«20 минут ручных экранов превратились в 20 секунд»: Trane собрала агента на Amazon Bedrock AgentCore

Ответ на один вопрос стоил двадцати минут

Trane Technologies обслуживает миллионы подключённых систем отопления, вентиляции и кондиционирования по всему миру — от дата-центров и больниц до производств и коммерческой недвижимости. Телеметрия с этих активов стекается в Trane Cloud, цифровой хаб, агрегирующий данные о производительности в реальном времени.

Разрыв начинался дальше. Чтобы получить один операционный ответ, пользователю приходилось сверять несколько дашбордов и пробираться через меню — на это уходило двадцать минут и больше. Существующие приложения управления зданиями построены на пошаговой навигации по экранам: сравнение разного оборудования затруднено, а от человека требуется помнить иерархии меню и техническую терминологию. Даже базовые вопросы на уровне портфеля объектов превращались в трудоёмкую ручную работу на нескольких экранах.

Такое трение не нейтрально: оно замедляет операции, откладывает корректирующие действия и создаёт материальные последствия для бизнеса.

Двадцать секунд вместо двадцати минут

Команда инженеров Trane построила разговорного агента на Amazon Bedrock AgentCore и фреймворке Strands, развёрнутого через AWS Cloud Development Kit как инфраструктуру как код.

Результат сформулирован в самом разборе: за три-четыре недели агентная система сократила диагностический сценарий из двадцати минут на нескольких экранах до двадцати секунд разговора на естественном языке. Это 60-кратное улучшение времени до инсайта, основанное на внутренних замерах Trane с участием техников, которые проводились несколько недель.

До выбора платформы команда рассматривала Amazon Elastic Container Service и AWS Lambda. Этот путь потребовал бы самостоятельно реализовать изоляцию сессий, логику автомасштабирования и поминутную биллинг-модель поверх вычислительного слоя.

Решение определили четыре различия. Управляемый рантайм снимает инфраструктурные операции: не нужно разворачивать и масштабировать кластеры и платить за простаивающую ёмкость между сессиями пользователей. Встроенная память сессий избавляет от внешней векторной базы и собственного кода управления контекстным окном. Нативная оркестрация инструментов через AgentCore Gateway превращает существующие внутренние API в совместимые с агентом инструменты без отдельной логики интеграции под каждый. И независимость от фреймворка позволила взять Strands SDK, не привязываясь к проприетарному слою оркестрации.

Пять помощников вместо одного монолита

Вместо монолитного агента применена мультиагентная архитектура: каждый специализированный помощник управляется собственным системным промптом и держится в границах одной предметной области.

Resources Assistant извлекает и суммирует справочные материалы — например, к кому обратиться и какой мануал открыть. Knowledge Assistant синтезирует технические ответы о том, как работает оборудование, каковы его системные параметры и аттестована ли инфраструктура Trane Cloud по SOC 2. Analytics Insights Assistant работает с живой телеметрией: ищет возможности экономии, помечает объекты, требующие осмотра, и прослеживает первопричины сбоев. Expert Advisor помогает выбрать продуктовое решение под сценарий и собрать кастомное демо. Navigation Assistant возвращает точные ссылки и инструменты — от формы эскалации в техподдержку до страницы заказа запчастей.

Причина именно такого разделения — изменяемость. Монолитный агент заставлял бы каждый новый инструмент, обновлённый промпт или дополнительный источник данных проходить через единственный конвейер развёртывания, создавая узкое место по мере роста системы. Дополнительных агентов и внешние системы — управление заказами, корпоративные CRM — подключают через тот же AgentCore Gateway и открытые стандарты вроде Model Context Protocol.

Четыре архитектурные задачи

Сокращение двадцатиминутной ручной диагностики до двадцатисекундного разговора обнажило четыре задачи. Интеграция: соединить телеметрию в реальном времени с интеллектуальным поиском по обширной базе знаний и выходами во внешние системы вроде CRM. Разделение: распутать логику агента от исполнения инструментов на бэкенде, чтобы обе части развёртывались независимо и с ясными границами ответственности. Контекст: научить систему удерживать состояние разговора между сессиями диагностики, не поднимая сложную кастомную инфраструктуру векторной базы. Наблюдаемость: когда агент оркеструет несколько инструментов в многошаговой цепочке рассуждений, отказы становятся трудно локализуемыми.

Авторы перечисляют три возможные причины неверного ответа — отсутствующие учётные данные API, искажённый ответ инструмента или галлюцинация модели — и отмечают, что без сквозной трассировки различить их в продакшен-масштабе невозможно.

Как проходит один вопрос

Запрос пользователя с JSON Web Token попадает в AgentCore runtime. Входящий авторизатор — AgentCore Identity — проверяет токен против точки обнаружения OpenID Connect, после чего AgentCore memory подмешивает контекст предыдущего разговора.

Дальше агент обращается к отдельному MCP-серверу через аутентификацию OAuth 2.0 machine-to-machine, и тот выполняет параллельные вызовы инструментов к Amazon OpenSearch Service и другим подключённым системам для быстрого семантического поиска. Затем модели Anthropic Claude на Amazon Bedrock синтезируют телеметрию и стримят ответ обратно через Server-Sent Events — это снижает воспринимаемую задержку и выдаёт ответ за секунды.

Runtime изолирует каждую пользовательскую сессию в отдельной микроVM с собственными CPU, памятью и файловой системой и очищает её по завершении. Эта модель физически отделяет сессию полевого техника от сессии владельца здания, усиливая ролевой доступ без кастомной инфраструктуры, а платит Trane только за активные вычисления — длинные паузы между вызовами инструментов, типичные для агентных сценариев, стоимости не накапливают.

Память даёт короткосрочную память сессии с жизненным циклом 90 дней, что балансирует контекстную осведомлённость и эффективность хранения и помогает соблюдать политики хранения данных.

Наблюдаемость нашла конкретную причину

Во время разработки инструменты стабильно отказывали, и без сквозной видимости установить причину не получалось. Трассировки агента в Amazon CloudWatch показали одинаковый паттерн отказа при множестве вызовов и вывели на отсутствующий секрет в AWS Secrets Manager. После добавления секрета отказы прекратились.

Пилот на самых требовательных пользователях

Рабочий прототип показали стейкхолдерам за три-четыре недели, затем агента раскатали сначала на внутренних полевых техников как бета-тестеров. Выбор неслучаен: техники выполняют самые требовательные диагностические сценарии, поэтому именно их отзывы вскрыли пробелы в точности и удобстве в реальных условиях. Ответы агента доработали по этой обратной связи и только потом выпустили к внешним клиентам Trane Cloud.

Раздельная микросервисная архитектура и централизованный AgentCore Gateway дали побочный эффект: интеграция того же бэкенда агента в другие корпоративные приложения заняла меньше дня.

Вместе с Trane Cloud решение даёт четыре возможности: ролевой доступ, подстраивающий ответы под права и задачи пользователя; аналитику HVAC в реальном времени с доступом к текущим и историческим данным; интеллектуальный поиск по базе технической документации и лучших практик; расширяемую архитектуру, которая развивается вместе с возможностями ИИ и распространяется на другие системы здания.

Динамическое сопоставление политик означает, что техник получает пошаговый диагностический сценарий, а владелец здания — упрощённые оценки эффективности. Разные роли требуют разных инструментов и разных форматов ответа, и именно это, по мнению авторов, двигает внедрение.

Ограничения и что дальше

Работать с живыми операционными данными агент может только под контролем. Команда настроила Amazon Bedrock Guardrails: контентные фильтры блокируют вредные и неуместные ответы, политики запрета тем удерживают агента в операционном домене, фильтры чувствительной информации распознают и редактируют персональные данные до того, как ответ дойдёт до пользователя, а обнаружение промпт-атак защищает от джейлбрейков, способных обойти системный промпт.

На уровне инфраструктуры ролевая модель ограничивает пользователя данными в пределах его полномочий, а изоляция микроVM по сессиям снижает риск утечки данных между арендаторами на вычислительном уровне.

В планах четыре направления. AgentCore Evaluations будет пропускать следующие этапы раскатки только при пройденных автоматических порогах точности, снимая нагрузку с команды QA: определяются бенчмарки pass-rate, которые нужно пройти до каждого релиза. Policy in Amazon Bedrock AgentCore заменит кастомную логику авторизации, сейчас зашитую в рантайм, декларативными политиками — решения о доступе к инструментам станут проще для подключения новых ролей и для аудита. Gateway открывают другим инженерным командам Trane: поскольку инструменты выставлены через MCP, открытый стандарт, другие команды могут строить своих агентов поверх того же централизованного слоя данных, а самообслуживание с учётом использования покажет, какие инструменты востребованы. И в работе новые инструменты — например, анализ экономии затрат, который офисы сейчас делают вручную для каждого объекта клиента.

Материал подготовили Senthil Chinnaiyan (Director of Engineering – Digital, PGT и AWS Solutions Architect в Trane Technologies), Subbha Praveen Tadisetty (Digital System Architect, Trane Technologies), Alex Jones (Application Architect, Trane Technologies), Dave Shimko, KP Babu и Will Krinickas (Amazon Web Services).