跳到正文
AWS Machine Learning Blog· Ashwin Srinivasan·· 1 天前AI 评分36

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

How MoEngage built agentic customer engagement on Amazon Bedrock AgentCore

AI 导读

MoEngage 基于 Amazon Bedrock 与 AgentCore 构建了 Merlin AI 智能体体系,通过 MCP 将其现有 API 暴露为工具,让 Claude、ChatGPT 等 MCP 兼容助手以租户隔离方式访问品牌分群、活动历史与内容库。

正文 · AI 翻译

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,往往在写第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,然后打开内容库寻找合适的语气,最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 上重复这一流程,营销团队一周中的大部分时间都花在了操作工具上,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)提供对品牌细分受众、活动历史和内容库的安全、租户范围内的访问权限。

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一个结果,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,而曾经需要在多个工具间流转的活动,现在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 个消费品牌使用它,覆盖推送、电子邮件、应用内、短信、WhatsApp 和富通信服务(RCS)等渠道,它着手构建这一层。MoEngage 构建了 Merlin AI,这是一组与实时平台数据协同工作的人工智能(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,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 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,为智能体提供对实时数据的安全、租户范围内的访问权限。在本文中,我们将介绍 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。本文涵盖 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 客户所取得的成果,以及其他软件提供商可以复用的模式。

解决方案概述:Merlin AI 中的四种智能体模式

Merlin AI 运行四种智能体。这四种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完成该项工作的确切工作流节点上:

  • 文案撰写器生成与品牌语气保持一致的个性化推送和交易文案。
  • 设计师根据文本描述生成营销横幅或图像。
  • Segment Assist 将通俗的受众描述转化为正确的属性与筛选条件集合。例如,营销或产品团队成员可以查询过去 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。
  • 应用内模板构建器 为应用内消息创建响应式、可访问的 HTML 模板,包括游戏化格式、线索收集弹窗和调查问卷。
  • Flow Assist 将高层次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读请求、提出路径、构建流程结构、利用历史数据对其进行优化,并将其打包以便部署。

对话式代理

对话式代理可跨活动、分析、细分和流程工作。用户可以用通俗语言提问,代理会调用正确的工具来回答或执行操作。嵌入在分析页面上的 Campaign Insights Agent 会委派给专门的子代理。一个子代理同时跨多个指标运行分析。第二个子代理诊断某个指标表现不佳的原因,第三个则比较不同时间段或细分群体的表现。最后一步将发现结果格式化为清晰的答案。

自定义代理

自定义代理让生命周期和客户关系管理(CRM)团队设计代理,这些代理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。每个代理都会通过活动日志展示其工作过程,包括它拉取的数据、做出的决策、触及的渠道以及发送的内容。团队可以让代理完全自主运行,或在任何执行前要求人工审核。

决策代理

决策代理为每位个体客户采取行动。每个代理决定说什么、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,代理处理其余事务,并且每个决策都可见。Offer Decisioning 在网页和应用界面上选择最佳优惠。Campaign Decisioning 跨电子邮件、推送、短信和 WhatsApp 提供 1:1 决策。与工作流代理一起,这将代理式营销的两半置于同一系统中。

架构概览

该架构有四层。每一层都有单一职责,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 代理,以及通过 MoEngage MCP Connector 连接的外部 MCP 客户端(如 Claude 和 ChatGPT),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 平台能力作为 MCP 工具暴露。它不运行自己的模型。推理发生在调用它的代理中。
  3. MoEngage 平台 API。 MCP 服务器调用 MoEngage 客户已在使用的、兼容 OpenAPI 3.0 的同一批 API。这些 API 强制执行现有权限和数据驻留规则。
  4. Amazon Bedrock 中的基础模型。 代理使用 Amazon Bedrock 中的基础模型来规划工具调用、生成内容并汇总结果。有关各区域模型可用性,请参阅 Amazon Bedrock 中按 AWS 区域支持的模型。

在一次典型请求中,用户登录 MoEngage 并提问。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。智能体向 Amazon Bedrock 中的模型询问应调用哪些工具。MCP 服务器使用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。

下图展示了这些组件如何连接。

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 向智能体开放其平台。其用于营销活动、分析、细分、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:

  • 营销活动工具跨渠道创建、编辑、排期和发送营销活动。
  • 分析工具查询投递漏斗、点击率、转化率和群组表现。
  • 细分工具基于行为和属性筛选条件列出、检查并创建细分。
  • 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正在读取谁的数据。MoEngage 为此做出了三项设计选择。第一,MCP 服务器复用现有身份验证模型,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可识别信息 (PII) 过滤器。随后,后端-for-前端层会在 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可执行操作的护栏,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 runtime 提供了多租户 MCP 服务器所需的生产级能力,每一项都针对 MoEngage 工作负载的特定需求。AgentCore runtime 会随需求变化扩展会话,因此 MoEngage 无需为其客户工作区的流量高峰规划容量。默认情况下,每个会话都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 授权器会依据 MoEngage 现有的身份提供商验证令牌,因此 MCP 服务器使用与各 API 相同的身份验证模型。

托管在 AgentCore runtime 上同样与框架无关。MoEngage 可以在不改动 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、日志和追踪,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 进行推理为 MoEngage 带来了另外两项优势。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 不会使用客户的提示词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。

一次营销活动,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营销活动。

  1. Ask for the draft. The user types:

    为我们的高价值细分群体起草一条周末闪购推送,使用与我们表现最佳的 12 月营销活动相同的语气。

    智能体调用分析工具找出表现最佳的 12 月营销活动,调用细分工具确认高价值细分群体,并调用内容工具提取品牌语调。它返回一份包含多个文案变体的草稿。

  2. Check what underperformed. The user asks:

    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 会对比这些营销活动并报告共同模式,例如发送时间或受众重叠。

  3. Adjust the journey. The user asks:

    向我展示我们引导流程第 3 步的流失情况,如果 SMS 分支的转化率低于 5%,就暂停它。

    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。这就是实践中的人工审核模式。

每一步都使用驱动 MoEngage 界面的相同工具。用户无需打开单独的控制面板。

成果

采用此架构的 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 团队每个营销活动产出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手动工作量减少了 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 在不重建平台的情况下使其平台具备智能体就绪能力。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单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,同时用户始终保持掌控。

同样的模式适用于其他拥有成熟 API 接口的软件提供商。从你现有的规范开始,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你自己的 MCP 服务器,请先阅读 Amazon Bedrock AgentCore 文档,并按照 AgentCore 运行时指南进行托管。要为你的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,请联系你的 AWS 客户团队或解决方案架构师。


关于作者

Ashwin Srinivasan

Ashwin Srinivasan

Ashwin Srinivasan 是 MoEngage 的产品副总裁,他围绕解决真实客户痛点来塑造产品愿景,确保团队执行交付可靠、可扩展且以价值驱动的产品,直接提升用户体验。

Nishan Das

Nishan Das

Nishan Das 是 MoEngage 的技术合作高级总监,他领导战略技术合作与生态联盟,推动产品集成并拓展跨市场合作伙伴的联合创新计划。

Karthik Baile

Karthik Baile

Karthik Baile 是 MoEngage 的合作伙伴发展经理,他负责管理合作伙伴营销策略,专注于在战略合作伙伴生态中推动协作增长、品牌一致性和有影响力的上市活动。

Bhupesh Chadha

Bhupesh Chadha

Bhupesh Chadha 是 Amazon Web Services 的客户总监,他与独立软件供应商(ISV)合作,使其平台战略与业务目标保持一致。他与高管层和高级领导层合作,加速增长、将新能力推向市场,并将技术投资转化为客户覆盖和差异化优势。

Anant Murarka

Anant Murarka

Anant Murarka 是 Amazon Web Services 的解决方案架构师,他与 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 AI、智能体编排模式、负责任 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和交付方式。

来源:AWS Machine Learning Blog · aws.amazon.com