百年零售商HEMA如何用MCP与Amazon Bedrock终结内部知识碎片化

HEMA的知识困境分为两个层次。第一层是结构化基础设施知识，这部分其实已相当完善：多年来HEMA维护着一份服务目录，清晰记录了哪些团队负责哪些服务、这些服务暴露了哪些API，以及它们与业务能力之间的映射关系。产品信息管理系统和数据网格表中的结构化数据也已被导入并整理归档。换言之，关于「什么存在、谁负责」的问题，答案通常是有的，只是难以触达。

第二层才是真正的痛点：知道某个东西存在，并不等于知道如何操作它。「如何申请API访问权限？如何申请新建用户组？某项规则的具体要求是什么？」这类流程性问题没有统一的归宿。当团队规模较小、人人相识时，口耳相传尚可应付；随着HEMA持续扩张、新工程师不断加入，这种模式彻底失效，而可供参考的书面文档又极为匮乏，直接导致新人上手缓慢、答案因人而异、频繁的上下文切换严重干扰正常工作。

在技术选型上，HEMA选择MCP与Amazon Bedrock AgentCore的逻辑十分清晰。MCP为AI客户端与后端能力之间提供了标准化接口，每个知识源只需作为MCP工具暴露一次，兼容MCP的客户端便可直接调用，无需为每个工具单独开发集成。AgentCore则省去了自建和运维MCP服务器基础设施的负担：其Gateway功能可直接将OpenAPI规范和Lambda函数转化为MCP工具，Identity模块提供JWT入站认证与OAuth2出站令牌管理，Runtime以容器形式托管基于Strands框架构建的智能体。

HAL的建设分两步推进。第一步是构建独立助手：一个基于Next.js的Web聊天界面，背后由运行在AgentCore Runtime上的Strands智能体驱动，同时接入AgentCore Memory提供短期对话上下文，以及Amazon Bedrock Guardrails实现内容过滤并支持荷兰语推理。智能体通过两条路径获取知识：一是直接调用Amazon Bedrock Retrieve API进行语义搜索；二是通过MCP连接AgentCore Gateway，查询实时数据、完整OpenAPI规范及服务目录信息。

第二步是通过MCP将HAL的能力开放给工程师日常使用的工具。无论是IDE插件、Claude客户端还是其他智能体，均可通过同一套MCP接口消费HAL的知识，而无需任何定制化开发。安全层面，整个方案以微软Entra ID为认证锚点，客户端无需持有任何AWS凭证，访问控制基于现有Active Directory用户组，确保真实内部知识可以安全对外暴露。

目前HAL已从最初的开发者工具演进为跨角色助手，产品负责人和业务分析师同样可以从中受益。HEMA的下一步计划是将HAL从只读知识层升级为可执行动作层，让智能体不仅能回答问题，还能代替用户完成实际操作。这一演进路径表明，企业级AI助手的价值不仅在于信息整合，更在于将知识转化为可自动化的工作流，从而真正释放工程组织的生产力。

要点

• HEMA将分散于多个门户的内部知识整合为统一知识层，使原本耗时数小时的信息检索压缩至数秒，显著降低工程师的上下文切换成本。
• MCP标准化接口使每个知识源只需暴露一次，即可被HAL聊天、Kiro、Claude等多种客户端直接调用，避免了为每个工具单独构建集成的重复投入。
• Amazon Bedrock AgentCore通过Gateway、Identity、Runtime等托管能力，省去了自建MCP服务器基础设施的运维负担，并原生支持EU推理区域与荷兰语。
• 安全架构以微软Entra ID OAuth2为核心，客户端无需持有AWS凭证，访问控制复用现有Active Directory用户组，适合在企业内部安全暴露真实知识。
• HAL的下一阶段目标是从只读知识层升级为可执行动作层，为企业AI助手从信息检索向流程自动化演进提供了可参考的路径。