Amazon Quick + MCP 远程服务实战：让 AI 助手直接操作飞书，从设计到落地
"帮我在飞书上建一个项目群，把这 5 个人拉进去，然后发一条启动通知。"
这种话以前只能对人说。现在可以对 Amazon Quick 说了——它真的能帮你执行。
但实现起来没那么简单。飞书有 200+ 开放 API，全塞给 AI 作为工具上下文？token 直接爆炸。多步操作的准确率怎么保证？token 泄露了怎么办？
亚马逊云科技官博最近发了一篇实践文章，讲了怎么用 Bedrock AgentCore 构建远程 MCP 服务来解决这些问题。我看完之后照着搭了一套，记录一下关键设计决策和踩的坑。
问题：200+ 工具的上下文膨胀
飞书开放平台的 API 覆盖了消息、群组、文档、日历、审批、多维表格等十几个模块。如果把所有工具描述一股脑塞进 system prompt：
- 200+ 工具 × 平均 300 token/工具描述 ≈ 60,000 token 上下文
- Claude 每次请求都要"读"这些描述来决策用哪个
- 绝大多数工具在当前对话中完全用不上
- 成本和延迟都往上飙
方案：Meta Tool + 按需加载
核心思路是分层注册。不把 200+ 工具全给 AI，而是给它一个"工具索引"（Meta Tool），让它先查询有哪些能力，再按需加载具体工具。
用户请求↓
AI 调用 Meta Tool → "飞书消息相关能力有哪些？"↓
返回 5 个具体工具描述↓
AI 选择具体工具执行 → send_message / create_group
这样每次对话只加载用得上的工具，上下文从 60K token 降到 3-5K token。
架构设计
整体架构分三层：
Amazon Quick (AI 助手)↓ MCP 协议
Bedrock AgentCore (远程 MCP 服务)↓ REST API
飞书开放平台
Bedrock AgentCore 做了什么
AgentCore 在这里的角色是远程 MCP 服务器。它负责：
- 工具注册和发现 — 管理所有飞书 API 的工具描述
- 认证和鉴权 — OAuth PKCE + HMAC 签名
- 执行代理 — 接收 AI 的工具调用请求，转发到飞书 API
- 结果格式化 — 把飞书 API 的原始响应转成 AI 能理解的格式
为什么用远程 MCP 不用本地
本地 MCP（每个用户电脑跑一个 MCP server）有几个问题：
- 需要用户本地安装和配置
- 飞书 token 存在用户电脑上，安全风险大
- 不同用户的权限难以统一管理
- 无法集中监控和审计
远程 MCP 服务部署在 AWS 上，统一管理认证和权限。Amazon Quick 通过 MCP 协议与之通信。
关键设计：token 安全
飞书 API 调用需要 access_token。这个 token 怎么管理，直接影响系统安全。
方案：OAuth PKCE + HMAC 域分离签名
import hashlib
import hmac
import time
import secretsclass TokenManager:"""飞书 token 安全管理"""def __init__(self, app_id: str, app_secret: str, signing_key: bytes):self.app_id = app_idself.app_secret = app_secretself.signing_key = signing_keydef get_tenant_token(self) -> str:"""获取租户级别的 access_token"""import requestsresp = requests.post("https://open.feishu.cn/open-apis/auth/v3/tenant_access_token/internal",json={"app_id": self.app_id, "app_secret": self.app_secret})return resp.json()["tenant_access_token"]def sign_request(self, user_id: str, action: str, timestamp: int) -> str:"""HMAC 域分离签名 — 防止跨用户/跨操作伪造"""message = f"{user_id}|{action}|{timestamp}"return hmac.new(self.signing_key,message.encode(),hashlib.sha256).hexdigest()def verify_request(self, user_id: str, action: str, timestamp: int, signature: str) -> bool:"""验证请求签名，防止重放攻击"""# 检查时间戳（5分钟有效）if abs(time.time() - timestamp) > 300:return Falseexpected = self.sign_request(user_id, action, timestamp)return hmac.compare_digest(expected, signature)
关键点：
- 域分离 — 签名里包含 user_id 和 action，防止 A 用户的签名被 B 用户复用
- 时间戳 — 5 分钟有效期，防重放
- HMAC-SHA256 — 签名密钥存在服务端，客户端拿不到
Meta Tool 实现
Meta Tool 本质上是一个"工具目录"服务：
from typing import Dict, List# 工具分类注册表
TOOL_REGISTRY: Dict[str, List[dict]] = {"messaging": [{"name": "send_message", "description": "发送消息到指定会话"},{"name": "reply_message", "description": "回复指定消息"},{"name": "recall_message", "description": "撤回已发送的消息"},],"group": [{"name": "create_group", "description": "创建群组"},{"name": "add_members", "description": "添加群成员"},{"name": "set_group_name", "description": "修改群名称"},],"calendar": [{"name": "create_event", "description": "创建日历事件"},{"name": "list_events", "description": "查询日历事件列表"},{"name": "update_event", "description": "更新日历事件"},],"docs": [{"name": "create_doc", "description": "创建云文档"},{"name": "update_doc", "description": "更新文档内容"},{"name": "share_doc", "description": "分享文档给指定用户"},]
}def meta_tool_query(category: str = None, keyword: str = None) -> List[dict]:"""Meta Tool: AI 调用此函数发现可用工具Args:category: 按分类筛选 (messaging/group/calendar/docs)keyword: 按关键词搜索工具描述Returns:匹配的工具列表（含完整参数定义）"""results = []for cat, tools in TOOL_REGISTRY.items():if category and cat != category:continuefor tool in tools:if keyword and keyword not in tool["description"]:continueresults.append({"category": cat, **tool})return results
AI 的调用流程变成：
- 用户说"帮我建个群" → AI 调用
meta_tool_query(category="group") - 拿到
create_group、add_members等工具描述 - AI 选择
create_group并填入参数执行
多步编排的准确性
实际任务往往需要多步操作。比如"建群+拉人+发消息"：
async def execute_multi_step(steps: List[dict], context: dict):"""多步操作编排器"""results = {}for step in steps:tool_name = step["tool"]params = step["params"]# 支持步骤间参数传递# 比如 create_group 返回 group_id，add_members 需要用它for key, value in params.items():if isinstance(value, str) and value.startswith("$"):ref = value[1:] # "$create_group.group_id" → "create_group.group_id"ref_step, ref_field = ref.split(".")params[key] = results[ref_step][ref_field]# 执行当前步骤result = await call_feishu_api(tool_name, params, context)results[step["id"]] = result# 失败则中断（不做半截操作）if not result.get("success"):return {"status": "failed", "failed_step": step["id"], "error": result.get("error"), "completed": results}return {"status": "success", "results": results}
部署到 AgentCore
把整套 MCP 服务部署为 AgentCore 托管的远程服务：
# 打包部署
aws bedrock-agentcore create-mcp-service \--service-name "feishu-mcp" \--description "飞书操作 MCP 服务" \--runtime "python3.12" \--handler "main.handler" \--source-code-path "./feishu_mcp/" \--environment-variables '{"FEISHU_APP_ID": "cli_xxxx","SIGNING_KEY_ARN": "arn:aws:secretsmanager:ap-northeast-1:123456789012:secret:feishu-signing-key"}' \--region ap-northeast-1
敏感配置（app_secret、signing_key）存在 Secrets Manager 里，运行时通过 IAM Role 获取。
踩坑记录
-
飞书 token 有效期 2 小时 — 必须做自动刷新。我用了一个后台 timer 每 90 分钟刷新一次。
-
消息格式兼容 — 飞书消息支持富文本、卡片、Markdown 等多种格式。AI 生成的纯文本消息需要包装成飞书消息格式。
-
权限粒度 — 不是所有用户都能操作所有群。Meta Tool 返回工具列表时要根据当前用户的权限过滤。
参考链接
- Amazon Quick 官方文档：https://docs.aws.amazon.com/quick/latest/userguide/
- Bedrock AgentCore MCP 服务：https://docs.aws.amazon.com/bedrock/latest/userguide/agentcore-mcp.html
- 飞书开放平台文档：https://open.feishu.cn/document/home/index
- MCP 协议规范：https://spec.modelcontextprotocol.io/
- AWS 中国官博原文：https://aws.amazon.com/cn/blogs/china/amazon-quick-build-mcp-service-design-practice/