Как Smartsheet построил MCP-сервер на AWS для работы AI-агентов с корпоративными данными
Smartsheet создал удалённый сервер на базе протокола Model Context Protocol (MCP) в AWS, который даёт AI-агентам прямой доступ к корпоративным данным и функциям платформы. Решение позволяет ассистентам вроде Amazon Q и Claude Desktop работать с проектами через естественный язык, а также запускать автономных AI-агентов для рутинных задач — что сжимает недельные процессы до часов.
Это реальный кейс корпоративного внедрения AI-агентов в продакшн: как спроектировать инфраструктуру, обеспечить governance и масштабирование для автономных агентов, работающих с критичными бизнес-данными. Плюс конкретные цифры экономии на токенах и архитектурные решения на AWS.
Зачем Smartsheet понадобился MCP
Smartsheet — платформа для управления работой, которой пользуются сотни тысяч компаний. С ростом популярности AI-агентов возникла проблема: им нужен структурированный доступ к корпоративным данным, но большинство систем для этого не приспособлены.
Решение — удалённый сервер на базе Model Context Protocol (MCP), развёрнутый в AWS. Он даёт AI-клиентам (Amazon Q, Claude Desktop) прямой доступ к данным и функциям Smartsheet через естественный язык: анализ проектов, обновление задач, создание таблиц, управление рабочими пространствами.
Автономные агенты без промптов
Компании строят кастомных AI-агентов, которые работают без участия человека: собирают требования, берут задачи в работу, прикрепляют результаты тестов, создают черновики документации — всё в тех же таблицах, что используют живые сотрудники. Процессы, занимавшие недели, сжимаются до дней или часов.
Архитектура на AWS
Один MCP-слой обслуживает и внутренних, и внешних агентов — собственный Smart Assist и сторонние клиенты работают на одной инфраструктуре.
Ключевые сервисы AWS: - AWS Fargate + Amazon ECS — бессерверные контейнеры - Amazon Kinesis + Apache Flink — потоковая обработка событий в S3 - Amazon Bedrock + Amazon Neptune — LLM-инференс и граф знаний для кросс-проектной аналитики
Запросы проходят через API-шлюз (WAF, Shield, ALB, OAuth), затем MCP-сервер обращается к domain-сервисам Smartsheet и слою аналитики на Neptune.
Масштабирование и оптимизация
AI-трафик отличается от обычного: агенты автономно делают серии вызовов инструментов секунда за секундой, затем затихают на время «обдумывания». ECS Auto Scaling реагирует на такие всплески, комбинируя объём трафика и загрузку CPU.
Развёртывание через Amazon ECR + CI/CD с circuit breakers: при сбое автоматический откат на стабильную версию без ручного вмешательства. Релизы идут сначала в самый маленький регион (принцип AWS Well-Architected), затем — канареечные тесты каждые 15 минут.
Экономия и governance
Благодаря AI-оптимизациям интерфейса Smartsheet сэкономил >3 млрд токенов (внутренняя телеметрия).
Контроль доступа встроен в каждый инструмент: администраторы могут включить AI глобально, ограничить только чтением или открыть полные права записи. Инструменты помечены аннотациями MCP-протокола вроде readOnlyHint для прозрачности.
Ключевые выводы
- Единая MCP-инфраструктура для внутренних и внешних AI-агентов даёт «построил раз — все выиграли»
- AI-трафик требует особой стратегии масштабирования из-за всплесков автономных вызовов инструментов
- AI-оптимизированный интерфейс экономит миллиарды токенов, снижая стоимость LLM-операций
- Автономные агенты сжимают недельные процессы до часов, работая в тех же таблицах, что и люди
- Встроенный governance (контроль доступа, аудит) — ключевой фактор для корпоративного внедрения AI
Автор: Марина Соколова · Источник: aws.amazon.com
Это не очередной «мы прикрутили ChatGPT». Smartsheet построил полноценную инфраструктуру для **автономных** AI-агентов, которые работают без промптов — сами берут задачи, пишут доки, прикрепляют тесты. И делают это в production, на реальных корпоративных данных сотен тысяч организаций.
Особенно ценно: они не городят отдельный AI-костыль, а встраивают MCP-слой в существующую архитектуру — один сервер для внутренних и внешних агентов. Governance из коробки (контроль доступа, аудит), авто-откаты при сбоях, канареечные тесты каждые 15 минут. Это зрелый подход, не MVP. И конкретика: 3 млрд токенов сэкономлено благодаря AI-оптимизированному интерфейсу — вот где реальная инженерия, а не маркетинг. AWS-кейс для тех, кто хочет понять, как делать AI в энтерпрайзе правильно.
Комментарии