MoEngage convierte 400 APIs privadas en herramientas de agentes con AWS
Por JP Software ·
JP Software MoEngage integró cerca de 400 APIs REST privadas distribuidas en siete regiones de AWS como herramientas seguras para agentes de inteligencia artificial. Utilizando Amazon Bedrock AgentCore Gateway, la plataforma conectó 25 equipos de ingeniería sin necesidad de crear servidores dedicados de Model Context Protocol (MCP) ni exponer servicios a la red pública.
Datos clave
- Cerca de 400 APIs internas convertidas en herramientas para 10 agentes en producción, según MoEngage.
- Reducción estimada de seis meses de trabajo de ingeniería de plataforma, según MoEngage.
- El tiempo para integrar una nueva API pasó de días a horas, según MoEngage.
- Más de 20,000 tokens de esquema ahorrados por conexión al evitar enviar el catálogo completo en la ventana de contexto, según MoEngage.
El reto de 400 APIs y el contexto
El despliegue tradicional de agentes exige exponer herramientas mediante servidores MCP. Para MoEngage, levantar más de 20 servidores MCP significaba un costo alto de mantenimiento, monitoreo y compatibilidad. Además, enviar un catálogo de 400 herramientas generaba un consumo superior a 20,000 tokens por llamada simplemente para listar esquemas JSON, saturando la ventana de contexto de los modelos.
Para solucionar esto, el equipo estableció que los desarrolladores de producto no programan servidores MCP. Su labor termina en una especificación OpenAPI documentada. El gateway de AgentCore toma estos archivos OpenAPI y los convierte en herramientas de forma automática.
Políticas Cedar y búsqueda semántica
El control de acceso opera del lado del servidor antes de construir la respuesta. Mediante políticas Cedar asociadas al rol de AWS IAM de cada agente, el sistema filtra qué operaciones puede ver y ejecutar cada servicio. Por ejemplo, un agente de control de calidad solo recibe permisos de lectura y jamás ve herramientas de escritura en su catálogo.
Para reducir aún más el consumo de tokens, el cliente expone una herramienta de búsqueda semántica. El agente describe en lenguaje natural lo que necesita realizar, la pasarela busca las herramientas relevantes y solo esas funciones específicas se cargan en el contexto de la conversación.
Seguridad e identidad fuera del prompt
La arquitectura aísla los parámetros de identidad del alcance de los modelos. Los identificadores de usuario, rol y base de datos se envían en cabeceras dedicadas firmadas con SigV4 a través de puntos de enlace VPC privados y Amazon VPC Lattice. El modelo de lenguaje nunca ve ni manipula estos identificadores como argumentos de las herramientas, eliminando el riesgo de manipulación de identidad mediante inyección de instrucciones.
Por qué te importa
Cuando una organización escala el uso de agentes, conectar cada API interna mediante servidores MCP individuales genera una deuda técnica insostenible de red y credenciales. Adoptar un gateway centralizado que transforme especificaciones OpenAPI existentes en herramientas acotadas por permisos permite desplegar capacidades operativas en horas sin comprometer la seguridad ni saturar el presupuesto de tokens.