Mobileye 基于 AWS Bedrock AgentCore 的客服 Agent 实践

如果部署生产级 AI Agent 无需任何基础设施管理、自带企业级可观测性，还能轻松对接现有本地系统，会是怎样一种体验？

Mobileye 是自动驾驶领域的先驱，在全球约 1200 款车型中部署了超过 2.3 亿颗 EyeQ 系统级芯片。该公司看到了一个机会——让资深工程师从日常的内部工单状态查询中解放出来。

Mobileye 的数据采集处理流水线每天要摄入数千个行驶记录会话，由此产生大量来自工程师和数据团队的状态查询请求。过去，每条查询都需要在多个系统间手动操作——识别会话、交叉参照可视化工具、验证输出、审查日志——才能组织出一条回复。通过使用 Amazon Bedrock AgentCore，Mobileye 部署了一个 AI Support Agent，将响应时间缩短了 90%，且准确率超过了 95% 的目标，基础设施开销为零。效果如此显著，以至于 Mobileye 将 AgentCore 打造成了一个自助服务平台，供公司内部各个团队部署自己的 AI Agent。

在本文中，我们将探讨 Mobileye 如何在 Amazon Bedrock AgentCore 上部署 AI 支持型 Agent 方案——从激发这个想法的支持瓶颈，到验证方案可行的概念验证，再到将本地系统与 AWS 云服务连接起来的混合架构。这种方法对于那些希望在维持企业级治理和安全标准的同时扩展 AI Agent 的企业具有重要参考价值。

从手动瓶颈到 AI 驱动的支持

随着 Mobileye 数据采集流水线规模扩大，66% 的支持工单变成了常规状态查询，需要工程师手动在多个后端系统中导航 15 次点击。这种耗时的流程使资深工程师无法专注于复杂问题，同时内部用户面临更长的等待时间。

传统的自动化方法——脚本、静态工作流和基于规则的决策树——被证明是不够的。虽然这些方法能处理可预见的查询，但缺乏理解真实世界支持请求多样性所需的上下文理解能力。团队决定构建一个能够理解上下文并适应不同查询模式的 AI Agent。

验证方案：概念验证

在全面生产部署之前，Mobileye 团队进行了概念验证，目标是将工单分类准确率提升至 95%，响应时间控制在 2 分钟以内。

该 Agent 使用 Anthropic Claude 基础模型，通过 Mobileye 内部 LLM Gateway 访问，该网关提供对 Amazon Bedrock 上基础模型的受治理、配额管理的访问。关键推动因素是 Model Context Protocol（MCP），它让 Agent 能够实时访问行驶数据处理平台的 API——允许其在推理过程中查询会话状态、获取处理日志并拉取诊断信息。

这意味着该 Agent 远远超越了简单的工单分类，成为了一个智能调查员，能够处理过去需要耗时手动操作才能解决的各种查询。当用户询问行驶记录会话时，Agent 可以确定当前状态并给出答案：确认已完成会话并提供访问详情，为失败情况暴露具体错误并给出调试建议和日志链接，或引导用户完成缺失请求的提交流程——整个过程不到两分钟，无需人工干预。

评估选择

在 AI Agent 的概念验证成功后，Mobileye 需要将其投入生产。这一过渡需要一种能够满足企业级要求同时保持概念验证中所展示的灵活性的解决方案。经过仔细评估，他们决定在 Amazon Bedrock AgentCore 上部署 AI Agent——这是一个全托管平台，可使用任何框架或模型构建、连接和扩展 AI Agent。最终决策取决于五个关键因素：

• 可投入企业工作负载的无服务器基础设施
• 加速支持查询的解决时间
• 全面的内置可观测性
• 对多种 Agent 框架的支持
• 能够轻松与现有本地工单系统集成的混合架构支持

最后这一点尤为重要。Mobileye 的内部工单系统在本地运行，无法从 AWS 直接访问，因此任何解决方案都需要弥合这一鸿沟，且不能以牺牲安全性或合规性为代价。

生产架构：连接两个世界

在概念验证成功后，Mobileye 采用了一种复杂的混合架构投入生产，该架构在两个环境中具有明确定义的组件角色。

本地组件

下表描述了处理本地工单操作并桥接到基于云的 AI 处理的本地组件。

AWS 云组件

下表描述了为 AI Agent 提供无服务器计算、安全性和可观测性基础设施的 AWS 云组件。

Mobileye 自有服务

下表描述了 Mobileye 自有服务，这些服务为 Agent 提供数据连接和受治理的模型访问。

各组件如何协同工作

自动化工作流遵循简化的四步流程：

本地编排器提取新工单并将其发送到在 AgentCore Runtime 上运行的 AI Support Agent。

AI Support Agent 端到端处理每个工单——对查询进行分类、通过 MCP Server 查询实时生产系统以获取会话数据，并通过 AI LLM Gateway 访问 Claude——生成包含链接、建议和可操作的后续步骤的完整格式化回复。

本地编排器接收完成的回复，并将其连同适当的评论和标签发布回内部工单系统。

AgentCore Observability 捕获 Agent 活动——会话指标、延迟、token 使用量和追踪——用于持续监控和调试。

用实际数据说话的可衡量成果

Mobileye 在 AgentCore 上部署 AI Support Agent 的生产方案取得了持续达到或超越最初目标的成果。

• 总体成功率：98%（超越了 95% 的原始目标）
• 响应时间：从数小时缩短至约 1 分钟（提升 90%）
• 自动化支持量：占总工单量的 66%
• 月吞吐量：处理 100+ 工单

支持工程师得以专注于复杂工作——而且团队无需自行构建基础设施，因为 AgentCore 开箱即提供。

"Amazon Bedrock AgentCore 使我们能够构建一个在满足企业安全性和运营标准的同时交付可衡量业务价值的生产级 AI Agent。AI Support Agent 改变了我们的支持运营，节省了工程师们过去在常规工单查询上花费的数百小时，让他们能够专注于自己最擅长的工作。"——Shay Margalit，Mobileye 首席工程师

扩展愿景：从单个 Agent 到企业平台

随着 AI Support Agent 在生产环境中交付成果，Mobileye 面临了一个新挑战：组织内大多数开发者缺乏独立在 AgentCore 上部署 Agent 所需的 AWS 凭证或基础设施访问权限。为了解决这一问题，Mobileye Cloud Infra 团队构建了一个内部 Agent 部署平台。

这个内部托管服务使 Mobileye 开发者能够在无需 AWS 专业知识或云凭证的情况下部署生产级 AI Agent。具体步骤如下：

1. 团队提供其 Agent 代码
2. 团队指定所需的 AgentCore 能力——Memory、Browser Tool、Code Interpreter、Observability、Gateway
3. Cloud Infra 团队配置所有基础设施：AWS IAM Roles、Amazon S3 存储、Amazon CloudWatch 监控和 Amazon Cognito 认证
4. 开发者收到一个预配置的 bedrock_agentcore.yaml 文件，可直接集成到其项目中
5. 部署只需一条命令：agentcore deploy

配置的基础设施符合 Mobileye 对安全性、成本治理和卓越运营的标准。代码异常的 CloudWatch Alarms 有助于确保问题立即浮出水面。

最初的概念验证已经演变成一个企业级平台，团队可以在几分钟内而不是几周内部署安全、可监控、成本可追踪的 Agent。

从手动流程到智能自动化的道路比你想象的更短，而成果——正如 Mobileye 所展示的——可以是非凡的。