Article · AI translation
本文由 MoEngage 的 Ashwin Srinivasan、Nishan Das 和 Karthik Baile 共同撰写。营销或产品团队成员在策划周末限时促销时,往往还没写下一句文案,就已经打开了 3 个工具。他们先打开分析仪表板,查看上次哪些做法奏效;再打开内容库,寻找合适的语气;最后打开营销活动构建器,创建活动。电子邮件、推送通知、短信和 WhatsApp 都要重复这一过程,营销团队一周中的大量时间就花在切换工具上,而不是做决策。MoEngage 模型上下文协议(MCP)连接器让 Claude 或 ChatGPT 等兼容 MCP 的助手能够安全地、在租户范围内访问品牌的细分受众、营销活动历史记录和内容库。这项能力表明,软件平台正在发生更广泛的转变。除了面向业务用户的用户界面和面向工程团队的 API,第三层正在出现:用户用自然语言描述目标,智能体便在平台内执行各个步骤。对于客户互动平台而言,这意味着已通过 API 提供的功能可以成为智能体调用的工具,而过去需要在多个工具间完成的营销活动,现在可以通过一次对话推进。MoEngage 是一个智能体式客户互动平台,超过 1,350 个消费品牌使用它,通过推送通知、电子邮件、应用内消息、短信、WhatsApp 和富通信服务(RCS)等渠道与客户互动。MoEngage 着手构建这一层。MoEngage 构建了 Merlin AI,这是一组使用实时平台数据的人工智能(AI)智能体。营销和产品团队现在可以在一次对话中起草、分析和调整营销活动,而智能体则决定向每位客户发送什么内容。其中一位客户 Glance 的推送通知点击率因此提升了 38%。MoEngage 将此视为一个架构问题:如何在不重建数百个现有 API 的情况下,让智能体安全地、在租户范围内访问实时数据?本文介绍 MoEngage 如何利用 Amazon Bedrock 和 Amazon Bedrock AgentCore 解决这一问题。Amazon Bedrock AgentCore 是一个可使用任何框架或模型大规模构建、连接和优化 AI 智能体的平台。本文涵盖 Merlin AI 的 4 种智能体模式、MoEngage 如何将现有 API 作为 MCP 工具开放,以及该架构如何隔离各租户的数据。最后介绍 MoEngage 客户取得的成果,以及其他软件提供商可以复用的模式。解决方案概述:Merlin AI 的 4 种智能体模式。Merlin AI 运行 4 类智能体。它们共享同一基础:使用 Amazon Bedrock 中的基础模型进行推理和生成,使用 Amazon Bedrock AgentCore 的一项功能 AgentCore runtime 进行托管,并使用 MCP 标准化地访问数据。在所有 4 种模式中,Merlin AI 都使用 Amazon Bedrock 上的 Anthropic Claude Sonnet 4.6、Claude Sonnet 5 和 Claude Sonnet 5.5 进行推理、工具调用规划和内容生成。完整模型列表见《Amazon Bedrock 支持的基础模型》。Merlin AI Studio 中的嵌入式智能体。Merlin AI Studio 将专用智能体放在营销和产品团队执行相应工作的流程节点:Copywriter 生成符合品牌语气的个性化推送通知文案和事务性消息文案。Designer 根据文字描述制作营销横幅或图片。Segment Assist 将自然语言描述的受众转换为正确的属性和筛选条件。例如,营销或产品团队成员可以要求查找过去 2 小时内放弃购物车的用户。Jinja Assist 将自然语言请求转换为可用的 Jinja 和 Liquid 标记,用于动态内容。In-app Template Builder 为应用内消息创建响应式、无障碍的 HTML 模板,包括游戏化形式、潜在客户信息收集弹窗和调查问卷。Flow Assist 将概括性的想法转化为可直接部署的客户旅程。在后台,一系列专门步骤会解释请求、提出路径方案、构建流程结构、根据历史数据优化流程,并将其打包以供部署。对话式智能体。对话式智能体跨营销活动、分析、细分受众和流程开展工作。用户可以用自然语言提问,智能体会调用合适的工具回答或采取行动。嵌入在分析页面的 Campaign Insights Agent 会将任务分派给专门的子智能体。一个子智能体同时分析多项指标;第二个诊断某项指标表现不佳的原因;第三个比较不同时间段或细分受众的表现。最后一步将发现整理成清晰的答案。自定义智能体。自定义智能体让客户生命周期和客户关系管理(CRM)团队能够设计持续使用 MoEngage 数据和工具运行的智能体,并使其遵循产品和营销团队制定的规则。每个智能体都会通过活动日志展示其工作,包括提取的数据、做出的决策、使用的渠道和发送的内容。团队可以让智能体完全自主运行,也可以要求在执行任何操作前先由人工审核。决策智能体。决策智能体针对每位客户采取行动。每个智能体决定说什么、何时说、说多频繁以及使用哪个渠道,并从每次结果中学习。产品和营销团队设定内容、目标和约束条件,智能体负责其余工作,同时让每项决策都可见。Offer Decisioning 在网页和应用界面上选择最佳优惠。Campaign Decisioning 通过电子邮件、推送通知、短信和 WhatsApp 提供一对一的决策。它们与工作流程智能体一起,将智能体式营销的两个方面整合到一个系统中。架构概述。该架构有 4 层。每层只负责一项工作,并且可以独立于其他层进行更改。客户端。MoEngage 产品内的 Merlin AI 智能体,以及通过 MoEngage MCP Connector 连接的 Claude 和 ChatGPT 等外部 MCP 客户端,都会连接到 MoEngage MCP 服务器。支持 MCP 的客户端均可连接。AgentCore runtime 上的 MCP 服务器。MoEngage 在 AgentCore runtime 上托管其 MCP 服务器。该服务器将 MoEngage 平台功能作为 MCP 工具开放。服务器本身不运行模型;推理由调用它的智能体完成。MoEngage 平台 API。MCP 服务器调用 MoEngage 客户已经使用的、兼容 OpenAPI 3.0 的 API。这些 API 执行现有的权限和数据驻留规则。Amazon Bedrock 中的基础模型。智能体使用 Amazon Bedrock 中的基础模型规划工具调用、生成内容和总结结果。有关各区域可用的模型,请参阅《按 AWS 区域划分的 Amazon Bedrock 支持模型》。在典型请求中,用户登录 MoEngage 并提出问题。客户端随请求发送用户现有的 JSON Web Token(JWT)。AgentCore runtime 验证令牌,并为该用户启动隔离会话。智能体向 Amazon Bedrock 中的模型询问应调用哪些工具。MCP 服务器携带用户的租户上下文调用 MoEngage API,并返回结果。随后,智能体组织答案。下图显示这些组件的连接方式。图 1:基于 Amazon Bedrock 和 AgentCore runtime 的 MoEngage Merlin AI 架构。将现有 API 转换为 MCP 工具。MoEngage 通过 MCP 服务器和可供智能体调用的 API 向智能体开放平台。其营销活动、分析、细分受众、内容和流程的相关平台 API 原本就兼容 OpenAPI 3.0,因此 MoEngage 使用 FastMCP 框架根据这些规范生成 MCP 工具。每项操作都成为一个具有结构化架构、描述和参数验证的工具。以下简化示例展示了这一模式:import httpx from fastmcp import FastMCP spec = httpx.get(MOENGAGE_OPENAPI_URL).json() client = httpx.AsyncClient(base_url=MOENGAGE_API_BASE) mcp = FastMCP.from_openapi(openapi_spec=spec, client=client, name='moengage') if __name__ == '__main__': mcp.run(transport='streamable-http', host='0.0.0.0', port=8000) 这些工具分为 5 组:营销活动工具用于跨渠道创建、编辑、安排和发送营销活动。分析工具查询送达漏斗、点击率、转化率和同期群表现。细分受众工具根据行为和属性筛选条件列出、查看和创建细分受众。内容工具管理内容块、模板和动态内容规则。流程工具查看、暂停或修改自动化旅程。这些工具由规范生成,因此会与 API 保持同步。团队更新规范时,工具定义也会随之更新。保持租户隔离,并使模型无法接触身份信息。多租户系统不能让模型决定自己正在读取谁的数据。MoEngage 做出了 3 项设计选择来帮助防止这种情况。首先,MCP 服务器复用现有身份验证模型,接受 MoEngage API 已在使用的基于 JWT 的身份验证;AgentCore runtime 会在请求到达服务器前验证每个令牌。其次,工作区和用户上下文放在由 AgentCore runtime 转发给服务器的请求标头中,而不是作为工具参数,因此模型看不到这些值,也无法更改它们。第三,AgentCore runtime 为每位用户的会话提供独立的隔离环境,使一位用户的对话无法读取另一位用户的会话状态。此外,Amazon Bedrock Guardrails 对智能体响应应用内容安全过滤和个人身份信息(PII)过滤。随后,面向前端的后端层会在 MoEngage 界面呈现生成内容前验证其结构。让用户控制智能体。用户可以为每个智能体设定行为约束,在活动日志中查看每项操作,并选择自主执行或经人工审核后执行。MoEngage 选择 AgentCore runtime 的原因。AgentCore runtime 提供多租户 MCP 服务器所需的生产环境能力,每项能力都对应 MoEngage 工作负载的一项具体需求。AgentCore runtime 会随需求变化扩展会话,因此 MoEngage 无需为各客户工作区的流量峰值规划容量。默认情况下,每个会话都在自己的隔离环境中运行,从而将不同品牌的对话和数据分开。内置 JWT 授权器使用 MoEngage 现有的身份提供商验证令牌,因此 MCP 服务器沿用与 API 相同的身份验证模型。在 AgentCore runtime 上托管也不受框架限制。MoEngage 可以更换模型或智能体框架,而无需改动 MCP 服务器;随着智能体层的发展,这一点很重要。通过 Amazon CloudWatch 提供的内置指标、日志和跟踪信息,让 MoEngage 工程师能够了解每个会话的情况。这些能力共同使团队能够专注于智能体逻辑和营销智能,而不是托管基础设施。通过 Amazon Bedrock 进行推理还给 MoEngage 带来了 2 项好处。Merlin AI 智能体运行在 Amazon Bedrock 上的 Anthropic Claude Sonnet 4.6、Claude Sonnet 5 和 Claude Sonnet 5.5,MoEngage 可以通过同一个 Amazon Bedrock API 在这些版本之间切换。MoEngage 还可以按令牌付费,而无需运营 GPU 基础设施。Amazon Bedrock 不会使用客户的提示或响应来训练基础模型,这对于大规模处理客户互动数据的系统很重要。一次营销活动,一次对话。以下示例展示用户如何在不离开对话的情况下创建营销活动。请求起草文案。用户输入:为我们的高价值细分受众起草一条周末限时促销推送通知,语气要与我们 12 月表现最佳的营销活动一致。智能体调用分析工具找出 12 月表现最佳的营销活动,调用细分受众工具确认高价值细分受众,并调用内容工具提取品牌语气。它会返回一份包含多个文案版本的草稿。查看哪些内容表现不佳。用户问:上个月哪些推送通知的点击率(CTR)低于 2%,它们有什么共同点?Campaign Insights Agent 会比较这些营销活动,并报告发送时间或受众重叠等共同模式。调整客户旅程。用户问:向我展示我们新用户引导流程第 3 步的流失情况,如果转化率低于 5%,就暂停短信分支。智能体通过流程工具读取流程状态,并在用户确认后暂停该分支。这是人工审核模式在实际中的运用。每一步都使用支持 MoEngage 界面的同一套工具。用户无需打开单独的仪表板。成果。采用该架构的 Merlin AI 智能体已在生产环境中运行超过 6 个月。其中一位客户 Glance 将营销活动上线所需时间缩短了 50%,推送通知点击率提升了 38%。借助 Merlin AI Copywriter,Glance 团队为每项营销活动制作的内容版本数量也增加到约 3 倍。在整个平台上,据 MoEngage 报告,营销和产品团队在渠道、时间和频率决策上的人工工作量减少了 60–70%,基于目标的决策使转化率提高了 20–30%。与自行托管模型相比,Amazon Bedrock 按令牌付费的托管式推理使 AI 基础设施成本降低了 50% 以上。AgentCore 功能的可用性因 AWS 区域而异。有关受支持的区域,请参阅 Amazon Bedrock AgentCore 文档。结论。MoEngage 在没有重建平台的情况下,使其做好了供智能体使用的准备。现有 OpenAPI 规范成为 MCP 工具。AgentCore runtime 提供托管、身份验证和会话隔离。Amazon Bedrock 中的基础模型提供推理和生成能力。由此形成的平台让营销和产品团队能够在一次对话中从提问走向行动,让 MoEngage 工程师能够将时间花在营销智能而不是基础设施上,也让智能体为团队处理工作流程、为每位客户做出决策,同时让用户保持控制权。同样的模式适用于其他拥有成熟 API 体系的软件提供商。从现有规范入手,将身份信息置于模型之外,并让托管式运行时处理生产环境事务。要在同一基础上构建自己的 MCP 服务器,请从 Amazon Bedrock AgentCore 文档开始,并按照 AgentCore runtime 指南进行托管。要为智能体选择基础模型并了解安全与数据处理控制措施,请参阅《Amazon Bedrock 用户指南》。要根据现有 OpenAPI 规范生成 MCP 工具,请查阅 FastMCP 文档。要了解 Merlin AI 的实际运作,请访问 MoEngage Merlin AI。要规划类似架构,请联系您的 AWS 客户团队或解决方案架构师。关于作者。Ashwin Srinivasan。Ashwin Srinivasan 是 MoEngage 的产品副总裁,负责围绕解决客户的实际痛点制定产品愿景,确保团队执行能够交付可靠、可扩展、以价值为导向的产品,从而直接改善用户体验。Nishan Das。Nishan Das 是 MoEngage 的技术合作伙伴关系高级总监,负责领导战略技术合作伙伴关系和生态系统联盟,推动产品集成,并扩大与市场合作伙伴的共同创新计划。Karthik Baile。Karthik Baile 是 MoEngage 的合作伙伴发展经理,负责管理合作伙伴营销战略,重点推动战略合作伙伴生态系统中的协同增长、品牌一致性以及有影响力的市场推广活动。Bhupesh Chadha。Bhupesh Chadha 是 Amazon Web Services 的首席客户经理,与独立软件供应商(ISV)合作,使其平台战略与业务目标保持一致。他与企业高管和高级管理层合作,推动增长、将新能力推向市场,并将技术投资转化为客户覆盖面和差异化优势。Anant Murarka。Anant Murarka 是 Amazon Web Services 的解决方案架构师,与 ISV 客户合作设计多租户架构,并将 AI 驱动的解决方案投入生产。他的专业领域包括智能体式 AI、智能体编排模式、负责任的 AI,以及帮助产品公司在 AWS 上采用生成式 AI。工作之余,Anant 热衷于探索新兴 AI 范式如何重塑软件产品的构建与交付方式。