Reactiv превратила разговорного помощника в фоновый производственный процесс: продавец один раз описывает задачу обычным языком, а система затем обновляет мобильное приложение по расписанию. По данным AWS Machine Learning Blog, это сократило время настройки со стороны продавца на 80%, а сама Reactiv вывела систему в продакшен на 33% быстрее.
До планировщика у Reactiv уже был чат-помощник, который менял приложения iOS и Android в реальном времени. Но каждый сеанс начинался с нуля, а для автономных обновлений этого мало. Агент должен помнить прошлые решения, обращаться к данным конкретного магазина и безопасно менять конфигурацию без участия человека.
Reactiv собрала систему из трех агентов на Amazon Bedrock AgentCore и Strands Agents SDK. Первый определяет намерение продавца, второй анализирует данные магазина, третий генерирует конфигурацию приложения. Например, команда обновлять главную страницу бестселлерами каждый понедельник в 9:00 превращается в повторяемую операцию, а не в новый диалог каждую неделю.
Главное здесь не количество агентов, а общий контур исполнения. AgentCore запускает их в изолированных Firecracker microVM, хранит память между сессиями и поддерживает MCP, протокол подключения агентов к инструментам и данным. Память разделена по продавцам: система сохраняет сводки выполненных задач, одобренные и отклоненные макеты, сведения о категориях, популярных товарах и правилах бренда.
До перехода Reactiv поддерживала около 100 файлов спецификаций инструментов в двух местах. Каждый инструмент требовал OpenAPI-описания, AWS Lambda и отдельной привязки к группе действий. MCP-сервер работал на Amazon ECS, а аутентификацию и JSON-RPC-соединения команда обслуживала самостоятельно. После миграции сервер конфигурации разместили в AgentCore, сервисную авторизацию передали AgentCore Identity, а интерактивных и фоновых агентов свели на один стек с общей памятью.
Для билдера это повод считать не только цену модели. Когда агент работает по расписанию, меняет состояние продукта и обслуживает нескольких клиентов, основная сложность быстро переезжает из промпта в память, авторизацию, изоляцию данных и оркестрацию. Управляемый рантайм способен убрать заметную часть этой инфраструктуры и ускорить запуск, особенно если команда уже строит собственный зоопарк из Lambda, контейнеров и схем инструментов.
Но 80% и 33% нельзя автоматически переносить на любую агентную систему. Это показатели Reactiv, опубликованные AWS, причем исходная архитектура была обременена собственной обвязкой. Кейс доказывает более узкий и полезный тезис: когда чат становится регулярной операцией с общей памятью и разделением клиентов, выбор рантайма начинает влиять на экономику продукта не меньше выбора модели.