ShipStation Global 如何在 Amazon Bedrock AgentCore 上构建 AI IT 服务台

ShipStation Global 是面向中小型发货商的领先智能物流平台，其工程团队长期面临一个典型的企业 IT 困境：员工反复提出相同问题，错误信息在非工作时间大量涌入，而答案却分散在 Confluence 文章、公司内网页面、PDF 文档和历史 Slack 记录中。在上线前的12个月内，帮助台频道累计产生超过1500个问题线程，且由于员工分布在美国、英国、西班牙、波兰、澳大利亚和菲律宾等多个时区，超过五分之一的问题在美国工作时间之外提出，IT 团队的响应压力持续攀升。

为解决上述问题，ShipStation Global 构建了 Deckhand——一个运行在 Amazon Bedrock AgentCore 上的 AI 智能体，像普通团队成员一样加入 Slack 频道，读取对话上下文并实时回答 IT 问题。系统架构由四个核心组件构成：基于 FastAPI 和 Slack Bolt 的 Slack 服务层（托管于 AWS App Runner）、部署在 AgentCore 运行时的 Strands 智能体服务、通过 AgentCore Gateway 暴露为 MCP 工具的 AWS Lambda 函数，以及索引了 Confluence、内网、Slack 和营销页面内容的 Amazon Bedrock 知识库。

当员工在 Deckhand 所在的频道发帖时，Slack 服务层会自动汇总完整的线程历史和用户上下文信息（包括姓名、邮箱、时区和直属上级），随后通过 AgentCore 运行时 API 调用智能体。智能体在知识库中检索答案，并按需调用工具。若找到答案，则直接返回自助服务步骤；若无法解答，则主动提出澄清问题或提议一键创建包含完整上下文的 Jira 工单，从根本上消除了员工填写工单表单的摩擦。

在技术实现层面，Deckhand 的智能体服务以极简方式构建。开发团队使用开源 Strands Agents SDK，仅需指定模型、工具集和系统提示词，SDK 便会自动管理推理循环，驱动模型选择工具、处理结果并迭代直至生成答案。模型 ID 通过环境变量配置，支持在不修改应用代码的前提下灵活切换底层模型。Amazon Bedrock 知识库检索作为原生 Strands 工具直接导入，其余功能则通过 AgentCore Gateway 以 MCP 协议集成，整体架构保持高度解耦。

在运营与可观测性层面，系统使用 Amazon DynamoDB 存储用户反馈，通过 AWS X-Ray 结合 OpenTelemetry 追踪请求路径，并将服务日志统一输出至 Amazon CloudWatch。AgentCore 运行时以隔离会话方式托管智能体，团队无需维护任何服务器或容器，显著降低了运维复杂度。上线三个月的数据印证了这一架构的实际价值：97.5%的频道查询得到解决，员工正向反馈率达到96%，IT 团队得以将精力从重复性答疑中解放出来，专注于更高价值的工作。

要点

• Deckhand 在上线后三个月内解决了97.5%的 Slack 帮助台查询，员工正向反馈率达96%，验证了 AI 智能体在企业内部 IT 支持场景中的高可用性
• 系统采用 Amazon Bedrock AgentCore 运行时实现无服务器隔离会话托管，结合 Strands Agents SDK 与 Anthropic Claude 模型，以极少量 Python 代码构建出完整的多轮对话智能体
• 通过 AgentCore Gateway 将 Lambda 函数暴露为 MCP 工具，实现了知识库检索、Jira 工单管理和图像分析的统一集成，架构解耦度高且易于扩展
• 将工单创建从员工主动填表转变为智能体一键生成含完整上下文的工单，有效降低了操作摩擦，改善了员工体验
• 模型 ID 通过环境变量配置的设计使团队可在不修改代码的情况下切换底层大模型，为未来模型升级提供了灵活性