🔧 阿川の電商水電行

Shopify 顧問、維護與客製化

💡

小任務 / 單次支援方案

單次處理 Shopify 修正／微調

⭐️

維護方案

每月 Shopify 技術支援 + 小修改 + 諮詢

🚀

專案建置

Shopify 功能導入、培訓 + 分階段交付

👉 瞭解詳情 / 免費諮詢

小編精選 - 技術文章翻譯 · 12月09日

透過 ECS 的全新 Express 模式，輕鬆將經過驗證的 Streamlit 應用程式部署到 AWS！

11/22 20:40更新：忘記更新 Dockerfile，已經反映了🙏

Amazon ECS的新功能「快展模式」正式推出。

只要將容器映像壓入ECR，即可輕鬆自動構建ECS周邊的基礎設施，而無需準備繁瑣的網路和任務定義等。

快展模式要點總結

需自行將映像壓入ECR
在創建嚮導中，如果不更改詳細設定則將部署至預設的VPC
同樣地，如果不更改，ALB和任務會被配置在公共子網路中
執行環境為Fargate。由於是x86架構，因此在Mac上構建時需注意
刪除服務後，會統一清理自動創建的資源

以往的挑戰

特別是在使用Streamlit開發像Bedrock等AI聊天機器人時，需要使用支持WebSocket的基礎設施，因此無法使用AWS App Runner等便捷部署方式是之前的挑戰。

然而，自行構建ECS對於初學者來說是一個不小的門檻。
由於並非像App Runner那樣無伺服器，因此在部署後會持續產生運行成本。
（根據配置情況，每月大約幾千元是最小的？）

1. 建立Docker映像

ECS快展模式遺憾的是需要自己構建Docker映像。
希望能像App Runner或Amplify一樣支持GitHub的倉庫綁定…！

本次操作將僅使用AWS美國維吉尼亞北部區域。

創建ECR倉庫

以擁有足夠權限的IAM使用者身份登錄AWS帳戶，並搜索reg以訪問Amazon ECR。

從首頁的「創建」按鈕創建新的私有倉庫。
倉庫名稱設為simple-streamlit-chatbot，其他保持預設即可。

啟動容器構建用的開發環境

雖然努力想使用AWS CloudShell，但因為磁碟只有1GB無法執行，所以決定安分使用本地PC或GitHub Codespaces等。

接下來，將以simple-streamlit-chatbot這個名稱創建新的公共倉庫。
記得開啟Add README。

啟動代碼空間。

安裝AWS CLI的最新版本。

# 下載安裝程序
curl "https://awscli.amazonaws.com/awscli-exe-linux-x86_64.zip" -o "awscliv2.zip"

# 解壓安裝程序
unzip awscliv2.zip

# 執行安裝程序
sudo ./aws/install

# 刪除不必要的檔案
rm -rf awscliv2.zip aws

從終端驗證以便能操作自己的AWS帳戶。

aws login --remote

雖然已經被廣泛使用，但這也是新功能。
https://aws.amazon.com/jp/blogs/security/simplified-developer-access-to-aws-with-aws-login/

當出現AWS Region [us-east-1]:的提示時，按Enter進入預設設定。

然後，訪問顯示的URL，並使用當前工作AWS帳戶進行瀏覽器驗證，然後複製驗證碼並粘貼到代碼空間的終端。

創建Streamlit應用

從代碼空間的左側邊欄創建以下新Python檔案。

app.py

import asyncio
import streamlit as st
from strands import Agent
from strands.tools.mcp import MCPClient
from mcp import stdio_client, StdioServerParameters

# 繪製前端
st.title("Strands MCP代理")
st.text("使用AWS知識MCP伺服器，Nova Premier將回答您的問題！")
prompt = st.chat_input("輸入問題")

if prompt:
    # 顯示用戶提示
    with st.chat_message("user"):
        st.markdown(prompt)

    # 顯示代理的回應
    with st.chat_message("assistant"):
        with st.spinner("思考中…"):

            # 創建MCP客戶端
            client = MCPClient(lambda: stdio_client(
                StdioServerParameters(
                    command="uvx",
                    args=["awslabs.aws-documentation-mcp-server@latest"]
                )
            ))

            with client:
                # 創建代理
                agent = Agent(
                    model="us.amazon.nova-premier-v1:0",
                    system_prompt="請使用日語進行思考和回答。",
                    tools=client.list_tools_sync()
                )

                # 準備流式顯示
                container = st.container()
                state = {
                    "text_holder": container.empty(),
                    "buffer": "",
                    "shown_tools": set()
                }

                # 定義非同步函數以進行Strands流式執行
                async def run_stream():
                    async for event in agent.stream_async(prompt):
                        current_tool = event.get('current_tool_use', {})
                        tool_id = current_tool.get('toolUseId')
                        tool_name = current_tool.get('name')

                        # 檢測並顯示工具的執行
                        if tool_id and tool_name and tool_id not in state["shown_tools"]:
                            state["shown_tools"].add(tool_id)
                            if state["buffer"]:
                                state["text_holder"].markdown(state["buffer"])
                                state["buffer"] = ""
                            container.info(f"🔧 **{tool_name}** 工具正在執行中...")
                            state["text_holder"] = container.empty()

                        # 提取並顯示文本
                        if event.get('data'):
                            state["buffer"] += event['data']
                            state["text_holder"].markdown(state["buffer"] + "▌")

                    # 最終顯示
                    if state["buffer"]:
                        state["text_holder"].markdown(state["buffer"])

                # 執行非同步函數
                asyncio.run(run_stream())

同樣，創建容器化所需的Dockerfile。

Dockerfile

FROM python:3.13

# 工作目錄
WORKDIR /app

# 安裝依賴包
RUN pip install uv mcp streamlit strands-agents strands-agents-tools

# 複製應用本體
COPY . /app

# 公開端口
EXPOSE 80

# 啟動Streamlit
CMD ["streamlit", "run", "app.py", "--server.port=80", "--server.address=0.0.0.0"]

創建並註冊容器映像

打開之前的ECR倉庫，可以從「顯示推送命令」按鈕中找到所需的命令。

在代碼空間上依次執行這些命令，即可完成推送。

2. 使用ECS快展模式進行部署

訪問ECS控制台，通過「立即開始」按鈕打開快展模式嚮導。

選擇之前註冊的映像的latest標籤。

兩個角色選擇「創建新角色」的下拉選項。
（ecsTaskExecutionRole和ecsInfrastructureRoleForExpressServices將自動創建）

展開「其他設定」，點擊任務角色的「創建新角色」。
將對Bedrock有訪問權限的權限設置為ECS任務。

在步驟1中，選擇用例中的ECS任務並進行下一步。

勾選許可政策AmazonBedrockFullAccess，然後繼續。

創建名為ecsTaskExecutionRoleWithBedrock的角色。

返回ECS快展模式創建畫面，點擊任務角色旁的「更新」圖示後，指定剛創建的角色。

然後，按下「創建」按鈕，開始基礎設施的建構。

約6分鐘後部署將完成。

從畫面上方的「應用程序URL」可以訪問Streamlit應用。由於此URL即將使用，因此請複製下來。

此時，應用已經公開於互聯網，需注意。如果不實作後續的認證畫面而中途停下，則可能會被不特定的用戶使用。

3. 添加Cognito認證

創建用戶池

訪問Amazon Cognito菜單，點擊「在5分鐘內免費開始」。

僅更改以下預設。

為應用命名：simple-streamlit-chatbot
登錄識別符選項：勾選「郵件地址」
註冊所需屬性：選擇「email」
返回URL：輸入剛創建的ECS應用的「應用程序URL」＋ /oauth2/idpresponse（例如：https://xxx.ecs.us-east-1.on.aws/oauth2/idpresponse）