MoEngage团队解释:多租户平台如何不重建API就让AI代理安全访问数据
MoEngage与AWS联合撰文,说明其Merlin AI如何用FastMCP将现有OpenAPI规范转为MCP工具、在AgentCore runtime上实现会话隔离,并把租户身份留在模型看不到的请求头中。文章给出四组agent模式、五类工具分组和三项身份隔离设计选择,并报告了客户自报的运营指标。
营销团队规划一次周末闪购,往往要打开三个工具:分析看板看上次效果、内容库找语气、活动构建器搭活动本身。跨邮件、推送、短信和WhatsApp重复这个过程,一周大部分时间花在切换工具而非做决策上。MoEngage和AWS联合撰写的这篇文章描述的,正是如何把这条路径压缩为一次对话——以及背后的架构选择。
MoEngage的Merlin AI运行四组agent:嵌入Studio的专用agent(Copywriter、Designer、Segment Assist、Jinja Assist、In-app Template Builder、Flow Assist)、跨campaign和analytics的对话agent、可由CRM团队自定义的持续运行agent、以及为每个个体客户做决策的decisioning agent。四组共享同一基础:Amazon Bedrock上的基础模型负责推理和生成,AgentCore runtime负责托管,MCP负责标准化数据访问。
架构的核心问题是:如何给agent安全、租户隔离地访问实时数据,而不重建数百个现有API。MoEngage的解法分三层。第一层是工具生成:其平台API已经兼容OpenAPI 3.0,团队用FastMCP框架直接从规范生成MCP工具,每个操作变成一个带结构化schema、描述和参数校验的工具。工具分五组——campaign、analytics、segmentation、content、flow——当规范更新时,工具定义同步更新。
第二层是身份隔离,这是文章中最具体的设计选择。MoEngage做了三件事:MCP服务器复用现有JWT认证,AgentCore runtime在请求到达服务器前验证token;workspace和user context走请求头而非工具参数,模型看不到这些值也无法修改;每个用户会话在AgentCore runtime的隔离环境中运行,一个用户的对话无法读取另一个的会话状态。文章指出,多租户系统不能让模型自行决定它在读取谁的数据,这三项设计正是围绕这一原则展开的。
第三层是推理与生成:agent调用Amazon Bedrock上的Anthropic Claude Sonnet 4.6、5和5.5来规划工具调用、生成内容和总结结果。MCP服务器本身不运行模型,推理发生在调用它的agent中。
在典型请求中,用户登录MoEngage后提问,客户端带上用户已有的JSON Web Token发送请求,AgentCore runtime验证token并启动隔离会话,agent问Bedrock模型该调用哪些工具,MCP服务器带着用户租户上下文调用MoEngage API并返回结果,agent组装答案。整个过程用户不打开单独看板。
关于效果,文章报告的数据均为MoEngage自报:客户Glance的活动上线速度快了50%,推送通知点击率提升38%,内容变体产出约为原来的三倍;平台整体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60–70%,目标驱动决策带来20–30%的转化率改善。这些数字没有独立复现,也没有给出样本量或对照条件。
文章最后指出,同样的模式适用于其他拥有成熟API面的软件提供商:从现有规范出发,把身份留在模型之外,让托管运行时处理生产关注点。AgentCore runtime的区域可用性因AWS区域而异,框架无关性意味着MoEngage可以更换模型或agent框架而不触碰MCP服务器——这既是优势,也意味着当前架构与AgentCore runtime的耦合尚未被打破。