从多系统跳转到即时解答：HEMA 基于 MCP 与 Amazon Bedrock 的 AI 助手演进之路

在现代大型企业的软件工程实践中，开发者往往面临着一个沉重的效率枷锁：在分散的文档门户、内部 API 目录、代码仓库以及任务追踪系统之间频繁进行上下文切换（Context Switching）。作为拥有百年历史的荷兰知名零售巨头，HEMA 针对这一技术痛点展开了深刻的数字化变革。通过构建名为 HAL 的内部智能 AI 助手，HEMA 成功将原本繁琐的“跨门户跳转”（Portal-Hopping）转化为直接在日常工具中获取受控企业知识的即时体验。

HAL 助手构建于 Amazon Bedrock AgentCore 之上，并深入采用了 Anthropic 推出的开源标准——模型上下文协议（Model Context Protocol, MCP）。在安全治理层面，HAL 依托 Microsoft Entra ID（原 Azure AD）进行身份锚定，实现了客户端无 AWS 凭证（Zero Client-Side Credentials）的零信任安全架构。本文将深度剖析 HEMA 的 HAL 架构设计、MCP 在企业级场景中的实际应用，以及开发者如何结合 n1n.ai 等高性能 API 聚合平台构建低延迟、高可用的企业 AI 基础设施。

痛点分析：企业 IT 中的“跨门户跳转”损耗

随着企业技术栈的日益庞大，内部知识库不可避免地陷入孤岛状态。当工程人员需要开发新的微服务或配置零售供应链接口时，通常需要在多个系统间来回穿梭：

1. Confluence 或 Notion：检索架构决策记录（ADR）与业务规则。
2. Swagger / OpenAPI 界面：核对 API 接口规范与字段定义。
3. Jira：查看当前 Sprint 任务要求及关联变更。
4. 内部 Wiki / Developer Portal：获取 CI/CD 部署流水线规范与云基础设施约束。

根据行业研发效能统计，传统零售与金融企业转型过程中，工程师每天有 20% 至 30% 的时间消耗在信息检索上。此外，静态文档往往存在更新滞后、缺少上下文安全策略等问题。

HEMA 的目标是将开发者从“被动检索静态文档”的传统模式中解放出来，转向“交互式、具备上下文感知能力”的智能执行模式。

整体架构设计：基于 Bedrock AgentCore 与 MCP 的 HAL 平台

为了连接开发者终端（VS Code 插件、Slack 机器人、CLI 工具）与后端企业级智能体，HEMA 架构团队设计了 HAL 核心系统。该架构彻底解耦了客户端与后端基础设施，并确保了严格的身份传递与权限控制。

+-----------------------------------------------------------------------+
|                               开发者终端                               |
|                 (VS Code 扩展 / Slack 机器人 / CLI 工具)               |
+-----------------------------------------------------------------------+
                                   |
                      Bearer Token (Entra ID OIDC)
                                   v
+-----------------------------------------------------------------------+
|                           API 网关 / 安全护栏                          |
|                       (令牌校验与速率限制引擎)                          |
+-----------------------------------------------------------------------+
                                   |
                                   v
+-----------------------------------------------------------------------+
|                   Amazon Bedrock AgentCore 运行环境                    |
|  +-----------------------------------------------------------------+  |
|  | Orchestrator 模型 (如 Claude 3.5 Sonnet / 通过 Bedrock 或 n1n)  |  |
|  +-----------------------------------------------------------------+  |
|                                   |                                   |
|                         模型上下文协议 (MCP)                         |
|                                   v                                   |
|   +-------------------+   +------------------+   +----------------+   |
|   | 内部 API 服务注册表 |   | Confluence 知识库 |   | Jira / GitHub  |   |
|   +-------------------+   +------------------+   +----------------+   |
+-----------------------------------------------------------------------+

系统核心设计原则

1. 客户端零云凭证（Zero Client-Side Credentials）：工程师本机的开发环境无需保存任何 AWS IAM 密钥。客户端与后端的交互完全依赖 Microsoft Entra ID 签发的 OAuth 2.0 / OIDC 用户身份令牌。
2. 标准化 Model Context Protocol (MCP)：规范了 LLM 查询外部数据模式、接口及知识库的方式，无需为每个数据源编写自定义对接中间件。
3. Amazon Bedrock AgentCore 编排：负责 Agent 循环控制、安全护栏设置、状态管理与工具调用的具体执行。
4. 高性能 LLM 路由：将标准化 Prompt 安全投递至前沿模型（如 Claude 3.5 Sonnet 或 DeepSeek-V3）。在开发与生产阶段，引入如 n1n.ai 的企业级 API 聚合服务，可以实现统一接入与多模型容灾备份。

深度解析：Model Context Protocol (MCP) 的技术优势

模型上下文协议（MCP） 是由 Anthropic 发起的开放标准，旨在建立 AI 助手与数据源及工具之间的统一通信桥梁。在 MCP 出现之前，将 LLM 接入企业内部系统往往需要为每一个数据源编写专用的封装层。

在 MCP 规范下，数据源只需对外暴露标准化的 MCP 服务节点，节点包含三类核心要素：

• Resources（资源）：只读上下文数据（如系统日志、文档页面）。
• Tools（工具）：可执行的函数逻辑（如触发部署流水线、检索 API 目录）。
• Prompts（提示词）：预设的系统指令模板。

技术实现示例：使用 Python 构建企业级 MCP 服务端

下面展示了一个使用 Python FastMCP 框架编写的企业级 MCP 服务端示例，该服务允许 HAL 智能助手安全查询 HEMA 内部 API 目录。

import os
import requests
from mcp.server.fastmcp import FastMCP

# 初始化 HEMA 内部 API 目录的 FastMCP 服务
mcp = FastMCP("HEMA-Internal-API-Catalog")

INTERNAL_CATALOG_URL = os.getenv("INTERNAL_CATALOG_URL