Smartsheet 在 AWS 上搭建远程 MCP 服务器,为 AI 智能体打通企业数据

Smartsheet 是一家被数十万组织采用的企业工作管理平台。随着企业团队引入 AI 智能体,这些智能体需要以结构化方式访问 Smartsheet 等系统中的数据,而大多数系统的接口并非为此而设计。为填补这一缺口,Smartsheet 在 AWS 上构建了远程 Model Context Protocol(MCP)服务器,使 AI 客户端能够直接调用其数据和能力,Amazon Quick 与 Claude Desktop 等助手由此可以分析项目数据、更新任务、创建表格并管理工作区。

企业也在围绕 MCP 构建无需人工触发即可运行的自主智能体,例如捕获需求、领取任务、上传测试结果、起草文档等。这些流程与人类协作共用同一套工作表,把原本需要数周的工作压缩到数天甚至数小时。MCP 服务器在连接 Smartsheet 现有 API 与中央智能层之外,额外提供了一层面向 AI 的接口,用于削减 token 开销、降低幻觉概率,并让大模型能够稳定地处理企业级数据,据内部遥测统计,这套优化已累计节省超过 30 亿 token。

在架构上,Smartsheet 用同一套 MCP 层同时服务内部 Smart Assist 与外部 AI 客户端,确保所有智能体共享同一套工具、优化和智能栈。关键路径上的 AWS 服务包括用于无状态容器的 AWS Fargate on Amazon ECS,用于变更事件接入的 Amazon Kinesis Data Streams 与 Amazon Managed Service for Apache Flink,以及用于大模型推理与跨项目知识图谱的 Amazon Bedrock 与 Amazon Neptune。请求先经 API 网关层(含 AWS WAF、Shield、ALB 和 OAuth 校验)再到达 Fargate 上的 MCP 服务器,随后通过 API 调取事务型领域服务,并向基于 Neptune 和 Databricks 的智能层查询跨项目洞察,变更事件则通过 Kinesis 和 Flink 流式落入以 Amazon S3 为底座的智能层。

智能体流量具有突发性,常在短时间内连续发起多次工具调用,随后进入模型推理静默期,因此 Smartsheet 选择在 AWS Fargate 上运行 MCP 服务器,并借助 ECS Auto Scaling 的目标跟踪策略同时结合流量与计算利用率进行扩缩容。部署方面,镜像存放于 Amazon ECR,通过 CI/CD 流水线分层安全地滚动发布,ECS 部署断路器会自动回滚到上一稳定版本;新版本先在最小区域灰度,再由自动化端到端测试验证工具行为,每 15 分钟运行一次覆盖完整鉴权与网关路径的金丝雀工作流。

治理层面,MCP 工具在框架层面默认携带访问控制、错误处理与审计能力,管理员可按组织粒度开关 AI 访问、限定为只读或开放完整写权限,工具自身也带有 readOnlyHint、destructiveHint 等协议标注,便于 AI 客户端自动展示确认流程。每一次工具调用都会在隐私约束下采集用户、组织、工具名与结果等上下文,日志、链路与指标通过 OpenTelemetry 输出,并经由 Kinesis 流式写入 Amazon OpenSearch Service,基础设施指标接入 CloudWatch,Datadog 提供逐工具 APM 视角,PagerDuty 负责事件响应。

要点

• Smartsheet 在 AWS 上以一套 MCP 层统一服务内部 Smart Assist 与外部 AI 客户端,实现构建一次、所有智能体受益的架构目标。
• MCP 服务器在现有 API 之上叠加 AI 优化接口,围绕 token 节省、幻觉抑制与企业数据可靠性设计,自上线以来累计节省超过 30 亿 token。
• 部署以 AWS Fargate 为核心,结合 ECS Auto Scaling 与部署断路器,通过最小区域灰度、金丝雀工作流和分层安全网保证智能体在线时不被打断。
• 治理与可观测性被内置到工具框架中,包含分级访问控制、协议标注、OpenTelemetry 全链路信号,以及经 Kinesis 接入 OpenSearch 的统一日志管道。
• 智能体流量呈现突发多调用、长推理间隔的特征,Smartsheet 因此把计算利用率也纳入扩缩容信号,而不仅仅依赖传统请求量指标。