Reactiv 借 Amazon Bedrock AgentCore 自动调度 Shopify 应用更新

为 Shopify 商家提供原生移动应用服务的 Reactiv，近期将 AI 调度系统迁移到 Amazon Bedrock AgentCore，把商家手动配置应用的时间压缩 80%，从开发到生产上线提速 33%。这一案例展示了多智能体架构在电商内容自动化场景中的落地方式。

业务背景与挑战

Reactiv 的客户多为 Shopify 中小商家，移动端访客的转化率通常是网页端的 2–4 倍。然而，首页更新、促销排期、新素材生成等运营动作长期依赖人工，多数商家无法做到每周刷新。Reactiv 此前的方案是让商家在后台以对话形式即时修改应用，但无法按计划自主执行。

要把「定时自动更新」做成产品，Reactiv 需要解决四类问题：

• 多智能体编排：定时任务需要一个监督者进行意图分类、一个分析智能体查询商家数据、一个构建智能体生成配置。
• 跨会话持久记忆：智能体需记住商家历次审批偏好，而非每次从零开始。
• 原生 Model Context Protocol（MCP）支持：原有的 Config MCP 运行在 Amazon ECS 上，自带 Cognito 鉴权层和手写 JSON-RPC 握手逻辑，维护成本高。
• 工具定义负担：每个工具都需 OpenAPI 规范、Lambda 绑定和 action-group 映射，两处共维护约 100 个规范文件。

为什么选择 Amazon Bedrock AgentCore

Reactiv 用 AgentCore 的三项能力覆盖了上述全部需求：

• 托管运行时（AgentCore Runtime）：智能体运行在 Firecracker microVM 中，与 AWS Lambda 同一隔离技术栈。Reactiv 将 Strands 智能体图打包为 Docker 镜像推送至 Amazon ECR，由 AgentCore 按调度启动与关闭，无需管理 ECS 集群、扩缩容策略或闲置算力。
• 内置记忆（AgentCore Memory）：提供跨会话的长期记忆。Reactiv 采用三种用法——会话摘要器压缩每次任务输出、偏好学习器跟踪商家对布局的接受与拒绝、语义事实提取器沉淀商品类目、热销品和品牌规范等知识。记忆按商家隔离，无需自建向量库与检索管线。
• 原生 MCP 托管与多租户隔离：Config MCP 作为有状态服务部署在 AgentCore Runtime 上，初始化时载入商家当前应用配置，构建智能体对其实时变更并按 schema 校验。AgentCore Identity 取代了原先的 Cognito + JSON-RPC 自研鉴权层。每个商家的执行上下文、记忆与智能体状态独立运行在各自的 microVM 中，基础设施层完成租户路由与隔离。

架构概览

整体流程由 Amazon EventBridge 按计划触发 Lambda 执行器，后者调用 AgentCore Runtime。运行时内三个 Strands 智能体协同工作，跨 MCP 工具、Lambda 函数、AgentCore Memory 和 Amazon Bedrock 模型进行调度，最终生成的应用配置写入 Amazon DynamoDB，等待商家审批。Reactiv 同时把交互式与定时智能体统一在同一栈上，两类模式共享同一份记忆上下文。

落地成效

迁移到 AgentCore 后，Reactiv 在数周内即将 AI 调度器投入生产，并将交互式与定时两种智能体合并到同一技术栈。官方数据显示，商家配置时间下降 80%，从原型到上线的周期缩短 33%。Adam Gibicar（Reactiv 资深 AI 开发工程师）表示：「我们不再管理容器、编排器和扩缩容策略，只需把智能体代码打包成镜像交给 AgentCore，其余由平台处理。」

对正在评估智能体托管平台的团队而言，这一案例的参考价值在于：用托管 runtime + 内置记忆 + 原生 MCP 托管三件套，可以替代自建的 ECS 鉴权、JSON-RPC 握手与 OpenAPI 规范维护，把工程精力集中在智能体业务逻辑本身。