What problem do stateful MCP client capabilities solve on Amazon Bedrock AgentCore Runtime?

Stateful Model Context Protocol (MCP) client capabilities on Amazon Bedrock AgentCore Runtime address the critical limitations of previous stateless AI agent implementations. Stateless agents struggled with interactive, multi-turn workflows, as they couldn't pause mid-execution to solicit user input for clarification, request dynamic large language model (LLM)-generated content, or provide real-time progress updates during lengthy operations. Each request was independent, lacking shared context. This new feature fundamentally transforms agent interactions by enabling bidirectional conversations, allowing agents to maintain conversational threads, gather necessary input precisely when needed, generate dynamic content on the fly, and transparently inform users about ongoing processes. This leads to the development of significantly more responsive, intelligent, and user-centric AI applications capable of complex, adaptive workflows.

How does the transition from stateless to stateful mode work on AgentCore Runtime?

The transition to stateful mode within Amazon Bedrock AgentCore Runtime is initiated by a simple configuration adjustment: setting `stateless_http=False` when starting your MCP server. Once enabled, AgentCore Runtime provisions a dedicated microVM for each individual user session. This microVM is designed for persistence throughout the session's duration, which can last up to 8 hours or expire after 15 minutes of inactivity, ensuring isolated CPU, memory, and filesystem resources for each session. Continuity across interactions is maintained through a unique `Mcp-Session-Id` header. This ID is established during the initial handshake and subsequently included by the client in all follow-up requests, ensuring they are accurately routed back to the correct, persistent session, thereby preserving context and enabling complex, interactive dialogues.

What is Elicitation, and how does it enhance AI agent interactions?

Elicitation is a powerful stateful MCP capability that allows an AI agent (acting as the MCP server) to intelligently pause its ongoing execution and request specific, structured input directly from the user via the client. This significantly enhances interactive agent workflows by enabling agents to ask targeted questions at precise, opportune moments within their operational flow. For example, an agent might use elicitation to confirm a decision, gather user preferences, or collect particular data values that are contingent on preceding steps. The feature supports two robust modes: 'Form mode' for direct structured data collection through the MCP client, and 'URL mode' for secure, out-of-band interactions that require directing the user to an external URL (e.g., for OAuth or sensitive credential entry). The user's response – whether accepting, declining, or canceling the request – is then returned to the server, allowing the agent to dynamically adapt its workflow based on real-time human feedback.

How does Sampling capability benefit AI agents without managing LLM credentials?

Sampling equips the MCP server with the ability to request sophisticated large language model (LLM)-generated content directly from the client using the `sampling/createMessage` mechanism. A key benefit is that the MCP server itself does not need to manage its own LLM credentials, API keys, or direct integrations with various LLM providers. Instead, the server simply provides a well-formed prompt and any optional model preferences to the client. The client then acts as an intelligent intermediary, forwarding this request to its connected LLM and returning the generated response back to the server. This abstraction allows AI agents to seamlessly leverage powerful language model capabilities for tasks such as crafting personalized summaries, generating natural-language explanations from complex structured data, or producing context-aware recommendations, all while simplifying the operational overhead and security concerns associated with LLM management on the server side.

Amazon Bedrock: AgentCore Runtime-ல் நிலைமாற்றக்கூடிய MCP கிளையன்ட் திறன்கள்

AI முகவர்களை மேம்படுத்துதல்: Amazon Bedrock-ல் நிலைமாற்றக்கூடிய MCP-க்கு மாறுதல்

AI முகவர்கள் வேகமாக வளர்ந்து வருகின்றன, ஆயினும்கூட அவற்றின் முழு திறனும் பெரும்பாலும் நிலையற்ற செயல்படுத்தல்களால் தடைபட்டுள்ளது, குறிப்பாக நிகழ்நேர பயனர் தொடர்பு, மாறும் உள்ளடக்க உருவாக்கம் அல்லது தொடர்ச்சியான முன்னேற்ற அறிவிப்புகள் தேவைப்படும் சூழ்நிலைகளில். அதிநவீன AI முகவர்களை உருவாக்கும் டெவலப்பர்கள், நீண்டகால செயல்பாடுகளின் போது பணிப்பாய்வுகள் இடைநிறுத்தப்பட வேண்டும், தெளிவுபடுத்தல்களைச் சேகரிக்க வேண்டும் அல்லது நிலையைப் புகாரளிக்க வேண்டும் என்பதில் அடிக்கடி சவால்களை எதிர்கொள்கின்றனர். நிலையற்ற செயல்பாட்டின் கடினமான, ஒருவழித் தன்மை உண்மையாக ஊடாடும் மற்றும் பதிலளிக்கக்கூடிய AI பயன்பாடுகளை உருவாக்குவதைத் தடுக்கிறது.

இப்போது, Amazon Bedrock AgentCore Runtime அற்புதமான நிலைமாற்றக்கூடிய மாதிரி சூழல் நெறிமுறை (MCP) கிளையன்ட் திறன்களை அறிமுகப்படுத்துகிறது, இது AI முகவர்கள் பயனர்கள் மற்றும் பெரிய மொழி மாதிரிகளுடன் (LLMs) ஈடுபடும் விதத்தை மாற்றியமைக்கிறது. இந்த முக்கிய புதுப்பிப்பு முகவர்களை நிலையற்ற தகவல்தொடர்புகளின் வரம்புகளிலிருந்து விடுவிக்கிறது, சிக்கலான, பல-நிலை மற்றும் மிகவும் ஊடாடும் பணிப்பாய்வுகளை செயல்படுத்துகிறது. முக்கியமான MCP கிளையன்ட் அம்சங்களான – தூண்டுதல், மாதிரியாக்கம் மற்றும் முன்னேற்ற அறிவிப்புகளை ஒருங்கிணைப்பதன் மூலம் – Bedrock AgentCore Runtime MCP சேவையகங்களுக்கும் கிளையன்ட்களுக்கும் இடையே இருதரப்பு உரையாடல்களை எளிதாக்குகிறது, மேலும் புத்திசாலித்தனமான, பயனர் மைய AI தீர்வுகளுக்கு வழி வகுக்கிறது.

நிலையற்றதிலிருந்து நிலைமாற்றக்கூடியது வரை: ஊடாடும் முகவர் பணிப்பாய்வுகளைத் திறத்தல்

முன்னதாக, AgentCore-ல் MCP சேவையக ஆதரவு ஒரு நிலையற்ற முறையில் செயல்பட்டது, அங்கு ஒவ்வொரு HTTP கோரிக்கையும் சுயாதீனமாக செயல்பட்டது, எந்தப் பகிரப்பட்ட சூழலும் இல்லாமல். இது அடிப்படை கருவி சேவையகங்களுக்கான வரிசைப்படுத்தலை எளிதாக்கிய அதே வேளையில், உரையாடல் தொடர்ச்சி, பணிப்பாய்வு நடுப்பகுதியில் பயனர் தெளிவுபடுத்தல் அல்லது நிகழ்நேர முன்னேற்ற அறிக்கை தேவைப்படும் சூழ்நிலைகளை இது கடுமையாகக் கட்டுப்படுத்தியது. சேவையகத்தால் தனித்தனி கோரிக்கைகளில் உரையாடல் இழையைப் பராமரிக்க முடியவில்லை, இது உண்மையான ஊடாடும் முகவர்களை உருவாக்குவதைத் தடுத்தது.

நிலைமாற்றக்கூடிய MCP கிளையன்ட் திறன்களின் வருகை இந்த முன்னுதாரணத்தை அடிப்படையாக மாற்றுகிறது. சேவையக தொடக்கத்தின் போது stateless_http=False என்பதை அமைப்பதன் மூலம், AgentCore Runtime ஒவ்வொரு பயனர் அமர்விற்கும் ஒரு பிரத்யேக microVM-ஐ வழங்குகிறது. இந்த microVM அமர்வின் காலம் முழுவதும் நிலைத்திருக்கும் – 8 மணிநேரம் வரை, அல்லது 15 நிமிட செயலற்ற நிலை வரை – இது அமர்வுகளுக்கு இடையே CPU, நினைவகம் மற்றும் கோப்பு முறைமை தனிமைப்படுத்தலை உறுதி செய்கிறது. Mcp-Session-Id தலைப்பு மூலம் தொடர்ச்சி பராமரிக்கப்படுகிறது, இது சேவையகத்தால் துவக்கத்தின் போது வழங்கப்படுகிறது மற்றும் கிளையன்ட் அனைத்து அடுத்தடுத்த கோரிக்கைகளிலும் அதே அமர்வுக்கு திருப்பி விடப்படுவதற்காக சேர்க்கப்படுகிறது. இந்த பிரத்யேக, நிரந்தர சூழல் முகவர்கள் சூழலை நினைவில் வைத்திருக்கவும், பயனர் உள்ளீட்டைக் கோரவும், மாறும் LLM உள்ளடக்கத்தை உருவாக்கவும், மற்றும் தொடர்ச்சியான அறிவிப்புகளை வழங்கவும் அனுமதிக்கிறது.

பின்வரும் அட்டவணை நிலையற்ற மற்றும் நிலைமாற்றக்கூடிய முறைகளுக்கு இடையிலான முக்கிய வேறுபாடுகளை சுருக்கமாகக் கூறுகிறது:

	நிலையானற்ற முறை	நிலைமாற்றக்கூடிய முறை
`stateless_http` அமைப்பு	`TRUE`	`FALSE`
அமர்வு தனிமைப்படுத்தல்	ஒவ்வொரு அமர்வுக்கும் பிரத்யேக microVM	ஒவ்வொரு அமர்வுக்கும் பிரத்யேக microVM
அமர்வு ஆயுட்காலம்	8 மணிநேரம் வரை; 15 நிமிடம் செயலற்ற காலக்கெடு	8 மணிநேரம் வரை; 15 நிமிடம் செயலற்ற காலக்கெடு
கிளையன்ட் திறன்கள்	ஆதரிக்கப்படவில்லை	தூண்டுதல், மாதிரியாக்கம், முன்னேற்ற அறிவிப்புகள்
இதற்குப் பரிந்துரைக்கப்படுகிறது	எளிய கருவி வழங்கலுக்கு	ஊடாடும், பல-நிலை பணிப்பாய்வுகளுக்கு

ஒரு அமர்வு காலாவதியாகும்போது அல்லது சேவையகம் மறுதொடக்கம் செய்யப்படும்போது, ஆரம்ப அமர்வு ID உடன் அடுத்தடுத்த கோரிக்கைகள் 404 பிழையை வழங்கும். அந்த நேரத்தில், கிளையன்ட்கள் ஒரு புதிய அமர்வு ID-ஐப் பெறவும், ஒரு புதிய அமர்வைத் தொடங்கவும் இணைப்பை மீண்டும் துவக்க வேண்டும். நிலைமாற்றக்கூடிய பயன்முறையைச் செயல்படுத்த உள்ளமைவு மாற்றம் உங்கள் சேவையக தொடக்கத்தில் ஒரு ஒற்றை குறியீடு மட்டுமே:

mcp.run( transport="streamable-http", host="0.0.0.0", port=8000, stateless_http=False # Enable stateful mode)

இந்தக் குறியீட்டைத் தாண்டி, துவக்க கைக்குலுக்கலின் போது MCP கிளையன்ட் அவற்றுக்கான ஆதரவை அறிவித்தவுடன் மூன்று கிளையன்ட் திறன்களும் தானாகவே கிடைக்கப்பெறுகின்றன.

புதிய கிளையன்ட் திறன்களில் ஆழமான பார்வை: தூண்டுதல், மாதிரியாக்கம் மற்றும் முன்னேற்றம்

நிலைமாற்றக்கூடிய முறைக்கு மாறுவதன் மூலம், Amazon Bedrock AgentCore Runtime MCP விவரக்குறிப்பிலிருந்து மூன்று சக்திவாய்ந்த கிளையன்ட் திறன்களைத் திறக்கிறது, ஒவ்வொன்றும் மேம்பட்ட AI முகவர்களுக்கு முக்கியமான தனித்துவமான தொடர்பு வடிவங்களை நிவர்த்தி செய்ய வடிவமைக்கப்பட்டுள்ளன. இந்தக் திறன்கள் ஒரு MCP சேவையகத்திற்கும் அதன் இணைக்கப்பட்ட கிளையன்ட்களுக்கும் இடையே ஒரு கடினமான, ஒருவழி கட்டளை செயல்பாட்டை ஒரு திரவமான, இருவழி உரையாடலாக மாற்றுகின்றன. இந்தக் அம்சங்கள் விருப்பத்தேர்வு அடிப்படையிலானவை என்பதை கவனத்தில் கொள்ள வேண்டும், அதாவது துவக்கத்தின் போது கிளையன்ட்கள் அவற்றின் ஆதரவை அறிவிக்கின்றன, மேலும் சேவையகங்கள் இணைக்கப்பட்ட கிளையன்ட் விளம்பரப்படுத்திய திறன்களை மட்டுமே பயன்படுத்த வேண்டும்.

தூண்டுதல்: AI முகவர்களில் மாறும் பயனர் உள்ளீட்டை செயல்படுத்துதல்

தூண்டுதல் ஊடாடும் AI-ன் ஒரு மூலக்கல்லாக நிற்கிறது, இது ஒரு MCP சேவையகத்தை அதன் செயல்பாட்டை புத்திசாலித்தனமாக நிறுத்தி, கிளையன்ட் வழியாக பயனரிடமிருந்து குறிப்பிட்ட, கட்டமைக்கப்பட்ட உள்ளீட்டைக் கோர அனுமதிக்கிறது. இந்தத் திறன் கருவி அதன் பணிப்பாய்வுக்குள் பொருத்தமான தருணங்களில் துல்லியமான கேள்விகளைக் கேட்க உதவுகிறது, அது ஒரு முடிவை உறுதிப்படுத்துவதற்கோ, பயனர் விருப்பத்தைச் சேகரிப்பதற்கோ, அல்லது முந்தைய செயல்பாடுகளிலிருந்து பெறப்பட்ட மதிப்பைப் பெறுவதற்கோ இருக்கலாம். சேவையகம் இதை ஒரு elicitation/create JSON-RPC கோரிக்கையை அனுப்புவதன் மூலம் தொடங்குகிறது, இது மனிதனால் படிக்கக்கூடிய செய்தி மற்றும் எதிர்பார்க்கப்படும் பதிலின் அமைப்பை விவரிக்கும் ஒரு விருப்பமான requestedSchema-ஐ உள்ளடக்கியது.

MCP விவரக்குறிப்பு தூண்டுதலுக்கான இரண்டு வலுவான முறைகளை வழங்குகிறது:

படிவம் முறை: இது MCP கிளையன்ட் மூலம் கட்டமைக்கப்பட்ட தரவை நேரடியாகச் சேகரிப்பதற்கு ஏற்றது, அதாவது உள்ளமைவு அளவுருக்கள், பயனர் விருப்பத்தேர்வுகள், அல்லது முக்கியமான தரவு சம்பந்தப்படாத எளிய உறுதிப்படுத்தல்கள்.
URL முறை: OAuth ஓட்டங்கள், கட்டணச் செயலாக்கம், அல்லது முக்கியமான சான்றுகளின் உள்ளீடு போன்ற பாதுகாப்பான, வெளிப்படையான செயல்முறை தேவைப்படும் தொடர்புகளுக்கு, URL முறை பயனரை ஒரு வெளிப்புற URL-க்கு வழிநடத்துகிறது. இது முக்கியமான தகவல் MCP கிளையன்ட்டை முழுவதுமாக புறக்கணிக்கப்படுவதை உறுதிசெய்கிறது, பாதுகாப்பு மற்றும் இணக்கத்தை மேம்படுத்துகிறது.

ஒரு தூண்டுதல் கோரிக்கையைப் பெற்றதும், கிளையன்ட் பொருத்தமான உள்ளீட்டு இடைமுகத்தை வழங்குகிறது. பயனரின் அடுத்தடுத்த செயல்பாடு சேவையகத்திற்கு மூன்று-செயல்பாட்டு பதில் மாதிரியைத் தூண்டுகிறது: accept (பயனர் கோரப்பட்ட தரவை வழங்கினார்), decline (பயனர் கோரிக்கையை வெளிப்படையாக நிராகரித்தார்), அல்லது cancel (பயனர் ஒரு தேர்வு செய்யாமல் தூண்டலை நீக்கினார்). புத்திசாலித்தனமான சேவையகங்கள் இந்த ஒவ்வொரு சூழ்நிலையையும் அழகாகக் கையாள வடிவமைக்கப்பட்டுள்ளன, இது ஒரு வலுவான மற்றும் பயனர் நட்பு அனுபவத்தை உறுதி செய்கிறது. எடுத்துக்காட்டாக, மூலப்பொருளில் நிரூபிக்கப்பட்டுள்ள add_expense_interactive கருவி, Amazon DynamoDB போன்ற ஒரு பின்தளத்தில் தரவைச் செய்வதற்கு முன், ஒரு தொடர்ச்சியான கேள்விகள் – தொகை, விளக்கம், வகை மற்றும் இறுதி உறுதிப்படுத்தல் – மூலம் ஒரு பயனரை வழிநடத்த முடியும். ஒவ்வொரு படியும் எதிர்பார்க்கப்படும் உள்ளீட்டை வரையறுக்க Pydantic மாதிரிகளைப் பயன்படுத்துகிறது, இதை FastMCP elicitation/create கோரிக்கைக்குத் தேவையான JSON Schema ஆக தடையின்றி மாற்றுகிறது.

மாதிரியாக்கம் மற்றும் முன்னேற்ற அறிவிப்புகள்: LLM தொடர்பு மற்றும் வெளிப்படைத்தன்மையை அதிகரித்தல்

நேரடி பயனர் தொடர்புக்கு அப்பால், மாதிரியாக்கம் MCP சேவையகத்திற்கு sampling/createMessage வழியாக கிளையன்டிலிருந்து நேரடியாக LLM-உருவாக்கப்பட்ட உள்ளடக்கத்தைக் கோரும் திறனை வழங்குகிறது. இது ஒரு முக்கியமான பொறிமுறையாகும், ஏனெனில் இது சேவையகத்தில் உள்ள கருவி லாஜிக்கை அதன் சொந்த LLM சான்றுகள் அல்லது நேரடி API ஒருங்கிணைப்புகளை நிர்வகிக்காமல் சக்திவாய்ந்த மொழி மாதிரி திறன்களைப் பயன்படுத்த அனுமதிக்கிறது. சேவையகம் வெறுமனே ஒரு prompt மற்றும் விருப்ப மாதிரி விருப்பத்தேர்வுகளை வழங்குகிறது, மேலும் கிளையன்ட், ஒரு இடைத்தரகராக செயல்பட்டு, கோரிக்கையை அதன் இணைக்கப்பட்ட LLM-க்கு அனுப்பி, உருவாக்கப்பட்ட பதிலை வழங்குகிறது. இது தனிப்பயனாக்கப்பட்ட சுருக்கங்களை உருவாக்குதல், கட்டமைக்கப்பட்ட தரவுகளிலிருந்து இயற்கையான மொழி விளக்கங்களை உருவாக்குதல், அல்லது நடந்து கொண்டிருக்கும் உரையாடலின் அடிப்படையில் சூழல் உணர்வுள்ள பரிந்துரைகளை உருவாக்குதல் போன்ற பல நடைமுறை பயன்பாடுகளைத் திறக்கிறது.

காலப்போக்கில் நீடிக்கும் செயல்பாடுகளுக்கு, முன்னேற்ற அறிவிப்புகள் விலைமதிப்பற்றதாக மாறும். இந்தத் திறன் ஒரு MCP சேவையகத்தை நீண்டகால பணிகளின் போது படிப்படியான புதுப்பிப்புகளைப் புகாரளிக்க அனுமதிக்கிறது. ctx.report_progress(progress, total) ஐப் பயன்படுத்துவதன் மூலம், சேவையகம் தொடர்ச்சியான புதுப்பிப்புகளை வெளியிட முடியும், அவற்றை கிளையன்ட்கள் காட்சி பின்னூட்டமாக மாற்றலாம், அதாவது ஒரு முன்னேற்றப் பட்டி அல்லது ஒரு நிலை காட்டி. இது பரந்த தரவு மூலங்களில் தேடுவதாக இருந்தாலும் அல்லது சிக்கலான கணக்கீட்டு பணிகளைச் செயல்படுத்துவதாக இருந்தாலும், வெளிப்படையான முன்னேற்ற புதுப்பிப்புகள் பயனர்களுக்கு தகவல் தெரிவிப்பதை உறுதிசெய்கின்றன, விரக்தியைத் தடுக்கின்றன மற்றும் ஒட்டுமொத்த பயனர் அனுபவத்தை மேம்படுத்துகின்றன, கணினி இன்னும் செயலில் உள்ளதா என்று அவர்கள் ஒரு வெற்றுத் திரையை வெறித்துப் பார்ப்பதைத் தவிர்த்து.

Bedrock AgentCore Runtime உடன் AI முகவர் உருவாக்கத்தை எதிர்காலத்திற்கான தயார்படுத்துதல்

Amazon Bedrock AgentCore Runtime-ல் நிலைமாற்றக்கூடிய MCP கிளையன்ட் திறன்களை அறிமுகப்படுத்துவது AI முகவர் வளர்ச்சியில் ஒரு குறிப்பிடத்தக்க முன்னேற்றத்தைக் குறிக்கிறது. முன்பு நிலையற்ற தொடர்புகளை மாறும், இருதரப்பு உரையாடல்களாக மாற்றுவதன் மூலம், AWS டெவலப்பர்களுக்கு அதிக புத்திசாலித்தனமான, பதிலளிக்கக்கூடிய மற்றும் பயனர் நட்பு AI பயன்பாடுகளை உருவாக்க உதவுகிறது. இந்தக் திறன்கள் – வழிகாட்டப்பட்ட பயனர் உள்ளீட்டிற்கான தூண்டுதல், தேவைக்கேற்ப LLM உருவாக்கத்திற்கான மாதிரியாக்கம், மற்றும் நிகழ்நேர வெளிப்படைத்தன்மைக்கான முன்னேற்ற அறிவிப்புகள் – ஊடாடும் முகவர் பணிப்பாய்வுகளின் ஒரு புதிய சகாப்தத்தைத் திறக்கின்றன. AI தொடர்ந்து வளர்ச்சியடைந்து வருவதால், சிக்கலான வணிக செயல்முறைகளில் தடையின்றி ஒருங்கிணைக்கக்கூடிய, பயனர் தேவைகளுக்கு ஏற்ப மாற்றியமைக்கக்கூடிய, மற்றும் விதிவிலக்கான மதிப்பை வழங்கக்கூடிய அதிநவீன முகவர் AI-ஐ செயல்படுத்துவதற்கு இந்தக் அடிப்படைத் திறன்கள் முக்கியமானதாக இருக்கும்.