电商 AI 助手走向业务系统：MCP 真正的难点不在“能对话”

AWS 近日发布了一套电商 MCP 服务端实践：使用 Python 与 FastMCP 封装商品搜索、下单、评价和退货等业务操作，部署到 Amazon Bedrock AgentCore Runtime，再接入 Mistral AI Studio 的 Vibe。与普通聊天演示相比，这套方案更值得国内开发者关注的地方，不是模型能否理解“查询最近订单”，而是它尝试回答一个更现实的问题：当 AI 助手开始读写真实业务数据时，身份认证、权限隔离、部署运维和接口复用该如何处理。

MCP 只是入口，业务工具才是核心

这套示例将电商能力包装为六个 MCP 工具，并通过 `/mcp` 端点提供服务，另设 `/health` 端点用于监控。应用层采用 FastMCP：Python 函数的参数、类型标注和说明文本会成为工具描述，供模型判断何时调用以及如何传参。

以订单历史查询为例，工具并非简单返回数据库记录。它先取得当前用户对应的客户 ID，未认证时直接报错；查询订单后，再补充商品名称和类别，使结果同时包含机器可处理的标识与便于生成自然语言回答的信息。

这里反映出 MCP 落地的一项基本要求：工具定义不能只追求“模型可以调用”，还要明确认证条件、输入边界和返回结构。否则，即使协议已经统一，模型仍可能选错工具、传错参数，或者拿到缺乏上下文的数据。

接入真实交易，必须把身份带到数据层

示例中的请求链路采用两层安全设计。用户首先通过 Cognito 托管的 OAuth 2.1 登录流程完成认证，Vibe 保存 Cognito 签发的 JWT。随后，MCP 请求携带 Bearer Token 到达 AgentCore 端点。

在应用代码执行前，AgentCore Runtime 的 JWT Validator 检查令牌签名、有效期和客户端授权；请求通过后，应用再从身份信息中取得客户 ID，并以此限定 DynamoDB 查询范围。订单、评价和退货等数据因此按客户隔离。

这种设计传递出的判断很明确：面向真实业务的 AI 助手不能把“用户已经登录”直接等同于“用户可以访问所有工具和数据”。基础设施层负责拒绝无效令牌，应用层仍需落实对象级数据权限。双层校验不是重复劳动，而是避免模型调用链绕过业务边界的必要措施。

托管运行时解决部署问题，但不会替代业务治理

AWS 给出的架构由三层组成：FastMCP 应用运行在 AgentCore Runtime 容器中；五张 DynamoDB 表分别保存商品、客户、订单、评价和退货数据；Cognito 负责用户身份。基础设施通过 AWS CDK 的四个栈部署，覆盖数据库、身份系统、测试数据加载以及运行时所需的 IAM、ECR和配置参数。

按博客说明，AgentCore Runtime 提供无服务器托管、会话隔离、长请求支持、JWT 校验和可观测能力，开发者不必自行管理容器、负载均衡器及认证中间件。容器镜像可由 AWS CodeBuild 在云端构建，因此本地不要求安装 Docker。

不过，“托管”主要降低基础设施工作量，并不自动解决工具权限、失败回滚、敏感字段处理和业务审计。特别是下单、提交评价、处理退货等写操作，一旦由自然语言触发，企业仍需自行界定哪些动作必须二次确认、哪些参数必须校验，以及错误执行后如何追踪和补偿。原文展示了技术链路，但不能据此推断其已经覆盖完整的生产治理要求。

对国内团队的启发：先统一接口，再评估平台绑定

MCP 的直接价值在于复用。按照该方案，同一服务端不仅能够连接 Vibe，理论上也可供其他兼容 MCP 的客户端使用，从而减少为每个 AI 客户端单独编写接口的工作。

但协议可复用不等于部署环境完全可替换。这套实现同时依赖 AgentCore、Cognito、DynamoDB、IAM、ECR、CloudWatch、SSM Parameter Store 和 CDK。国内团队若要参考，更适合拆成两部分评估：一是保留 MCP 工具定义、身份透传和数据隔离等通用设计；二是根据自身云平台与合规要求，重新选择运行时、身份服务、数据库和监控体系。

换言之，这个案例的价值不只是提供一份电商代码模板，而是展示了 AI 助手从“回答问题”进入“执行交易”之后，系统边界如何随之扩大。真正决定其能否上线的，往往不是模型表现，而是认证、授权、数据隔离和运维机制是否形成闭环。

来源

• [AWS Machine Learning Blog：Building and connecting a production-ready ecommerce MCP server using Amazon Bedrock AgentCore and Mistral AI Studio](https://aws.amazon.com/blogs/machine-learning/building-and-connecting-a-production-ready-ecommerce-mcp-server-using-amazon-bedrock-agentcore-and-mistral-ai-studio/)