Smartsheet如何在AWS上構建遠程MCP服務器

Smartsheet是一個企業工作管理平台，數十萬組織依賴它。隨着企業團隊採用AI代理，這些代理需要結構化地訪問Smartsheet等系統中的數據，但大多數系統並非為此設計。為彌合這一差距，Smartsheet在AWS上構建了一個遠程模型上下文協議（MCP）服務器，使AI客户端能夠直接訪問其數據和功能。Amazon Quick和Claude Desktop等AI助手幫助用户通過自然語言與Smartsheet的功能交互，分析項目數據、更新任務、創建表格、管理工作空間等。

企業還在構建自定義AI代理，用於無需人類提示的工作負載。這些AI代理可以自主工作，通過Smartsheet使用MCP進行協調。例如，捕獲需求、拾取任務、附加測試結果、起草文檔。這些操作在與人類同事相同的表格中進行，將原本需要數週的工作流程壓縮到數天或數小時。

MCP服務器連接到Smartsheet現有的API和中央智能層。它還添加了一個AI優化的接口，旨在最小化token成本，幫助防止幻覺，並幫助大型語言模型（LLM）可靠地處理企業數據。自推出以來，Smartsheet通過內部遙測數據顯示，這些優化節省了超過30億個token。

架構方面，一個MCP層同時服務內部和外部代理。Smartsheet自己的Smart Assist（產品內AI體驗）和外部連接的AI客户端（如Amazon Quick）運行在同一基礎設施上，使用相同的工具、優化和智能堆棧。這種對等性是一種有意的架構選擇：Smartsheet一次構建，所有代理客户端立即受益。架構中關鍵的AWS服務包括：用於無狀態服務器容器的AWS Fargate for Amazon ECS；用於變更事件攝取到Amazon S3的Amazon Kinesis Data Streams和Amazon Managed Service for Apache Flink；以及用於LLM推理和知識圖譜的Amazon Bedrock和Amazon Neptune。

部署和擴展方面，AI流量不同於傳統請求模式。代理自主編排工具調用序列，在一秒內發起多個請求，然後在模型推理時靜默。這種突發模式需要能夠應對突然峯值和持續吞吐量的擴展策略。Smartsheet將MCP服務器構建在AWS Fargate for Amazon ECS上，ECS Auto Scaling使用目標跟蹤策略，結合流量量和計算利用率。計算感知擴展在這裏很重要，因為每個請求涉及服務器端處理，如LLM優化的序列化，而不僅僅是代理。在類似生產的流量模式下的廣泛負載測試驗證了基礎設施能夠吸收代理突發而不降級。

治理和可觀測性方面，對於企業客户，治理是AI採用的門控因素。Smartsheet將其構建在工具框架本身中：訪問控制、錯誤處理和審計跟蹤默認隨每個工具提供。訪問按組織分層：管理員可以全局開啓AI訪問，限制為僅非破壞性操作，或開放完全寫入和破壞性能力，讓每個組織控制其採用曲線。工具帶有MCP協議註解，如readOnlyHint和destructiveHint，以便AI客户端自動應用適當的確認流程。服務器在完整請求生命週期中發出OpenTelemetry信號（日誌、跟蹤和指標）。每個工具調用在隱私約束範圍內捕獲最大上下文：用户、組織、工具名稱、結果等。這為使用洞察和合規審計提供了基礎。

安全性方面，MCP服務器運行在Smartsheet生產API相同的安全基礎設施之後。AWS WAF和AWS Shield位於邊緣，VPC中的私有子網、服務間調用的mTLS，以及拒絕未認證請求的OAuth2代理。MCP服務器遵循AWS MCP服務器部署指南中的縱深防禦模型。API網關層處理身份驗證和範圍驗證。領域服務處理細粒度權限。如果用户無法通過UI訪問表格，也無法通過MCP訪問。AI流量增加了獨特的速率限制挑戰。單個用户問題可以在幾秒內觸發多個工具調用。許多企業用户位於共享公司代理後面，使基於IP的速率限制不可靠。為此，Smartsheet通過AWS WAF實現了分層速率限制。三層協同工作：外緣的全面保護、使用自定義聚合鍵對身份標頭的每用户計量，以及針對昂貴操作的路徑特定控制。每用户計量意味着會話單獨計量，而不是按IP池化。

測試非確定性AI工作流方面，Smartsheet維護標準測試層：單元測試、集成測試、工具級驗證。然而，MCP服務器帶來了傳統API服務沒有的測試挑戰。傳統API響應由UI確定性渲染。MCP工具響應首先通過LLM。模型解釋它，推理它，並生成用户實際看到的內容。這種非確定性層改變了測試中“正確”的含義。Smartsheet大力投資包含LLM的端到端工作流測試。這些測試模擬真實業務場景：創建工作空間、寫入數據、查詢結果，並驗證模型的解釋對最終用户是否有意義。這些測試在CI/CD流水線（GitLab CI，運行在AWS上的runner）中運行，並作為金絲雀測試持續針對每個生產AWS區域運行。

優化AI消費方面，隨着企業擴展AI代理部署，token消耗成為一個實際成本驅動因素。每個工具響應在LLM上都要花錢，並爭奪上下文窗口容量。大多數MCP工具調用目前在沒有子代理編排的情況下運行。代理直接調用工具，一次一個，在每一步之間推理。沒有智能工具設計，這會很快變得緩慢、昂貴且容易出錯。Smartsheet在三個層面進行優化：漸進式披露限制每個響應的token消耗；強類型工具模式有助於防止幻覺參數和浪費的調用；專有序列化格式在數據密集型響應上減少35-47%的token數量。

總之，Smartsheet的遠程MCP服務器架構展示瞭如何將企業級工作管理平台與AI代理集成，同時確保安全性、可擴展性和成本效益。