本文由 MoEngage 的 Ashwin Srinivasan、Nishan Das 和 Karthik Baile 共同撰写。
一位营销或产品团队成员在策划周末闪购活动时,往往还没写下一行文案,就已经打开了三个工具。首先打开分析仪表盘,看看上次什么有效;然后打开内容库,找到合适的语气;接着打开活动构建器,构建活动本身。把这一过程在电子邮件、推送、短信和 WhatsApp 上重复一遍,营销团队一周的大部分时间就花在了浏览工具上,而不是做决策。
MoEngage Model Context Protocol (MCP) Connector 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,智能体则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,如今可以通过一次对话完成。
MoEngage 是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,其目标是构建这一层。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单次对话起草、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。其中一家客户 Glance 因此将推送通知点击率提升了 38%。
MoEngage 将这一问题视为架构问题。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,以及该架构如何确保每个租户的数据相互隔离。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 运行四种智能体。这四种智能体共享同一基础: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 在 Amazon Bedrock 上使用 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:
- Copywriter 生成与品牌语气保持一致的个性化推送和交易类文案。
- Designer 根据文字描述生成营销横幅或图片。
- Segment Assist 将通俗语言的受众描述转换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最近 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,包括游戏化格式、获客弹窗和问卷。
MoEngage 如何在 Amazon Bedrock AgentCore 上构建代理式客户互动
- Flow Assist 将高层想法转化为可直接部署的客户旅程。在幕后,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,并将其打包以供部署。
对话式代理
对话式代理可跨营销活动、分析、分群和流程开展工作。用户可以用自然语言提出问题,代理会调用合适的工具来回答或采取行动。嵌入在分析页面上的 Campaign Insights Agent 会委派给专门的子代理。一个子代理会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分群之间的表现。最后一步将发现结果整理成清晰的答案。
自定义代理
自定义代理让生命周期和客户关系管理(CRM)团队设计出可在 MoEngage 数据和工具上持续运行的代理,且运行范围限定在产品与营销团队定义的规则之内。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,也可以要求在任何内容执行前进行人工审核。
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,并从每一次结果中学习。产品与营销团队设定内容、目标和护栏,代理负责其余工作,并且每个决策都可见。Offer Decisioning 在 Web 和 App 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个系统中。
架构概览
该架构分为四层。每一层承担单一职责,并且可以在不影响其他层的情况下变更。
- 客户端。MoEngage 产品内部的 Merlin AI 代理,以及通过 MoEngage MCP Connector 连接的外部 MCP 客户端(例如 Claude 和 ChatGPT),都连接到 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 将其 MCP 服务器托管在 AgentCore runtime 上。该服务器将 MoEngage 平台能力以 MCP 工具的形式暴露出来。它不运行自己的模型。推理发生在调用它的代理中。
- 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。
- 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、生成内容和汇总结果。有关各区域可用的模型,请参阅 Amazon Bedrock 中按 AWS 区域支持的模型。
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 runtime 验证令牌,并为该用户启动一个隔离会话。代理询问 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。随后代理组织答案。
下图展示了这些组件如何连接。

图 1:Amazon Bedrock 和 AgentCore runtime 上的 MoEngage Merlin AI 架构。
将现有 API 转化为 MCP 工具
文章标题:MoEngage 如何在 Amazon Bedrock AgentCore 上构建智能体驱动的客户互动
正文: 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。其面向营销活动、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 框架从这些规范生成 MCP 工具。每个操作都会成为一个工具,具备结构化 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、转化和同期群表现。
- 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。
这些工具来自规范,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,让身份信息远离模型可及范围
多租户系统不能任由模型决定它在读取谁的数据。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 runtime 会在请求到达服务器之前校验每个令牌。第二,工作区和用户上下文通过请求头传递,由 AgentCore runtime 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 runtime 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,一个 backend-for-frontend 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。用户可以设定每个智能体能做什么的护栏,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做出选择。
MoEngage 为何选择 AgentCore runtime
AgentCore runtime 提供了多租户 MCP 服务器所需的生产能力,而每一项能力都对应 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 无需为其客户工作区之间的流量峰值规划容量。每个会话默认在各自隔离的环境中运行,从而将某个品牌的对话和数据与其他品牌隔离开来。内置的 JWT 授权器会依据 MoEngage 现有的身份提供商校验令牌,因此 MCP 服务器使用与 API 相同的身份验证模型。
托管在 AgentCore runtime 上同样与框架无关。MoEngage 可以在不触动 MCP 服务器的情况下更换模型或智能体框架,这在智能体层演进时至关重要。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。这些能力共同使团队得以专注于智能体逻辑和营销智能,而非托管基础设施。
文章标题:How MoEngage built agentic customer engagement on Amazon Bedrock AgentCore
正文: 通过 Amazon Bedrock 进行推理为 MoEngage 带来了另外两项好处。Merlin AI agents 运行在 Amazon Bedrock 上的 Anthropic Claude Sonnet 4.6、Claude Sonnet 5 和 Claude Sonnet 5.5 上,MoEngage 通过同一个 Amazon Bedrock API 在这些版本之间切换。MoEngage 还按 token 付费,而不是自行运营 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来说很重要。
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。
- 请求草稿。用户输入:为我们高价值细分群体草拟一条周末闪购推送,使用我们表现最好的 12 月活动的语气。agent 调用分析工具找出表现最好的 12 月活动,调用细分工具确认高价值细分群体,并调用内容工具获取品牌语气。它返回一份包含多个文案版本的草稿。
为我们高价值细分群体草拟一条周末闪购推送,使用我们表现最好的 12 月活动的语气。
agent 调用分析工具找出表现最好的 12 月活动,调用细分工具确认高价值细分群体,并调用内容工具获取品牌语气。它返回一份包含多个文案版本的草稿。
- 检查哪些表现不佳。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 会比较这些活动并报告共同的模式,例如发送时间或受众重叠。
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 会比较这些活动并报告共同的模式,例如发送时间或受众重叠。
- 调整旅程。用户问:显示我们 onboarding 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。agent 通过 flow 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。
显示我们 onboarding 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。
agent 通过 flow 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 界面的同一套工具。用户无需打开单独的仪表盘。
结果
基于这一架构的 Merlin AI agents 已在生产环境中运行超过 6 个月。一位客户 Glance 将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 团队每个活动产出的内容版本数量还大约增加了两倍。
在整个平台上,MoEngage 报告称营销和产品团队在渠道、时机和频率决策上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 中托管的按 token 付费推理将 AI 基础设施成本降低了 50% 以上。
AgentCore 功能的可用性因 AWS Region 而异。有关支持的 Region,请参阅 Amazon Bedrock AgentCore 文档。
结论
MoEngage 在不重建平台的情况下让平台做好了 agent 准备。现有的 OpenAPI 规范变成了 MCP 工具。AgentCore runtime 提供了托管、认证和会话隔离。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段对话中从提问走向行动,让 MoEngage 工程师把时间花在营销智能而非基础设施上,让 agents 为团队处理工作流、为每位客户做决策,同时用户始终掌握控制权。
同样的模式也适用于其他拥有成熟 API 表面的软件提供商。从你现有的规范出发,把身份认证保持在模型之外,让托管运行时来处理生产环境中的各项事务。
要在同样的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。要从你现有的 OpenAPI 规范生成 MCP 工具,请查阅 FastMCP 文档。要了解 Merlin AI 的实际运行效果,请访问 MoEngage Merlin AI。要规划类似的架构,请联系你的 AWS 客户团队或解决方案架构师。