人工智能

MoEngage 如何在 Amazon Bedrock AgentCore 上构建智能体客户互动

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闪购活动时,往往在写下一行文案之前就要打开三个工具。他们先打开分析仪表盘查看上次哪些做法有效,再打开内容库寻找合适的语气,然后打开活动构建器来搭建活动本身。在电子邮件、推送、短信和 WhatsApp 上重复这一过程,营销团队一周中的大部分时间都花在操作工具上,而不是做决策。

MoEngage 模型上下文协议(MCP)连接器为兼容 MCP 的助手(如 Claude 或 ChatGPT)提供安全、按租户隔离的访问权限,使其能够访问品牌的细分人群、活动历史和内容库。

这一能力指向软件平台更广泛的转变。除了面向业务用户的用户界面和面向工程团队的 API 之外,正在出现第三层:用户用自然语言描述目标,智能体在平台上执行各个步骤。对于客户互动平台而言,这意味着已经通过 API 暴露的能力可以成为智能体调用的工具,而过去需要在多个工具间流转的活动,如今可以通过一次对话完成。

MoEngage 是一个智能体客户互动平台,超过 1,350 个消费品牌通过推送、电子邮件、应用内、短信、WhatsApp 和富通信服务(RCS)等渠道使用它。MoEngage 着手构建这一层。MoEngage 构建了 Merlin AI,这是一组基于实时平台数据工作的人工智能(AI)智能体。营销和产品团队现在可以通过一次对话起草、分析和调整活动,同时由智能体决定向每位客户发送什么内容。客户 Glance 因此实现了推送通知点击率提升 38%。

MoEngage 将此视为一个架构问题。问题在于如何在不重建数百个现有 API 的情况下,为智能体提供安全、按租户隔离的实时数据访问权限。本文介绍 MoEngage 如何借助 Amazon Bedrock 和 Amazon Bedrock AgentCore(一个可使用任意框架或模型大规模构建、连接和优化 AI 智能体的平台)解决这一问题。文章涵盖 Merlin AI 中的四种智能体模式、MoEngage 如何将其现有 API 暴露为 MCP 工具,以及该架构如何保持每个租户的数据隔离。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。

解决方案概览:Merlin AI 中的四种智能体模式

Merlin AI 运行四类智能体。四类智能体共享相同的基础:Amazon Bedrock 中的基础模型用于推理和生成,AgentCore 运行时(Amazon Bedrock AgentCore 的一项能力)用于托管,MCP 用于标准化数据访问。在所有四种模式中,Merlin AI 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。完整模型列表请参阅 Amazon Bedrock 中支持的基础模型.

Merlin AI Studio 中的嵌入式智能体

Merlin AI Studio 将专用智能体放置在营销和产品团队开展该项工作的确切工作流节点上:

  • 文案撰写 生成个性化推送和交易类文案,并与品牌语气保持一致。
  • 设计师 根据文字描述生成营销横幅或图像。
  • 细分助手 将自然语言描述的受众转化为正确的属性集和筛选条件。例如,营销或产品团队成员可以请求获取过去 2 小时内放弃购物车的用户。
  • Jinja 助手 将自然语言请求转换为可用的 Jinja 和 Liquid 标记,用于动态内容。
  • 应用内模板构建器 为应用内消息创建响应式、无障碍的 HTML 模板,包括游戏化格式、潜在客户获取弹窗和调查问卷。
  • 流程助手 将高层次想法转化为可随时部署的客户旅程。在后台,一系列专门步骤会解读请求、提出路径、构建流程结构、结合历史数据对其进行优化,并将其打包以便部署。

对话式智能体

对话式智能体可跨活动、分析、细分人群和流程工作。用户可以用自然语言提问,智能体调用正确的工具来回答或执行操作。嵌入在分析页面上的活动洞察智能体将任务委派给专门的子智能体。一个子智能体同时分析多个指标。第二个子智能体诊断某个指标表现不佳的原因,第三个子智能体比较不同时间段或细分人群的表现。最后一步将发现整理成清晰的答案。

自定义智能体

自定义智能体让生命周期和客户关系管理(CRM)团队设计智能体,使其在产品与营销团队定义的规则内,基于 MoEngage 数据和工具持续运行。每个智能体都通过活动日志展示其工作过程,包括拉取的数据、做出的决策、触及的渠道以及发送的内容。团队可以让智能体完全自主运行,也可以在执行任何操作前要求人工审核。

决策智能体

决策智能体为每位客户单独行动。每个智能体决定说什么、何时说、说多频繁以及在哪个渠道说,并从每次结果中学习。产品和营销团队设定内容、目标和护栏,智能体负责其余工作,并且每个决策都可见。优惠决策在网页和应用界面上选择最佳优惠。活动决策在电子邮件、推送、短信和 WhatsApp 上提供一对一决策。结合工作流智能体,这将智能体营销的两个部分整合到一个系统中。

架构概览

该架构分为四层。每层职责单一,并且可以在不影响其他层的情况下变更。

  1. 客户端。 MoEngage 产品内的 Merlin AI 智能体,以及 Claude、ChatGPT 等外部 MCP 客户端,通过 MoEngage MCP Connector 连接到 MoEngage MCP 服务器。支持 MCP 的客户端均可连接。
  2. AgentCore 运行时上的 MCP 服务器。 MoEngage 将其 MCP 服务器托管在 AgentCore 运行时上。该服务器将 MoEngage 平台能力以 MCP 工具的形式对外提供。它不运行自己的模型。推理在调用它的智能体中进行。
  3. MoEngage 平台 API。 MCP 服务器调用的是 MoEngage 客户已经在使用的、兼容 OpenAPI 3.0 的同一批 API。这些 API 会强制执行现有的权限和数据驻留规则。
  4. Amazon Bedrock 中的基础模型。 智能体使用 Amazon Bedrock 中的基础模型来规划工具调用、生成内容并汇总结果。有关各区域可用的模型,请参阅 Amazon Bedrock 中按 AWS 区域划分的受支持模型.

在典型请求中,用户登录 MoEngage 并提出问题。客户端携带用户现有的 JSON Web Token(JWT)发送请求。AgentCore 运行时验证该令牌,并为该用户启动一个隔离会话。智能体询问 Amazon Bedrock 中的模型应调用哪些工具。MCP 服务器在用户的租户上下文中调用 MoEngage API 并返回结果。随后智能体组织答案。

下图展示了这些组件之间的连接方式。

Four-layer Merlin AI architecture: clients, the MCP server on AgentCore runtime, MoEngage platform APIs, and foundation models in Amazon Bedrock

图 1:基于 Amazon Bedrock 和 AgentCore 运行时的 MoEngage Merlin AI 架构。

将现有 API 转化为 MCP 工具

MoEngage 通过 MCP 服务器和可供智能体调用的 API 将其平台开放给智能体。其用于活动、分析、细分人群、内容和流程的平台 API 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。每个操作都会成为一个工具,带有结构化 schema、描述和参数校验。

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)

这些工具分为五组:

  • 活动工具 跨渠道创建、编辑、安排和发送活动。
  • 分析工具 查询投放漏斗、点击率、转化率和同期群表现。
  • 细分工具 列出、检查并基于行为和属性筛选条件创建细分人群。
  • 内容工具 管理内容块、模板和动态内容规则。
  • 流程工具 检查、暂停或修改自动化旅程。

这些工具源自规范,因此与 API 保持同步。当团队更新规范时,工具定义也会随之更新。

保持租户隔离,让身份信息不落入模型可及范围

多租户系统不能让模型决定它在读取谁的数据。MoEngage 做出了三项设计选择来帮助防止这种情况。第一,MCP 服务器复用现有的身份验证模型,接受 MoEngage API 已在使用的同一套基于 JWT 的身份验证,并且 AgentCore 运行时会在请求到达服务器之前验证每个令牌。第二,工作区和用户上下文通过请求头传递,由 AgentCore 运行时转发给服务器,而不是作为工具参数传递,因此模型看不到这些值,也无法更改它们。第三,AgentCore 运行时在各自隔离的环境中运行每个用户会话,因此一个用户的对话无法读取另一个用户的会话状态。

在此基础上,Amazon Bedrock Guardrails 对智能体响应应用内容安全和个人身份信息(PII)过滤器。随后,一个后端即前端(BFF)层会在 MoEngage 界面渲染生成内容之前校验其结构。

让用户掌控智能体。 用户可为每个智能体设定护栏,在其活动日志中审查每一项操作,并在自主执行与人工审核执行之间进行选择。

MoEngage 为何选择 AgentCore 运行时

AgentCore 运行时提供了多租户 MCP 服务器所需的生产级能力,且每一项都对应 MoEngage 工作负载的特定需求。AgentCore 运行时随需求变化扩展会话,因此 MoEngage 无需为其客户工作区之间的流量高峰规划容量。每个会话默认在各自隔离的环境中运行,从而将一个品牌的对话和数据与另一个品牌隔离开来。内置的 JWT 授权器依据 MoEngage 现有的身份提供商验证令牌,因此 MCP 服务器使用与 API 相同的身份验证模型。

托管在 AgentCore 运行时上也与框架无关。MoEngage 可以在不触及 MCP 服务器的情况下更换模型或智能体框架,这在智能体层不断演进时尤为重要。通过 Amazon CloudWatch 提供的内置指标、日志和跟踪让 MoEngage 工程师能够洞察每个会话。这些能力共同让团队能够专注于智能体逻辑和营销智能,而非托管基础设施。

通过 Amazon Bedrock 进行推理还为 MoEngage 带来了两项额外优势。Merlin AI 智能体在 Amazon Bedrock 上运行于 Anthropic Claude Sonnet 4.6、Claude Sonnet 5 和 Claude Sonnet 5.5,MoEngage 通过同一个 Amazon Bedrock API 在这些版本之间切换。MoEngage 还按 token 付费,而无需运营 GPU 基础设施。Amazon Bedrock 不会使用客户提示或响应来训练基础模型,这对于一个大规模处理客户互动数据的系统而言至关重要。

一个活动,一段对话

以下示例展示了用户如何在不离开对话的情况下构建一个活动。

  1. 请求草稿。用户输入:

    为我们的高价值细分人群起草一条周末闪购推送,使用我们表现最佳的 12 月活动的相同语气。

    智能体调用分析工具找出表现最佳的 12 月活动,调用细分工具确认高价值细分人群,并调用内容工具提取品牌语调。它返回一份包含多个文案版本的草稿。

  2. 检查哪些表现不佳。用户问道:

    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?

    活动洞察智能体比较这些活动并报告共同模式,例如发送时间或受众重叠。

  3. 调整旅程。用户问道:

    展示我们引导流程第3步的流失情况,如果短信分支的转化率低于5%,就暂停该分支。

    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。这就是实际应用中的人工审核模式。

每个步骤都使用与MoEngage界面相同的工具。用户无需打开单独的控制面板。

结果

基于此架构的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将营销活动上线速度提升了50%,推送通知点击率提升了38%。借助Merlin AI Copywriter,Glance团队每次营销活动制作的内容变体数量也增加了约三倍。

在整个平台上,MoEngage报告称,营销和产品团队在渠道、时机和频率决策方面的人工投入减少了60–70%,基于目标的决策使转化率提升了20–30%。与自托管模型相比,Amazon Bedrock中按token付费的托管推理将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。有关支持的区域,请参阅 Amazon Bedrock AgentCore文档.

结论

MoEngage无需重建平台就使其具备了智能体就绪能力。现有的OpenAPI规范转化为MCP工具。AgentCore运行时提供了托管、身份验证和会话隔离。Amazon Bedrock中的基础模型提供了推理和生成能力。最终形成的平台让营销和产品团队在一次对话中从提问走向行动,让MoEngage工程师将时间花在营销智能而非基础设施上,让智能体为团队处理工作流、为每位客户做出决策,同时用户始终保持控制权。

同样的模式也适用于其他拥有成熟API接口的软件提供商。从现有规范入手,将身份管理保持在模型之外,并让托管运行时处理生产环境相关事宜。

要在相同基础上构建自己的MCP服务器,请从 Amazon Bedrock AgentCore文档 开始,并按照AgentCore运行时指南进行托管。要为智能体选择基础模型并查看安全与数据处理控制措施,请参阅 Amazon Bedrock用户指南. 要从现有OpenAPI规范生成MCP工具,请查阅 FastMCP文档. 要了解Merlin AI的实际应用,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