供架构建议、成本估算和 IaC 部署 | 可用 |
Installation
Claude Code
Add the marketplace
/plugin marketplace add awslabs/agent-pluginsInstall a plugin
/plugin install deploy-on-aws@agent-plugins-for-awsCursor
Use the official Cursor marketplace to install the plugins from this repository. For additional information, please refer to the documentation.
- Open Cursor Settings →
Plugins。 - In the search bar, type aws。
- Select the plugin you want to install, click Add to Cursor, then choose the scope。
- …and you’re ready to go。
为什么它不仅仅是一个“Completion Tool”
之前，使用 LLM 进行开发支持通常遵循以下模式：
- 对诸如“我应该如何在 AWS 上实现此架构？”之类的问题提供自然语言建议
- 人类根据这些建议进行设计和编码
- 部署和测试由人类手动完成
在这种流程中，AI 的角色集中在 设计协助，而实际将应用部署到环境中则依赖于人类。
相比之下，Agent Plugins for AWS 是一套插件，允许 AI 代理主动处理 Design → Recommendations → Cost Estimation → IaC Generation → Deployment 的全部过程。这与仅提供命令补全或通过自然语言触发 CLI 的自动化工具有本质区别。
与 CLI 自动化的区别：为何不仅仅是“终端操作”
很多人可能会认为，使用当前的工具如 Claude Code 或各种 AI CLI，已经可以：
- 生成 IaC。
- 执行 AWS CLI。
- 在启用了代理模式并具备相应权限的情况下，直接进入部署，无需人工干预。
如果仅仅从 是否可以执行 的角度来看，传统的基于 CLI 的代理环境也能完成类似任务。
那么，Agent Plugins for AWS 的差异化点是什么？
区别不在于 可执行性，而在于 能力集成的层级。
1. 临时推理 vs. 结构化能力
在基于 CLI 的自动化中，代理每次都依据提示进行推理，生成并执行命令。设计决策和服务选择依赖模型的内部知识以及即时上下文。
Agent Plugins for AWS 明确定义了 AWS 设计工作流本身——分析 → 推荐 → 估算 → 生成 → 部署——作为代理的扩展能力。这不仅是一系列命令，而是一个 将整个设计过程阶段化的能力。
换句话说，它将“即时想出操作并执行”的模型，转变为“将 AWS 设计流程内化为结构化能力”的模型。
类似 Claude 的 Skills 或 Kiro Powers 可以为代理提供额外的专门知识或脚本，但它们只是用于特定领域的行为增强模块，并 未 系统化整个设计工作流。
Agent Plugins for AWS 将从设计到执行的完整序列打包，并通过 MCP 与实时数据（定价、文档等）集成，提供为一种能力。
2. 推理中心 vs. 实时数据连接
仅凭 CLI 执行也能给出推荐和生成，但这些判断依赖模型的内部训练数据。
Agent Plugins 通过 MCP 服务器连接到：
- awsknowledge – 官方文档
- awspricing – 实时定价
- aws‑iac‑mcp – IaC 最佳实践
这确保设计推荐和成本估算基于最新的官方信息和真实世界数据。区别不在于 是否能够完成，而在于 支撑判断的信息来源是否被系统化集成。
3. 操作自动化 vs. 领域能力扩展
CLI 自动化主要提升 操作 的效率。
Agent Plugins 为代理提供特定的 AWS 领域知识，例如：
- 服务选择逻辑
- 成本评估流程
- IaC 输出模式
因此，它扩展了 AWS 领域内的设计能力，而不仅仅是自动化命令执行。
能力栈中的定位
结构上，Agent Plugins 位于以下层级：
而 CLI 自动化优化的是 CLI / API Execution Layer，Agent Plugins 在其之上添加了一个 AWS Domain Capability 中间层。此设计提升了代理的能力栈，而不仅仅是增加了另一个工具。
组织视角
CLI 自动化提升了个人效率。
Agent Plugins 标准化了设计工作流，这在组织层面变得尤为重要：
- 设计的可复现性
- 成本评估的一致性
- IaC 输出的统一性
- 可审查的推荐理由
标准化流程
因此，它的差异化点不是 “replacing the CLI,”，而是 “stacking AWS‑specific capabilities on top of the CLI.” 如果 CLI 自动化是 “execution foundation,”，Agent Plugins 是构建在其上的 “capability‑extension layer”。
Source: …
Agent 插件的基本结构和工作流程
Agent Plugins for AWS 是一组插件模块，为 AI 代理提供与 AWS 相关的功能。根据 README，目标是提供技能，使 AI 编码代理能够帮助完成从 AWS 设计、部署到运维的全部工作。
五步工作流程
| 步骤 | 描述 |
|---|---|
| Analyze | 分析源代码和项目结构，识别使用的框架、依赖项和数据存储。 |
| Recommend | 推荐合适的 AWS 服务配置并提供理由说明。 |
| Estimate | 通过 AWS 定价 MCP 服务器实时获取价格，估算推荐方案的成本。 |
| Generate | 将设计转换为基础设施即代码（IaC），支持 CDK 或 CloudFormation。 |
| Deploy | 在用户批准后，将生成的 IaC 部署并执行到 AWS 环境中。 |
由 MCP 服务器驱动的真实数据集成
Model Context Protocol (MCP) server 是支撑 Agent 插件实用性的关键底层机制。MCP 是一种用于将 AI 模型连接到外部数据源和工具的标准化协议。AWS 端的 MCP 服务器提供官方文档、定价信息以及最佳实践。
欢迎使用 AWS 开源 MCP 服务器
- 开始使用 AWS 开源 MCP 服务器并了解核心功能。
Source: awslabs.github.io
Source:
关键 MCP 服务器
| MCP 服务器 | 角色 |
|---|---|
| awsknowledge | AWS 文档、架构指南、最佳实践。 |
| awspricing | 实时 AWS 定价信息。 |
| aws‑iac‑mcp | IaC（CDK/CloudFormation）最佳实践。 |
这些服务器使代理能够参考最新的实时数据，而不是仅仅依赖模型内部的知识。
实际价值
1. 云迁移与架构设计支持
在传统的云迁移中，人们需要处理多个阶段：分析当前配置、选择服务、基于成本的决策、设计基础设施即代码（IaC）以及部署。
使用 Agent 插件，只需一条自然语言指令，例如：
“我想为该项目优化为 AWS 无服务器架构并进行部署。”
触发推荐、成本比较、IaC 生成和执行，显著降低人工工作量，同时确保设计的准确性。
2. 团队知识的形式化
资深设计师的隐性知识常常导致信息孤岛。由于 Agent 插件会输出推荐、成本和 IaC 的理由，知识共享和评审变得更加容易，进而产生：
- 设计决策过程的透明性。
- 最佳实践的形式化。
- 降低新成员的学习成本。
3. 与 CI/CD 的集成及质量评估
生成的 IaC 和配置可以直接集成到 CI/CD 流水线中：
- 在 Pull Request 中自动进行 IaC 验证。
- 将成本比较报告附加到评审阶段。
- 链接到自动化部署审批工作流。
考虑因素和风险
- Model Errors and Recency – 如官方 README 所述，输出可能包含错误；所有结果都需要人工审查。
- Security and Permissions – 必须仔细设计 AWS CLI 和 IAM 设置。权限过多会增加风险；为自动化部署建立适当的审批流程至关重要。
未来展望
AWS 的 Agent 插件是将 AI 代理从“解释型助理”演变为“执行编排引擎”的基础。底层的 MCP 服务器和生态系统（Claude、Cursor 等）持续发展，可能进一步实现云操作的自动化。
AWS 已宣布预览 AWS MCP Server，这是一款远程/全托管的模型上下文协议（Model Context Protocol）服务器。这表明未来的方向是原生支持治理——例如通过 IAM 实现的身份验证/授权以及通过 CloudTrail 进行的日志收集。
https://aws.amazon.com/about-aws/whats-new/2025/11/aws-mcp-server/
结论
AWS 的代理插件代表了一次重要的演进，将 AI 的角色从“辅助”转向“执行”。通过提供基于实时数据、一致工作流和理性支持的基础，它在云设计、迁移和运营中实现了生产力和质量的双重提升。