MoEngage построила Merlin AI, набор AI-агентов для маркетинга и продуктовых команд, на Amazon Bedrock и Amazon Bedrock AgentCore. Существующие API платформы компания не переписывала: она превратила их в MCP-инструменты и сохранила изоляцию данных каждого тенанта. В разборе AWS эта работа описана как архитектурная задача: дать агентам безопасный доступ к живым данным в границах одного клиента, не перестраивая сотни эндпоинтов.
Масштаб задаёт планку. Платформой пользуются более 1 350 потребительских брендов, каналы - push, email, in-app, SMS, WhatsApp и RCS. У каждого бренда свой набор сегментов, своя история кампаний и своя контент-библиотека. Ошибка в изоляции здесь означала бы утечку маркетинговых данных между прямыми конкурентами.
Зачем платформе агенты. Помимо интерфейса для бизнес-пользователей и API для инженеров появляется третий слой: человек формулирует результат на естественном языке, агент выполняет шаги на платформе. О том, как этот слой меняет продуктовые интерфейсы, мы писали в разборе MCP как нового интерфейса продукта. Кейс MoEngage показывает, что под таким слоем остаётся зрелый API-продукт с готовой моделью доступа к данным, и ломать её не нужно.
Что такое Merlin AI и зачем платформе customer engagement агенты
Merlin AI даёт маркетинговым и продуктовым командам создавать, анализировать и корректировать кампании в одном диалоге. Боль, которую это закрывает, знакома любому, кто запускал рассылки: аналитика в одном окне, контент-библиотека в другом, конструктор кампаний в третьем, и весь цикл повторяется отдельно для email, push, SMS и WhatsApp.
Переход формулируется одной фразой: возможность, уже доступная через API, становится инструментом, который вызывает агент, а кампания, которая раньше шла через несколько инструментов, проходит через одну беседу. Для платформы это означает, что инвестиции в API не обесцениваются, а получают второй канал использования.
Вторая часть истории - MCP Connector. Он даёт MCP-совместимому ассистенту, например Claude или ChatGPT, безопасный доступ к сегментам бренда, истории кампаний и контент-библиотеке, причём строго в границах тенанта. Данные открываются и внутренним агентам Merlin AI, и внешним клиентам с поддержкой MCP. Один слой доступа обслуживает оба сценария.
Четыре режима агентов Merlin AI: встроенные, диалоговые, кастомные и decisioning
Merlin AI работает в четырёх режимах агентов. Все четыре опираются на общий фундамент: фундаментальные модели в Amazon Bedrock для рассуждений и генерации, AgentCore runtime для хостинга и MCP для стандартизированного доступа к данным. В источнике MoEngage перечислены модели Anthropic Claude Sonnet 4.6, Claude Sonnet 5 и Claude Sonnet 5.5 на Amazon Bedrock, которые отвечают за рассуждения, планирование вызовов инструментов и генерацию контента. Оговорка: независимо подтверждено наличие в Amazon Bedrock только Claude Sonnet 5.5 (идентификатор модели anthropic.claude-sonnet-5-5, см. обзор DataCamp); модели с названиями Claude Sonnet 4.6 и Claude Sonnet 5 в доступных материалах не подтверждены, поэтому список моделей стоит воспринимать как заявление вендора.
Встроенные агенты (embedded agents) работают в Merlin AI Studio. Это единственный режим, который в публичном разборе раскрыт конкретно: агент доступен там, где маркетолог и так работает, и не требует отдельного чат-интерфейса.
По трём оставшимся режимам в тексте есть названия без деталей. Разделение читается по назначению, и его полезно держать в голове при выборе режима под задачу. Ниже рабочая интерпретация, а не описание из источника:
- Встроенные: готовые сценарии внутри интерфейса с минимумом настройки со стороны бренда.
- Диалоговые: работа через беседу, когда маркетолог ставит задачу словами и правит результат по ходу.
- Кастомные: агенты под процессы конкретного бренда, там, где стандартный сценарий не подходит.
- Decisioning: принятие решений на данных, когда агент выбирает следующий шаг, а не просто выполняет команду.
Четыре режима вместо одного универсального агента - прагматичный компромисс. Агент с десятками разнородных инструментов хуже планирует вызовы и хуже отлаживается; узкий набор под конкретный режим ведёт себя предсказуемее. Точные границы между режимами у MoEngage стоит уточнять в документации продукта.
Как из OpenAPI-спецификаций получились MCP-инструменты
Пайплайн перехода выглядит так: существующие OpenAPI-спецификации служат источником контракта, из них генерируются MCP-инструменты, а MCP-сервер становится единой точкой доступа для агентов. Сразу оговорка по фактам: в разборе AWS не названы ни конкретная библиотека генерации, ни версия спецификации, ни FastMCP. Дальше описываем паттерн, применимый к любому зрелому API, а не поимённую сборку MoEngage.
Как такой паттерн выглядит в инструментах. FastMCP, библиотека для сборки серверной части MCP, умеет автоматически генерировать MCP-сервер из OpenAPI-спецификации: вы передаёте спецификацию и HTTP-клиент, а эндпоинты API превращаются в компоненты MCP (см. документацию FastMCP). Тот же приём использует проект OpenAPI-MCP, транслируя операции OpenAPI-документа в MCP-инструменты. Это иллюстрация подхода, а не подтверждение того, что MoEngage применяла именно эти библиотеки.
Экономика решения простая. Спецификация уже описывает эндпоинты, параметры и схемы ответов. MCP-инструмент - обёртка над операцией, которую агент умеет вызывать: имя, описание, набор аргументов. Переписывать сотни API не нужно, нужно аккуратно сгенерировать обёртки и выставить их через один сервер.
Три сущности, которые легко перепутать. OpenAPI - контракт API. MCP - протокол, по которому агент узнаёт об инструментах и вызывает их. FastMCP - библиотека для сборки серверной части MCP. Путаница между ними рождает неверные ожидания: протокол не улучшает ваш API, он только делает его доступным агенту.
Почему MCP, а не собственный формат инструментов
Собственный формат инструментов означает, что каждую новую среду придётся подключать руками. MCP понимают внешние ассистенты вроде Claude и ChatGPT, а также разные агентные фреймворки, и это снижает цену интеграции. Один MCP-сервер обслуживает внутренних агентов Merlin AI и внешних клиентов через MCP Connector, поэтому новый канал не требует второй реализации доступа к данным.
Amazon Bedrock AgentCore в описании AWS - платформа, на которой агентов с любым фреймворком и моделью собирают, подключают и оптимизируют в масштабе. MCP встраивается в эту логику: слой доступа к данным остаётся стабильным, а модель и фреймворк меняются. Как это работает на другом кейсе, мы разбирали в материале про MCP для агентной коммерции: там самодокументируемые инструменты дали заметное сокращение контекста.
Что именно генерируется из спецификации и где узкие места
Из OpenAPI в инструмент переходят операции и схемы параметров. Агент видит имя инструмента, его описание и аргументы, которые нужно заполнить. Дальше начинаются детали, от которых зависит, будет ли агент вызывать инструменты правильно:
- Описания пишутся для модели. Строка "endpoint для работы с сегментами" бесполезна: агенту нужно понимать, когда именно её вызывать и чем этот инструмент отличается от соседнего.
- Гранулярность. Слишком мелкие инструменты (получить сегмент, получить список сегментов, получить метаданные сегмента) раздувают пространство выбора и увеличивают число шагов. Операции покрупнее, под задачу, планируются лучше.
- Секреты и контекст. Токены доступа и идентификатор тенанта не должны быть аргументами инструмента: всё, что модель заполняет сама, она может заполнить неправильно.
- Качество спецификации. Грязный OpenAPI с неполными схемами даёт такие же инструменты. Генерация не чинит контракт, она его проявляет.
Изоляция тенантов: JWT, контекст в заголовках и сессия на пользователя
Изоляция в кейсе MoEngage опирается на JWT-аутентификацию и передачу контекста тенанта в заголовках, а не в аргументах инструментов. Деталей реализации MoEngage в разборе AWS нет, поэтому ниже - общий паттерн мультитенантных агентов на AgentCore и риск, который закрывает каждый механизм. Отдельная сессия на пользователя в доступных материалах не подтверждена: это распространённая практика, но не описанная особенность Merlin AI.
Почему tenant_id нельзя доверять модели
Если идентификатор тенанта - обычный аргумент инструмента, его значение формирует модель по тексту запроса. Значит, на него можно повлиять через промпт: неаккуратный или специально сконструированный ввод подставит чужой идентификатор, и инструмент честно вернёт данные другого клиента. Защита на уровне приложения не сработает, потому что запрос выглядит легитимным.
Перенос контекста в заголовки убирает эту поверхность атаки. Заголовки проставляет инфраструктура после проверки JWT, модель их не видит и не редактирует. Инструмент получает тенант из проверенного источника, а не из текста. В мультитенантном сэмпле AWS на базе Bedrock AgentCore изоляция тенантов реализована через JWT-claims и фильтры запросов OpenSearch: tenant ID автоматически извлекается и внедряется по ходу запроса, а запрос содержит заголовок Authorization: Bearer с кастомным claim custom:tenantId. В материале про AgentCore Gateway описан похожий механизм: кастомный request interceptor Lambda валидирует JWT из заголовка авторизации и проверяет scopes и permissions пользователя для конкретного вызываемого инструмента. Похожую схему с авторизацией по JWT-claims разбирали в кейсе мультиаккаунтного агента на AgentCore Gateway и MCP: данные остаются в аккаунтах владельцев, а агент получает к ним доступ без копирования.
Что даёт сессия на пользователя и почему это не подтверждено
Проверенный тенант ещё не гарантирует чистоты состояния. Если один сотрудник бренда оставит в общей сессии свой контекст, агент может подмешать его в ответ другому сотруднику. Отдельная сессия на пользователя ограничивает такое перетекание и упрощает аудит: видно, кто и в какой сессии что запросил. Однако в разборе AWS этот механизм не описан, поэтому для Merlin AI это гипотеза о разумной практике, а не факт из источника.
Хостинг на AgentCore runtime означает, что сессии живут в среде выполнения агентов, а не в клиентском приложении. Это удобно для управления жизненным циклом, но требует идентичности запроса: без неё сессию не к чему привязать. MCP Connector работает по той же логике: доступ к сегментам, истории кампаний и контент-библиотеке ограничен тенантом, а не тем, что написано в промпте.
Инфраструктура: AgentCore runtime и оплата за токены вместо собственных GPU
Агенты Merlin AI размещены на AgentCore runtime, возможности Amazon Bedrock AgentCore для хостинга. Модели для рассуждений, планирования вызовов и генерации контента берутся из Amazon Bedrock: по заявлению MoEngage, это Claude Sonnet 4.6, Sonnet 5 и Sonnet 5.5 (из них независимо подтверждена в Bedrock только Sonnet 5.5).
Тезис об экономике - оплата за токены вместо содержания собственных GPU снижает затраты на инфраструктуру - в доступных материалах не подтверждён: ни в разборе AWS, ни в открытых источниках нет ни формулировки MoEngage, ни цифр. Логика при этом понятна. Собственный парк ускорителей резервируется под пиковую нагрузку и простаивает в спокойные часы, а токенная модель переводит расходы в переменные. Для агентных сценариев с рваным трафиком это часто дешевле.
Читать это стоит как гипотезу, а не как замер. При устойчиво высокой нагрузке фиксированная инфраструктура может оказаться выгоднее, особенно если модели небольшие и работает кэширование. Второй момент - привязка: Bedrock и семейство Claude задают границы, и переезд на другую модель или облако потребует работы, даже если MCP-слой останется неизменным. Что меняется на уровне платформы, мы собирали в обзоре обновлений Amazon Bedrock и AgentCore.
Заявленные результаты в продакшене: цифры и как их читать
Единственная цифра в опубликованном разборе: клиент Glance получил рост CTR push-уведомлений на 38% благодаря Merlin AI. В блоге MoEngage о Merlin AI Copywriter формулировка конкретнее: Glance сгенерировал в 3 раза больше вариантов контента, что дало рост CTR мобильных push-уведомлений на 38%. Про ускорение запуска кампаний и снижение затрат на инфраструктуру в тексте нет ни чисел, ни методики, это тезисы уровня презентации.
Как читать 38%. Это вендорское утверждение без независимой проверки. Методология не раскрыта: не указано, был ли это A/B-тест или сравнение периодов, какой размер выборки, как долго шёл эксперимент, что именно меняли в кампаниях. CTR push-уведомлений зависит от текста, сегмента, частоты отправки и времени, а не только от того, кто собрал кампанию. Рост мог дать и агент, и более удачный креатив, который он предложил.
Практический вывод: цифра полезна как сигнал, что направление работает, и не годится как бенчмарк, который можно обещать своему руководству. Для собственного решения придётся мерить на своих сегментах, с контрольной группой и заранее выбранной метрикой.
Кому подойдёт такой подход и что нужно подготовить
Подход переносится на любой продукт со зрелым API, но не бесплатно. Что нужно иметь до старта:
| Предпосылка | Зачем нужна | Что будет без неё |
|---|---|---|
| Аккуратные OpenAPI-спецификации | Из них генерируются инструменты | Агент получит невнятные описания и будет ошибаться с выбором |
| Мультитенантность и работающая аутентификация | Контекст тенанта берётся из проверенного JWT | Изоляцию придётся строить с нуля, до всяких агентов |
| Готовность вынести tenant-контекст из аргументов | Убирает prompt injection через параметры | Один удачный промпт покажет клиенту чужие данные |
| Сценарии, где диалог заменяет несколько инструментов | Даёт измеримую пользу | Агент станет дорогой обёрткой над кнопкой |
| Бюджет на токены и мониторинг расходов | Расходы становятся переменными | Счёт растёт вместе с числом агентов и длиной контекста |
| Аудит сессий | Позволяет разобрать инцидент | При утечке непонятно, кто и что запрашивал |
Кому подход не подойдёт: продуктам без стабильного API-контракта, где эндпоинты меняются каждую неделю, и сервисам без мультитенантной модели доступа, где изоляция данных не проработана. Агент усиливает существующую архитектуру, включая её слабые места.
С чего начинать: с одной подсистемы и десятка операций. Сгенерировать инструменты из спецификации одной подсистемы, прогнать на реальных задачах, посмотреть, где агент путается в выборе, и только потом расширять набор. Кейс AvioBook с аналитикой на Amazon Bedrock AgentCore показывает тот же принцип: узкий набор инструментов под конкретную роль работает предсказуемее универсального.
Что в итоге: паттерн, который можно копировать
Что стоит забрать из кейса MoEngage:
- MCP как единый слой доступа к данным: один сервер обслуживает внутренних агентов и внешних ассистентов вроде Claude и ChatGPT.
- Генерация инструментов из существующих спецификаций вместо переписывания API: контракт уже есть, нужны обёртки и понятные описания.
- Контекст тенанта в заголовках после проверки JWT, не в аргументах, которые заполняет модель.
- Хостинг на AgentCore runtime; тезис об экономии за счёт оплаты за токены остаётся неподтверждённым и требует проверки на своих нагрузках.
Проверяемая часть кейса - архитектурный сдвиг: зрелый API-продукт становится доступным агентам без слома существующей модели доступа к данным. Цифры пока скромнее: один клиент, один канал, 38% роста CTR без раскрытой методики и без независимой проверки. Этого достаточно, чтобы присмотреться к паттерну, и мало, чтобы считать вопрос закрытым.