Bedrock KB Retrieval MCP Server 实测：让 AI Agent 通过 MCP 协议查询知识库

Lab 信息

• 难度: ⭐⭐ 中级
• 预估时间: 60 分钟
• 预估费用: $1-2（OpenSearch Serverless 集合 + KB API 调用）
• Region: us-east-1
• 最后验证: 2026-04-14

背景

在 AI Agent 架构中，让大模型访问企业私有知识一直是 RAG 的核心场景。Amazon Bedrock Knowledge Bases 提供了托管的 RAG 方案，但 Agent 如何优雅地发现和查询这些知识库？

AWS 官方开源了 awslabs.bedrock-kb-retrieval-mcp-server，这是一个基于 MCP（Model Context Protocol）的服务器，让任何支持 MCP 的 AI Agent（Claude Desktop、Cursor、VS Code、Kiro 等）都能通过标准协议自动发现和查询你的 Bedrock Knowledge Bases。

本文从零搭建测试环境，实测 MCP Server 的全部功能，并通过 Reranking On/Off 对比实验，展示如何用一行配置显著提升检索质量。

前置条件

• AWS 账号，IAM 用户/角色需要以下权限
• AWS CLI v2 已配置
• Python 3.10+
• uv 包管理器

最小 IAM Policy（点击展开）

{
  "Version": "2012-10-17",
  "Statement": [
    {
      "Sid": "KBDiscovery",
      "Effect": "Allow",
      "Action": [
        "bedrock:ListKnowledgeBases",
        "bedrock:GetKnowledgeBase",
        "bedrock:ListTagsForResource"
      ],
      "Resource": "*"
    },
    {
      "Sid": "KBDataSources",
      "Effect": "Allow",
      "Action": [
        "bedrock-agent:ListDataSources",
        "bedrock-agent:GetDataSource"
      ],
      "Resource": "*"
    },
    {
      "Sid": "KBQuery",
      "Effect": "Allow",
      "Action": ["bedrock-agent:Retrieve"],
      "Resource": "arn:aws:bedrock:*:*:knowledge-base/*"
    },
    {
      "Sid": "Reranking",
      "Effect": "Allow",
      "Action": ["bedrock:Rerank", "bedrock:InvokeModel"],
      "Resource": "*"
    }
  ]
}

核心概念

MCP Server 架构

awslabs.bedrock-kb-retrieval-mcp-server 基于 FastMCP 框架，通过 stdio 与 MCP 客户端通信。它暴露两个 Tool：

Tool	功能	参数
ListKnowledgeBases	发现所有带指定 tag 的 KB 及其 data sources	无参数
QueryKnowledgeBases	自然语言查询指定 KB	query, knowledge_base_id, number_of_results, reranking, reranking_model_name, data_source_ids

KB 发现机制

MCP Server 不会列出账户下所有 KB。它通过 tag 过滤来控制哪些 KB 对 Agent 可见：

• 默认 tag key：mcp-multirag-kb，value 必须为 true
• 可通过 KB_INCLUSION_TAG_KEY 环境变量自定义 tag key

环境变量配置

变量	说明	默认值
AWS_PROFILE	AWS 凭证 profile	-
AWS_REGION	AWS Region	-
KB_INCLUSION_TAG_KEY	KB 过滤用的 tag key	mcp-multirag-kb
BEDROCK_KB_RERANKING_ENABLED	全局 Reranking 开关	false
FASTMCP_LOG_LEVEL	日志级别	INFO

Reranking 模型 Region 支持

模型	Model ID	us-east-1	us-west-2	ap-northeast-1	eu-central-1
Amazon Rerank 1.0	amazon.rerank-v1:0	❌	✅	✅	✅
Cohere Rerank 3.5	cohere.rerank-v3-5:0	✅	✅	✅	✅

注意

在 us-east-1 只能使用 Cohere Rerank 3.5，Amazon Rerank 1.0 不可用。

动手实践

Step 1: 准备测试数据

创建 S3 bucket 并上传不同主题的测试文档，便于后续验证 data source 过滤和相关性排序：

# 创建 S3 bucket
aws s3 mb s3://mcp-kb-test-{ACCOUNT_ID} \
  --region us-east-1 \
  --profile your-profile

# 上传 3 个不同主题的文档
aws s3 cp serverless-guide.txt s3://mcp-kb-test-{ACCOUNT_ID}/serverless/ \
  --region us-east-1 --profile your-profile

aws s3 cp bedrock-overview.txt s3://mcp-kb-test-{ACCOUNT_ID}/bedrock/ \
  --region us-east-1 --profile your-profile

aws s3 cp networking-guide.txt s3://mcp-kb-test-{ACCOUNT_ID}/networking/ \
  --region us-east-1 --profile your-profile

Step 2: 创建 Bedrock Knowledge Base

创建 KB 需要：IAM Service Role、OpenSearch Serverless 集合（向量存储）、和 Embedding 模型。

推荐使用控制台的 Quick Create 方式，它会自动创建 OpenSearch Serverless 集合和索引：

1. 进入 Bedrock Console → Knowledge bases → Create
2. 选择 "Knowledge base with vector store"
3. Embedding 模型选择 Amazon Titan Text Embeddings V2
4. Vector database 选择 "Quick create a new vector store" → Amazon OpenSearch Serverless
5. 添加 3 个 S3 数据源，分别指向 serverless/、bedrock/、networking/ 前缀
6. 创建完成后，逐个 Sync 每个数据源

关键步骤：给 KB 打 tag

aws bedrock-agent tag-resource \
  --resource-arn arn:aws:bedrock:us-east-1:{ACCOUNT_ID}:knowledge-base/{KB_ID} \
  --tags mcp-multirag-kb=true \
  --region us-east-1 --profile your-profile

为什么需要打 tag？

MCP Server 通过 tag 过滤来决定哪些 KB 对 Agent 可见。没有 mcp-multirag-kb=true tag 的 KB 不会出现在 ListKnowledgeBases 结果中。这是一个安全设计——避免 Agent 意外访问不该访问的 KB。

Step 3: 安装并测试 MCP Server

# 安装 uv（如果还没有）
curl -LsSf https://astral.sh/uv/install.sh | sh

# 通过 MCP 协议发送 initialize + ListKnowledgeBases 调用
printf '{"jsonrpc":"2.0","id":1,"method":"initialize","params":{"protocolVersion":"2024-11-05","capabilities":{},"clientInfo":{"name":"test","version":"1.0"}}}\n{"jsonrpc":"2.0","method":"notifications/initialized"}\n{"jsonrpc":"2.0","id":2,"method":"tools/call","params":{"name":"ListKnowledgeBases","arguments":{}}}\n' \
  | AWS_PROFILE=your-profile AWS_REGION=us-east-1 \
    KB_INCLUSION_TAG_KEY=mcp-multirag-kb FASTMCP_LOG_LEVEL=ERROR \
    uvx awslabs.bedrock-kb-retrieval-mcp-server@latest

实测输出（MCP Server v1.27.0）：

{
  "KTVKJDYLDQ": {
    "name": "mcp-test-kb-aws-docs",
    "description": "Test KB for MCP Server lab - AWS documentation topics",
    "data_sources": [
      {"id": "BPIRBENMXS", "name": "serverless-docs"},
      {"id": "EJDFPMMLXW", "name": "networking-docs"},
      {"id": "ZLQXXT1TK9", "name": "bedrock-docs"}
    ]
  }
}

成功发现了带 tag 的 KB 及其 3 个数据源。

Step 4: 基本查询

# 查询 "What is AWS Lambda and how does it scale?"
printf '...(initialize)...\n{"jsonrpc":"2.0","id":2,"method":"tools/call","params":{"name":"QueryKnowledgeBases","arguments":{"query":"What is AWS Lambda and how does it scale?","knowledge_base_id":"KTVKJDYLDQ","number_of_results":3}}}\n' \
  | AWS_PROFILE=your-profile AWS_REGION=us-east-1 \
    KB_INCLUSION_TAG_KEY=mcp-multirag-kb FASTMCP_LOG_LEVEL=ERROR \
    uvx awslabs.bedrock-kb-retrieval-mcp-server@latest

实测输出：

排名	来源文档	Score	内容摘要
1	serverless/doc-serverless.txt	0.6699	Lambda 自动扩缩、按使用付费
2	serverless/doc-serverless.txt	0.5059	Lambda 并发控制、容器镜像支持
3	networking/doc-networking.txt	0.3899	VPC 网络概念（不太相关）

查询结果按相关性排序，top-1 准确匹配 Lambda 文档，score 从 0.67 降到 0.39。

Step 5: Data Source 过滤

将同一个查询限制在特定 data source：

# 仅查询 serverless-docs (BPIRBENMXS)
... "arguments": {
  "query": "What are the best practices?",
  "knowledge_base_id": "KTVKJDYLDQ",
  "number_of_results": 5,
  "data_source_ids": ["BPIRBENMXS"]
}

实测输出：

排名	来源文档	Score
1	serverless/doc-serverless.txt	0.3612
2	serverless/doc-serverless.txt	0.3318

仅返回 serverless 数据源的结果，networking 和 bedrock 文档被完全过滤。

Step 6: Reranking On vs Off 对比实验

这是本文最核心的对比实验。使用同一个查询 "How does Amazon Bedrock work with knowledge bases?"，分别在 Reranking 关闭和开启（Cohere 模型）时执行：

不使用 Reranking（默认）：

... "arguments": {
  "query": "How does Amazon Bedrock work with knowledge bases?",
  "knowledge_base_id": "KTVKJDYLDQ",
  "number_of_results": 5,
  "reranking": false
}

使用 Cohere Reranking：

... "arguments": {
  "query": "How does Amazon Bedrock work with knowledge bases?",
  "knowledge_base_id": "KTVKJDYLDQ",
  "number_of_results": 5,
  "reranking": true,
  "reranking_model_name": "COHERE"
}

对比结果：

排名	不使用 Reranking	Score	使用 Cohere Reranking	Score
1	bedrock/doc-bedrock.txt	0.6047	bedrock/doc-bedrock.txt	0.7613
2	serverless/doc-serverless.txt	0.3722	networking/doc-networking.txt	0.0328
3	networking/doc-networking.txt	0.3694	serverless/doc-serverless.txt	0.0250
4	networking/doc-networking.txt	0.3619	networking/doc-networking.txt	0.0185
5	serverless/doc-serverless.txt	0.3526	serverless/doc-serverless.txt	0.0135

关键发现

Reranking 极大地拉开了相关与不相关结果之间的 score 差距：

• 不使用 Reranking：Score 范围 0.35 ~ 0.60，区分度低，Top-1（0.60）和 Top-5（0.35）差距仅 1.7x
• 使用 Reranking：Score 范围 0.01 ~ 0.76，Top-1（0.76）和 Top-5（0.01）差距 58x

这意味着：开启 Reranking 后，Agent 可以更自信地使用 Top-1 结果，而不需要担心低质量结果混入。

Step 7: 边界测试

7a: Amazon Rerank 模型在 us-east-1

... "reranking": true, "reranking_model_name": "AMAZON"

Error: ValidationException: The provided model identifier is invalid.

确认 Amazon Rerank 1.0 不支持 us-east-1。

7b: 无效的 Knowledge Base ID

... "knowledge_base_id": "INVALID_KB_ID"

Error: ValidationException: 2 validation errors detected:
  Value 'INVALID_KB_ID' at 'knowledgeBaseId' failed to satisfy constraint:
    Member must satisfy regular expression pattern: [0-9a-zA-Z]+
    Member must have length less than or equal to 10

KB ID 必须是 10 字符以内的字母数字。

7c: 空查询字符串

... "query": ""

Error: ValidationException: Text input is required.

空字符串会被 Bedrock API 拒绝。

Step 8: 自定义 Tag Key

# 给 KB 打自定义 tag
aws bedrock-agent tag-resource \
  --resource-arn arn:aws:bedrock:us-east-1:{ACCOUNT_ID}:knowledge-base/{KB_ID} \
  --tags my-custom-tag=true \
  --region us-east-1 --profile your-profile

# 启动 MCP Server 使用自定义 tag key
KB_INCLUSION_TAG_KEY=my-custom-tag \
  uvx awslabs.bedrock-kb-retrieval-mcp-server@latest

使用自定义 tag key 后，只有打了 my-custom-tag=true 的 KB 会被发现。这对多团队环境很有用——不同团队可以用不同的 tag key 来隔离各自的 KB。

测试结果

#	测试场景	结果	关键数据	备注
1	ListKnowledgeBases 正常发现	✅ 通过	返回 2 个 tagged KB + data sources
2	ListKnowledgeBases 无匹配 tag	✅ 通过	返回空 {}	优雅降级
3	基本查询	✅ 通过	Top-1 score 0.67	正确匹配文档
4	number_of_results	✅ 通过	请求 10 得 5	受限于实际 chunk 数
5	data_source_ids 过滤	✅ 通过	仅返回指定 source	有效隔离
6	Reranking On vs Off	✅ 通过	区分度从 1.7x → 58x	核心对比实验
7	AMAZON model us-east-1	✅ 预期报错	ValidationException	官方文档确认
8	无效 KB ID	✅ 预期报错	格式约束清晰
9	空查询	✅ 预期报错	Text input required
10	自定义 tag key	✅ 通过	按自定义 tag 过滤	多团队隔离

踩坑记录

踩坑 1: KB Service Role 需要 bedrock:Rerank 权限

首次开启 Reranking 时收到 AccessDeniedException：

User: arn:aws:sts::595842667825:assumed-role/mcp-kb-test-role/BedrockReranking-xxx
is not authorized to perform: bedrock:Rerank

注意不仅是你的 IAM 用户需要权限，KB 的 Service Role 也需要 bedrock:Rerank 和 bedrock:InvokeModel 权限。这在 README 中有提到但容易忽略。

已查文档确认：Permissions for reranking in Amazon Bedrock

踩坑 2: Amazon Rerank 1.0 不支持 us-east-1

直觉上 us-east-1 应该什么都有，但 Amazon Rerank 1.0 目前仅支持 us-west-2、ap-northeast-1、ca-central-1、eu-central-1。在 us-east-1 只能用 Cohere Rerank 3.5。

MCP Server 中 reranking_model_name 参数使用 "COHERE" 或 "AMAZON"，在 us-east-1 只能选 "COHERE"。

已查文档确认：Supported Regions and models for reranking

踩坑 3: KB 必须打 tag 才能被 MCP Server 发现

创建 KB 后如果不打 mcp-multirag-kb=true tag，ListKnowledgeBases 会返回空结果。这不是 bug，而是设计——通过 tag 机制来控制哪些 KB 对 Agent 可见。

但如果你在生产中使用，别忘了在 IaC（CDK/Terraform）模板中加上这个 tag。

费用明细

资源	单价	用量	费用
OpenSearch Serverless 集合	~$0.24/hr	~2 hr	~$0.48
Bedrock Retrieve API	按查询计	~20 次	< $0.01
Cohere Rerank 3.5	按调用计	~5 次	< $0.01
S3 存储	极少量	3 个小文件	< $0.01
合计			~$0.50

清理资源

# 1. 删除 Knowledge Base（会同时删除数据源）
aws bedrock-agent delete-knowledge-base \
  --knowledge-base-id KTVKJDYLDQ \
  --region us-east-1 --profile your-profile

# 2. 删除 OpenSearch Serverless 集合
aws opensearchserverless delete-collection \
  --id 39nsqdqc4h95c3oozt0c \
  --region us-east-1 --profile your-profile

# 3. 删除 OSS 安全策略和访问策略
aws opensearchserverless delete-security-policy \
  --name mcp-kb-test-enc --type encryption \
  --region us-east-1 --profile your-profile

aws opensearchserverless delete-security-policy \
  --name mcp-kb-test-net --type network \
  --region us-east-1 --profile your-profile

aws opensearchserverless delete-access-policy \
  --name mcp-kb-test-access --type data \
  --region us-east-1 --profile your-profile

# 4. 清空并删除 S3 bucket
aws s3 rm s3://mcp-kb-test-2026-595842667825 --recursive \
  --region us-east-1 --profile your-profile
aws s3 rb s3://mcp-kb-test-2026-595842667825 \
  --region us-east-1 --profile your-profile

# 5. 删除 IAM Role
aws iam delete-role-policy \
  --role-name mcp-kb-test-role \
  --policy-name mcp-kb-test-permissions \
  --profile your-profile
aws iam delete-role \
  --role-name mcp-kb-test-role \
  --profile your-profile

# 6. 移除已有 KB 上的测试 tag
aws bedrock-agent untag-resource \
  --resource-arn arn:aws:bedrock:us-east-1:{ACCOUNT_ID}:knowledge-base/RNCL5AH6KK \
  --tag-keys mcp-multirag-kb \
  --region us-east-1 --profile your-profile

务必清理

OpenSearch Serverless 集合即使空闲也会持续产生费用（~$0.24/hr ≈ $5.76/天）。Lab 完成后请立即删除。

结论与建议

场景化推荐

场景	配置建议
开发/调试 Agent	BEDROCK_KB_RERANKING_ENABLED=false，先验证基本连通性
生产环境	BEDROCK_KB_RERANKING_ENABLED=true，显著提升检索精度
多团队隔离	使用自定义 KB_INCLUSION_TAG_KEY，每个团队用不同 tag
us-east-1 部署	Reranking 只能用 COHERE，或考虑部署到 us-west-2 使用 Amazon Rerank

MCP Server 集成配置

在你的 MCP 客户端（Kiro、Cursor、VS Code 等）中添加：

{
  "mcpServers": {
    "awslabs.bedrock-kb-retrieval-mcp-server": {
      "command": "uvx",
      "args": ["awslabs.bedrock-kb-retrieval-mcp-server@latest"],
      "env": {
        "AWS_PROFILE": "your-profile",
        "AWS_REGION": "us-east-1",
        "FASTMCP_LOG_LEVEL": "ERROR",
        "KB_INCLUSION_TAG_KEY": "mcp-multirag-kb",
        "BEDROCK_KB_RERANKING_ENABLED": "true"
      }
    }
  }
}

核心结论

1. Reranking 是必开项：Cohere Reranking 将相关结果与无关结果的区分度从 1.7x 提升到 58x，生产环境强烈建议开启
2. Tag 机制是安全边界：通过 tag 控制 KB 对 Agent 的可见性，适合多团队/多环境管理
3. Data Source 过滤实用：当 KB 包含多个数据源时，Agent 可以精确指定查询范围，提高结果相关性
4. Region 注意事项：us-east-1 不支持 Amazon Rerank 1.0，只能用 Cohere Rerank 3.5

参考链接

• GitHub: awslabs/mcp - bedrock-kb-retrieval-mcp-server
• Amazon Bedrock Knowledge Bases 文档
• Reranking 支持的 Region 和模型
• Retrieve API Reference
• MCP 协议规范