Расписание для витрины: три агента, MCP и память между чатом и cron

Онбординг мобильной витрины у мерчанта Reactiv сжался с 17 часов ручной работы до трёх, типовые правки после запуска , с дней до минут. В сумме команда называет это 80% экономии времени на конфигурации: не чат «пока сидишь в дашборде», а AI Scheduler , мерчант формулирует задачу словами, EventBridge запускает граф из трёх Strands-агентов на Amazon Bedrock AgentCore, результат в DynamoDB и в прод только после явного одобрения. Что происходит по cron Интерактивный builder уже умел править приложение в реальном времени, но мерчантам нужны были автономные обновления без участия человека. Supervisor Agent классифицирует intent и маршрутизует сценарий , только аналитика, только сборка конфига или цепочка «аналитика → сборка». Analytics Agent гоняет text-to-SQL по Amazon Redshift, Builder Agent собирает конфиг и вызывает больше 50 tools: мутации через Config MCP, запросы через Lambda, Shopify Storefront SDK и генерацию ассетов. По cron Lambda-исполнитель валидирует аккаунт, берёт concurrency lock, подтягивает текущий конфиг и вызывает AgentCore runtime с промптом и метаданными сессии. Config MCP на том же runtime инициализирует живое состояние схемы , builder не может протащить невалидный layout. MCP и один стек для чата и cron До миграции Config MCP крутился на ECS с Cognito и ручным JSON-RPC на каждый вызов; на каждый tool , OpenAPI, Lambda и action-group, около 100 spec-файлов в двух местах. На AgentCore MCP хостится нативно, AgentCore Identity закрывает service-to-service auth, а декоратор @tool в Strands SDK снял эту обвязку; по внутренним замерам Reactiv экономит почти 6000 долларов в год только на compute. Агенты в Firecracker microVM поднимаются по триггеру и гасятся после задачи , без ECS-кластеров и scaling policies. После запуска scheduler интерактивный агент и scheduled agent жили раздельно. Reactiv перенесла dashboard-агента на AG-UI protocol поверх того же AgentCore: общие Strands, MCP-серверы и AgentCore memory с session summarizer, preference learner и semantic fact extractor на мерчанта , без своего vector DB. Предпочтения из диалога попадают в следующий scheduled run и наоборот; прогоны ускорились с 10+ минут до примерно 5 за счёт native streaming вместо цепочки polling. Трёх человек хватило вывести трёх-агентную систему в прод за 10 недель против 15 недель у прежнего single-agent build. Источник: How Reactiv automates mobile commerce 80% faster with Amazon Bedrock AgentCore .