智客 ZICQ
EN 登录 / 注册
智客前沿 智能体 #MCP #Amazon Bedrock AgentCore #多租户隔离 #OpenAPI #智能体编排

MoEngage将OpenAPI转为MCP,构建多租户营销智能体

Mr.Xu 的头像

文 / Mr.Xu 智客前沿编译 · 审校

发布时间:

中文阅读 (Chinese) English Version
共读互动 选中正文任意句子即可高亮划线、写下你的技术批注,或一键生成金句引用卡。 直达讨论区 ↓

摘要:MoEngage 将既有 OpenAPI 3.0 接口通过 FastMCP 转换为 MCP 工具,并部署在 Amazon Bedrock AgentCore Runtime 上,支撑 Merlin AI 的嵌入式、对话式、自定义与逐客决策四类代理。架构以 JWT 校验、请求头传递租户上下文和会话隔离阻止模型越权,Bedrock Guardrails 与前端结构校验补足内容安全。客户案例称 Glance 上线速度提升50%、Push CTR 提升38%,但缺少对照设计、尾延迟和成本明细,结果仍需独立验证。


架构落点:复用 API,而不是复制一套智能体后端

MoEngage 没有为 Merlin AI 重写营销业务系统,而是把现有 OpenAPI 3.0 接口转换为 MCP 工具,再由托管运行时承载会话、认证和扩缩容。整套架构分为四层:

  1. 客户端层:Merlin AI Studio 内嵌代理,以及通过 MoEngage MCP Connector 接入的 Claude、ChatGPT 等外部 MCP 客户端。
  2. MCP 工具层:MCP Server 运行在 Amazon Bedrock AgentCore Runtime 上,只暴露工具,不在服务端运行模型。
  3. 业务 API 层:工具继续调用 MoEngage 原有的活动、分析、分群、内容和流量 API,沿用既有权限与数据驻留规则。
  4. 推理层:Amazon Bedrock 托管的基础模型负责理解意图、规划工具调用、生成内容和归纳结果。

一次请求的实际链路是:客户端携带 JWT 进入 AgentCore Runtime,运行时验证令牌并创建隔离会话;Bedrock 模型输出工具调用;MCP Server 将调用转换为 MoEngage API 请求;模型最后组织答案。将推理与工具执行拆开后,更换模型或代理框架不需要改写 MCP Server,业务 API 也不会被迫承担模型路由逻辑。

四类代理共用一条工具链

Merlin AI 将智能体划分为四种运行模式:

  • 嵌入式代理:覆盖文案生成、营销图设计、自然语言分群、Jinja/Liquid 模板、响应式 HTML 模板和客户旅程构建等具体工作流。
  • 对话式代理:横跨活动、分析、分群和自动化流量;Campaign Insights Agent 可将多指标分析、异常诊断和周期比较拆给专门子代理。
  • 自定义代理:持续读取 MoEngage 数据,在业务人员定义的规则内执行生命周期或 CRM 任务,并通过活动日志记录读取的数据、决策、触达渠道和发送内容。
  • 决策型代理:面向单个客户决定发送什么、何时发送、发送频率和渠道,并根据结果持续调整 Offer 与 Campaign Decisioning。

四类模式共享同一套模型、运行时和 MCP 工具,因此新增能力主要体现为工作流编排,而不是重复建设基础设施。

多租户隔离:身份不应进入模型参数

MoEngage 的关键设计是把租户边界放在模型之外。第一,AgentCore Runtime 复用现有 JWT 身份体系,在请求进入 MCP Server 前完成验证。第二,workspace 和 user 上下文通过运行时请求头转发,而不是作为工具参数暴露给模型;模型既看不到这些值,也无法通过生成参数修改它们。第三,每个用户会话运行在独立环境中,避免会话状态跨用户或跨品牌串扰。

在此之上,Bedrock Guardrails 负责内容安全和 PII 过滤,后端前端层则在渲染前校验生成内容的结构。三者解决的是不同问题:JWT 与租户上下文负责授权边界,会话隔离负责状态边界,Guardrails 与结构校验负责输出安全。尤其需要注意,输出过滤不能替代授权;每个 API 调用仍应在服务端重新验证用户、租户和操作权限。

从 OpenAPI 自动生成 MCP 工具

MoEngage 使用 FastMCP.from_openapi 读取既有 OpenAPI 规范,自动生成带有名称、描述、参数 Schema 和校验规则的 MCP 工具,并通过 streamable-http 暴露服务。活动、分析、分群、内容和流量接口由此形成五组标准工具,API 规范更新时工具定义也能同步更新。

这种方式大幅降低了接入成本,但不应把自动生成等同于生产就绪。若规划器一次看到 M 个工具,名称、描述和 JSON Schema 的上下文占用通常会随工具数量近似线性增加,模型也更容易选错操作。尤其是“查询活动”和“立即发送活动”同时暴露时,模型一次误选就可能产生外部副作用。生产环境需要按读写风险拆分工具、收窄参数范围、隐藏无关操作,并为高风险动作增加人工确认、幂等键和回滚路径。

工程权衡:延迟、成本与治理并非免费

工具调用会叠加端到端延迟。 串行链路可近似拆为 T_session + T_plan + ΣT_tool + T_compose,每一次模型往返和 API 请求都会进入用户等待时间。并行子代理可以缩短墙钟时间,却会增加并发 API 消耗、Token 消耗和故障定位复杂度。原文没有披露 p50、p95 延迟、工具成功率或各步骤耗时,因此“一次对话完成活动”不能直接等同于低延迟系统。

会话隔离提高安全性,也会消耗运行资源。 AgentCore Runtime 为每个会话提供隔离环境,MoEngage 无需自行维护突发流量容量,但会话冷启动、隔离环境调度成本和区域可用性仍需压测。框架无关能力降低了模型锁定风险,却不能消除对托管运行时和 MCP 协议的工程依赖。

按 Token 付费降低 GPU 资本开支,但代理循环会放大用量。 Bedrock 允许 MoEngage 切换模型版本而无需运营 GPU 集群;然而多轮工具调用会反复携带系统提示、工具 Schema 和会话上下文,总成本往往随调用步数增长。是否比自托管更便宜,取决于模型选择、上下文长度、缓存策略、并发量和硬件利用率,不能仅按 GPU 数量判断。

Guardrails 不是权限系统。 PII 与内容过滤可以降低不安全输出,却无法判断某个已认证用户是否有权修改某租户的分群或发送活动。高风险工具必须依赖服务端授权、最小权限和明确的人工门禁。

生产表现:案例信号强于基准测试

文章称 Merlin AI 已运行超过六个月。Glance 的活动上线速度提高50%,Push 点击率提升38%,每个活动可生成约三倍内容变体;平台整体还报告渠道、时机和频率决策的人工工作量减少60%至70%,目标驱动决策带来20%至30%的转化提升。相较自托管模型,Amazon Bedrock 托管推理使 AI 基础设施成本降低超过50%。

这些数字展示了生产潜力,但目前仍属于厂商与客户联合披露的案例数据,而非可复现实验。原文没有说明 Glance 的活动数量、观察周期、对照组、点击率绝对值、季节性因素或置信区间;转化提升也没有交代归因方法。基础设施成本比较则缺少自托管硬件、模型版本、量化配置和利用率数据。因而这些结果适合用作架构可行性与 ROI 信号,不应直接作为其他平台的性能承诺。

开发者落地建议

  1. 先做 API 风险分级:将只读分析、内容草稿、分群修改、调度和发送分成不同权限域,不要一次性发布全部 OpenAPI 操作。
  2. 把身份留在服务端:使用短期、最小权限且绑定租户的凭据;workspace、user 与角色信息只通过可信请求头或服务端上下文传递。
  3. 为副作用建立门禁:活动发送、流量暂停和分群变更应支持预览、人工确认、幂等执行、审计记录与撤销机制。
  4. 专项测试越权路径:覆盖令牌重放、提示注入、恶意工具参数、跨租户 ID、工具枚举和会话状态污染,而不能只测试正常问答。
  5. 建立系统级指标:同时跟踪工具选择准确率、无效调用率、越权拦截率、任务成功率、p95 延迟、每任务 Token 成本和人工接管率。
  6. 用对照实验评估业务收益:对活动上线时间、CTR 和转化率设置 A/B 测试,并保留人工流程基线,避免把季节性或渠道变化误判为代理效果。
  7. 保留可替换边界:让业务逻辑继续依赖标准 OpenAPI 与 MCP 契约,将模型、运行时和 Guardrails 维持为可替换组件,并验证区域可用性及故障降级路径。

消息来源:AWS Machine Learning Blog (2026-11-16)

—— 完 ——

主题标签: #MCP #Amazon Bedrock AgentCore #多租户隔离 #OpenAPI #智能体编排

编辑部与事实核查说明:本篇专刊由智客前沿资讯管线根据官方技术公告、学术论文及开源工程文档整理编译,经算法实体核验与人工编辑审校后发布。若发现技术事实纰漏,欢迎依据勘误方针或一键向编辑部发送勘误反馈。

读完这篇,你的第一判断是?
🚀 去【作品】晒出你的相关实践

社区整体评论区

正在加载实时智能评论与划词标注…