«Без автоматизации остаётся ручной просмотр»: AWS соединила Bedrock Data Automation с Agentforce через MCP

Хранение — только половина задачи

AWS опубликовала разбор того, как соединить Amazon Bedrock Data Automation с Model Context Protocol (MCP), чтобы неструктурированные данные превращались в структурированные инсайты и выдавались в ответ на запросы на естественном языке в ИИ-агенте Salesforce Agentforce. Это не новый сервис, а образец архитектуры, разобранный до конкретных шагов развёртывания.

Мотивация сформулирована через объём работы, которую никто не видит: госструктуры обрабатывают большие объёмы неструктурированных доказательств — записи с нательных камер, видео наблюдения и сканы документов, — и прежде чем кто-то сможет действовать на их основе, из файлов нужно извлечь смысл. Без автоматизации на ручной просмотр, классификацию и извлечение деталей уходит значительное время.

Точкой отсчёта взят предыдущий материал AWS о хранении: интеграция External Storage of Files with Amazon S3 для Agentforce Public Sector (ранее Public Sector Solutions) даёт долговременное и экономичное хранение записей с камер, фотографий, аудио и сканов. Новый пост начинается с признания, что хранение — лишь половина задачи: дальше начинается автоматическая обработка накопленного.

Дальше в архитектуре работают два потока: медиафайлы попадают в Amazon S3 через коннектор внешнего хранения, а после этого событийная архитектура асинхронно обрабатывает мультимодальные данные с помощью Amazon Bedrock Data Automation и делает результат доступным Agentforce по MCP.

Путь файла: S3, DynamoDB и задание Data Automation

Когда файл или документ оказывается в Amazon S3, уведомление события S3 вызывает функцию AWS Lambda. Функция генерирует идентификатор документа, сохраняет его вместе с метаданными в Amazon DynamoDB и запускает задание Amazon Bedrock Data Automation для обработки файла.

Data Automation извлекает структурированные инсайты в зависимости от типа медиа. Для документов это текст, ключевые поля и структурированные сводки, для изображений — описания, объекты и текст в кадре, для видео и аудио — транскрипции и сводки по сценам. Какие возможности извлечения применять к каждому типу файлов, задаёт конфигурация проекта Data Automation, и эти настройки можно менять в консоли после развёртывания.

Когда задание завершается, правило Amazon EventBridge запускает вторую функцию Lambda, которая сохраняет результаты в отдельный выходной бакет Amazon S3.

Обратный путь: вопрос в Agentforce, ответ через MCP

Чат пользователя в Agentforce запускает настроенное действие, которое обращается к AWS по MCP. Вызов идёт через Amazon Bedrock AgentCore Gateway — он аутентифицирует запрос и вызывает MCP-сервер, работающий на AWS Lambda.

Функция Lambda сначала запрашивает таблицу DynamoDB, чтобы найти нужные результаты, а затем забирает их из Amazon S3. Результаты возвращаются через AgentCore Gateway в Agentforce, где данные загружаются в контекст агента для ответа на естественном языке. Вся эта механика остаётся за кадром: пользователи Salesforce могут загружать файлы, задавать вопросы и получать инсайты, не переключаясь между системами и не управляя ресурсами AWS напрямую.

Что нужно для развёртывания

Предусловие названо прямо: пост строится на предыдущем решении, поэтому шаги из материала о модернизации управления доказательствами в Salesforce Public Sector Solutions с Amazon S3 нужно выполнить заранее. Кроме этого организация Salesforce обязана поддерживать регистрацию и вызов внешних MCP-серверов через Agentforce Registry — проверить это предлагают в Setup > API Catalog > MCP Server. Регистрация внешних MCP-серверов доступна в редакциях Developer, Enterprise, Performance и Unlimited.

Развёртывание AWS-ресурсов собрано в репозитории AWS Samples: решение поднимает серверлесс-инфраструктуру из правил Amazon EventBridge, конфигурации Amazon Bedrock Data Automation, функций AWS Lambda, таблиц Amazon DynamoDB и Amazon Bedrock AgentCore Gateway. Пример кода AWS прямо называет демонстрационным и не готовым к продакшену: перед использованием в продакшене его нужно проверить и усилить под требования организации.

Для соединения нужны значения из выходов стека McpGatewayStack в AWS CloudFormation — CognitoClientId, CognitoTokenEndpoint и GatewayMcpEndpoint, — а также клиентский секрет из Amazon Cognito. Agentforce подключается к AgentCore Gateway по транспорту MCP Streamable HTTP и через это соединение обнаруживает и вызывает инструменты выборки доказательств, которые отдаёт шлюз.

Проверить эндпоинт до интеграции можно необязательным шагом: MCP Inspector — инструмент разработчика для тестирования и отладки MCP-серверов через интерактивный интерфейс. Он помогает убедиться, что AgentCore Gateway отвечает корректно.

Сборка агента на стороне Salesforce

Сначала MCP-сервер регистрируется в Salesforce: в Setup через Quick Find открывается API Catalog и раздел MCP Server, затем Register MCP Server. В примере сервер называется AwsBdaResultsMcp с описанием про доступ к результатам Amazon Bedrock Data Automation, а значения из AWS переносятся в соответствующие поля. На шаге MCP Server Allowlist выбираются доступные инструменты, развёрнутые вместе со стеком, и AWS отдельно подчёркивает: в продакшене список стоит сузить до тех инструментов, которые действительно нужны агенту.

Дальше интеграция идёт в новом Agentforce Builder. В примере берётся шаблон Employee Agent, создаётся отдельный субагент Media Processor, чья задача — обрабатывать вопросы о файлах, документах, фотографиях, изображениях, видео и аудио, приложенных к текущему кейсу, и отвечать на естественном языке. Тот же приём применим к другим типам агентов, но навигация и параметры могут отличаться; для агентов, собранных в прежнем билдере, документация предлагает отдельный переход на новый.

Отдельного внимания заслуживают инструкции для рассуждений. Шаблон требует запускать MCP-инструмент для получения обработанных инсайтов, сообщать пользователю, что вложение ещё не обработано, если данных нет, — и не выдумывать содержимое необработанных файлов. Ссылка на MCP ставится в текст инструкции через символ @.

Проверка описана как воспроизводимый сценарий: в Preview задаётся контекстная переменная currentRecordId — 18-значный Record ID кейса, — затем подаётся промпт вида «Summarize the files for this case». Тест считается успешным, когда агент возвращает сводку по каждому элементу, связанному с записью кейса, а раздел Summary объясняет на естественном языке, какие шаги агент предпринял, чтобы получить результат.

Куда это масштабируется

Сам образец ограничен управлением доказательствами ровно настолько, насколько это удобно для объяснения. Тот же модульный подход применим к разрешениям, заявлениям о льготах и проверкам на соответствие, а ключевых компонентов всего четыре: Amazon S3 для хранения, Amazon Bedrock Data Automation для обработки, Amazon Bedrock AgentCore Gateway для выдачи инструментов по MCP и Salesforce Agentforce для диалога с пользователем.

Компоненты можно заменять по отдельности. Для документоёмких процессов вместо Data Automation AWS предлагает подставить GenAI Intelligent Document Processing Accelerator, сохранив ту же схему приёма данных в S3 и тот же путь запросов по MCP.

Открытый стандарт даёт здесь отдельный эффект: MCP-сервер достаточно собрать один раз, и к тому же эндпоинту смогут подключаться другие MCP-совместимые агенты и системы, то есть один слой запросов переиспользуется за пределами Agentforce. По замыслу авторов, это позволяет начинать с одного сценария и расширяться на дополнительные процессы, не перестраивая интеграцию между AWS и Salesforce.

Безопасность, ограничения и стоимость

Поскольку решение соединяет ИИ-агента с данными через MCP-сервер, до выхода за пределы proof of concept AWS советует оценить модель угроз под требования организации: кто получает доступ к агенту и какие инструменты и действия он может вызывать. Отдельно назван риск косвенной инъекции промпта: текст, извлечённый из доказательств, может содержать скрытые инструкции, которые подтолкнут агента к нежелательным действиям. Защита строится из четырёх шагов — считать извлечённый контент недоверенными данными, а не инструкциями; проверять ввод, прежде чем он попадёт в контекст агента; ограничивать доступные действия минимумом через allowlist MCP; использовать Amazon Bedrock Guardrails, чтобы фильтровать или отклонять попытки переопределить поведение агента.

Ответственный ИИ для госсектора описан как набор контролей перед продакшеном: Amazon Bedrock Guardrails фильтрует вредный контент, редактирует чувствительные данные вроде персональной информации и выполняет проверки заземления, подтверждая, что ответ опирается на извлечённые доказательства, а не сфабрикован. AWS оговаривает, что это примеры, а не полный список, и ссылается на руководства по безопасности агентных систем и практикам AgentCore.

Ограничения тоже названы без смягчения: пример кода не готов к продакшену и требует усиления, после экспериментов ресурсы нужно удалить по инструкции в репозитории, а MCP-соединение в Salesforce — вручную. По расходам модель событийная и серверлесс: платить приходится за фактическое использование, обработка стоит денег только при загрузке и анализе доказательств, а хранение в Amazon S3 и Amazon DynamoDB считается по объёму данных без минимальных платежей и предоплат.

Над материалом работали Christian Ramirez (AWS Partner Solutions Architect по Salesforce в госсекторе), Bridget Concannon (Senior Solutions Architect по хранению, аналитике и AI/ML) и Varun Ghatge (Senior Technical Account Manager). Проверка редакции: 22 сентября 2026 года все официальные страницы, на которые опирается этот разбор, отдавали HTTP 200 — сам пост в блоге AWS Machine Learning, предыдущий пост о хранении доказательств, репозиторий с примером, документация AgentCore Gateway по MCP Inspector, документация Amazon Bedrock Guardrails, руководство по безопасности агентного ИИ на AWS и страница Amazon Bedrock Data Automation.