本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

Server-side 工具的使用

如果您使用 Responses API 来调用模型，那么除了我们之前讨论的客户端工具调用外，它还可以使用服务器端工具调用。 Server-side 工具调用是一种机制，其中工具（API、函数、工作流程）在可信的后端环境中执行，而不是在客户端上执行。这改善了应用程序的安全性、可靠性和治理状况。在 Amazon Bedrock 执行实现工具使用的 Lambda 函数之前，它会确保 Lambda 函数具有与调用该函数的应用程序相同的 IAM 政策。由于 Amazon Bedrock 负责工具执行，因此客户可以专注于实现其业务逻辑，而不是添加工具功能。亚马逊 Bedrock 还支持符合 ISO、SOC 和 HIPAA 条件的最高治理标准。您可以提交自己的自定义 Lambda 函数来运行该工具，也可以使用现有的预定义工具，例如笔记和任务。 Server-side 使用响应 API 的工具从 GPT OSS 20B/120B 模型开始可用，对其他模型的支持也即将推出。您可以使用模型 API 来发现可用于响应 API 的可用模型。有关响应 API 的更多详细信息，请参阅使用 OpenAI API bedrock/latest/userguide/bedrock-mantle.html 生成响应。

您可以将两种类型的工具用于亚马逊 Bedrock：使用 Lambda 的自定义工具或亚马逊 Bedrock 支持的预定义工具。本节介绍如何使用响应 API 创建自定义 Lambda 工具。以下各节详细描述了每种类型。

在响应 API 中使用 Lambda 的自定义工具

通过在 Amazon Bedrock 中使用 Lambda 函数作为自定义工具，您可以通过将自定义 Lambda 函数集成为工具来扩展代理的功能。借助它，您可以创建无服务器、可扩展的工具，这些工具可由 AI 助手和其他应用程序通过模型上下文协议 (MCP) 调用。以下是此功能的优点：

要让 Amazon Bedrock 中的模型使用工具完成对消息的响应，您需要将消息和一个或多个工具的定义发送给该模型。根据您的应用程序的提示，如果模型确定其中一个工具可以帮助生成响应，它将返回请求 Amazon Bedrock 使用该工具并将工具结果发送回模型。然后，模型会使用这些结果生成对原始消息的响应。

以下步骤显示了如何使用带有响应 API 的工具。

工作原理

第 1 步：定义 Lambda 函数以获取最受欢迎的歌曲

创建实现 MCP 协议的 Lambda 函数。以下是一个简单的 Python 示例：

import json

def lambda_handler(event, context):
    # Parse JSON-RPC request
    method = event.get('method')
    params = event.get('params', {})
    request_id = event.get('id')
    
    if method == 'tools/list':
        return {
            "jsonrpc": "2.0",
            "id": request_id,
            "result": {
                "tools": [
                    {
                        "name": "my_custom_tool",
                        "description": "My custom business logic tool",
                        "inputSchema": {
                            "type": "object",
                            "properties": {
                                "input": {
                                    "type": "string",
                                    "description": "Input text to process"
                                }
                            },
                            "required": ["input"]
                        }
                    }
                ]
            }
        }
    elif method == 'tools/call':
        tool_name = params.get('name')
        arguments = params.get('arguments', {})
        
        if tool_name == 'my_custom_tool':
            # Your custom logic here
            result = f"Processed: {arguments.get('input', '')}"
            return {
                "jsonrpc": "2.0",
                "id": request_id,
                "result": {
                    "content": [
                        {
                            "type": "text",
                            "text": result
                        }
                    ]
                }
            }
    
    # Error response for unsupported methods
    return {
        "jsonrpc": "2.0",
        "id": request_id,
        "error": {
            "code": -32601,
            "message": "Method not found"
        }
    }

第 2 步：部署 Lambda 函数

接下来，使用您的 IAM 角色部署此 Lambda 函数以获取 ARN。您可以在 Lambda 开发人员指南的 Lambda 入门中阅读更多内容。

# Example using AWS CLI
aws lambda create-function \
  --function-name my-custom-tool \
  --runtime python3.14 \
  --role arn:aws:iam::YOUR-ACCOUNT:role/lambda-execution-role \
  --handler lambda_function.lambda_handler \
  --zip-file fileb://function.zip

假设你的 ARN 是：arn:aws:lambda:us-west-2:123456789012:function:my-custom-tool

第 3 步：在推理请求中定义消息和工具定义

要发送消息和工具定义，您可以使用响应 API 操作。Amazon Bedrock 使用响应 API 的连接器和远程 MCP 服务器功能来提供工具使用功能。该工具的定义是一个 JSON 架构，您在 mcp 请求参数中将其传递给创建操作。在响应连接器 API 的connector_id字段中，您可以传入您在上一步中创建的 Lambda ARN。您无需提供授权证书，因为 Amazon Bedrock 使用与调用模型的应用程序相同的 IAM 角色和策略。以下是一个工具的示例架构，该工具可以获取电台播放的最受欢迎的歌曲。

from openai import OpenAI

client = OpenAI()

resp = client.responses.create(
    model="oss-gpt-120b",
    tools=[
        {
            "type": "mcp",
            "server_label": "xamzn_arn",
            "connector_id": "arn:aws:lambda:us-west-2:123456789012:function:my-custom-tool",
            "require_approval": "never",
        },
    ],
    input="My custom prompt.",
)

print(resp.output_text)

第 4 步：Bedrock 调用该工具并将响应传回模型

支持响应 API 的模型中提供了使用连接器工具的功能。在使用 OpenAI API bedrock/latest/userguide/bedrock-mantle.html 生成响应中查看哪些工具支持您的模型。当您使用 Responses API 使用工具时，只需为导入工具定义或进行工具调用时使用的令牌付费。每次工具调用不涉及额外费用。

当您在tools参数中指定 Lambda 函数时，API 将尝试从服务器获取工具列表。如果成功检索工具列表，则新的mcp_list_tools输出项将出现在模型响应输出中。此对象的tools属性将显示成功导入的工具。模型获得这些工具定义的访问权限后，它可能会根据模型上下文中的内容选择调用它们。当模型决定调用 Lambda 工具时，API 将向 Lambda 函数发出调用该工具的请求，并将其输出放入模型的上下文中。您可以在 OpenAI 文档中阅读有关列表工具和调用工具的更多信息。请注意，您的 Lambda 函数必须具有与在 Amazon Bedrock 中调用该模型的应用程序相同的 IAM 角色和策略，否则 Lambda 函数将失败。以下是错误定义。

{
    "jsonrpc": "2.0",
    "id": 1,
    "error": {
        "code": -32000,
        "message": "Tool execution failed",
        "data": "Additional error details"
    }
}

使用响应 API 中 AWS 提供的工具

openai.gpt-oss-20b和openai.gpt-oss-120b模型中内置了两个 AWS 提供的工具： Note-taking 功能（备注工具）和任务管理（任务工具）。这些工具是自动可用的，您无需在tools参数中定义它们。

备注工具概述

该notes工具允许模型在同一个对话会话中存储笔记。这为维护多次交互的上下文提供了一种简单的记忆机制。内存仅限于当前会话。

当模型使用注释工具时，它会发出name设置为"notes"的mcp_call输出。该模型根据您的请求确定适当的参数。

你可以使用任何一种自然语言（例如 “记住我最喜欢的颜色是蓝色”、“关于我最喜欢的颜色，我跟你说了什么？”，“存储我更喜欢早间会议的事实”，“回想一下我所说的关于会议偏好的话”），或者你可以在提示中使用直接调用工具（“使用备忘工具将我的电子邮件存储为 john@example.com”，“查看我的电子邮件地址的备注”）。

任务工具概述

该tasks工具为管理对话会话中的任务提供了堆栈。您可以将任务推送到堆栈中并将其弹出，这使其可用于管理工作流程、提醒或分层任务管理。任务贯穿整个对话会话。内存仅限于当前会话。

当模型使用任务工具时，它会发出name设置为"tasks"的mcp_call输出。该模型根据您的请求确定适当的参数（例如methodtask.title、和task.description）。

你可以使用自然语言来调用任务工具（例如 “添加任务以审查预算”、“推送提醒给客户打电话”、“我接下来要做什么任务？”，“弹出最新的任务”，“从我的堆栈中获取最新任务”），或者你可以直接在提示符中调用该工具（“使用任务工具推送'完成演示文稿'”，“从堆栈中弹出任务”，“将'安排会议'添加到我的任务列表”）。

代码示例：使用备注和任务工具

备注和任务工具内置于openai.gpt-oss-20b和openai.gpt-oss-120b模型中。您无需在tools参数中明确定义它们，只需在提示符中引用它们即可：

from openai import OpenAI

client = OpenAI(
    base_url="https://bedrock-mantle.us-east-1.api.aws/v1"
)

# The notes tool is built-in — just ask the model to use it
resp = client.responses.create(
    model="openai.gpt-oss-120b",
    input="Use the notes tool to store that my preferred language is Python.",
)

print(resp.output)
# The model automatically calls the notes tool via mcp_call

# Use the tasks tool to push a task
resp = client.responses.create(
    model="openai.gpt-oss-120b",
    input="Use the tasks tool to push a task: review the API documentation",
)

print(resp.output)

Server-side 与 Gateway 的工具使用集成 AgentCore

Amazon Bedrock 现在支持 AgentCore Gateway 作为服务器端工具调用集成类型。借助此功能，您可以将模型直接连接到 AgentCore 网关端点，以便无缝访问通过网关基础设施管理的工具。

AgentCore 网关集成遵循与 Lambda 函数集成相同的模式，但有一个关键区别。

Lambda 集成：

AgentCore 网关集成：

配置

请求结构

将 AgentCore 网关配置为工具源时，请在响应 API 请求的tools数组中使用以下结构。

{
  "type":"mcp",
  "server_label":"agentcore_tools",
  "connector_id":"arn:aws:bedrock-agentcore:us-west-2:342789630635:gateway/agentcore-intro-gateway-v2-swvq44sovp",
  "server_description":"AgentCore Gateway providing custom tools",
  "require_approval":"never"
}

参数

完整请求示例

{
  "model":"openai.gpt-oss-120b",
  "stream":true,
  "background":false,
  "store":false,
  "tools": [
    {
      "type":"mcp",
      "server_label":"agentcore_tools",
      "connector_id":"arn:aws:bedrock-agentcore:us-west-2:342789630635:gateway/agentcore-intro-gateway-v2-swvq44sovp",
      "server_description":"AgentCore Gateway providing custom tools",
      "require_approval":"never"
    }
  ],
  "input": [
    {
      "type":"message",
      "role":"user",
      "content": [
        {
          "type":"input_text",
          "text":"What is the weather in Seattle?"
        }
      ]
    }
  ]
}

先决条件

在使用 AgentCore 网关集成之前，请确保：

AgentCore 网关集成的好处

IAM 权限

您的 Bedrock 执行角色需要权限才能调用 AgentCore 网关：

{
  "Version": "2012-10-17",
  "Statement": [
    {
      "Effect": "Allow",
      "Action": [
        "bedrock-agentcore:InvokeGateway"
      ],
      "Resource": "arn:aws:bedrock-agentcore:us-west-2:342789630635:gateway/agentcore-intro-gateway-v2-swvq44sovp"
    }
  ]
}

后续步骤