工程師要一個答案，得先開 wiki、再開 service catalog、再開 IT portal，一個下午就這樣過去。荷蘭零售商 HEMA 的技術組織把這個摩擦當成架構問題處理：知識本身不缺，缺的是一條能從日常工作工具直接走進知識的路。
根據 AWS Machine Learning Blog 於 2026 年 9 月 23 日發布的案例，HEMA 的做法是把內部知識集中成一個治理過的來源，再用 Model Context Protocol（MCP）把它送進人們本來就在用的工具。
問題不在知識庫，而在「怎麼做」沒有家
HEMA 的知識問題分成兩層。第一層是結構化資訊，其實狀況不錯：多年維護的 service catalog 記錄了誰擁有哪個服務、服務暴露哪些 API、對應哪些業務能力，PIM 與 data-mesh 的資料也已經整理進來。
第二層才是缺口。「我要怎麼申請某個 API 的存取權？新群組怎麼開？我們對某件事的規則是什麼？」這類程序性問題沒有單一落點。團隊小的時候，問隔壁同事就好；組織變大、新人變多之後，這個模式就撐不住了。
AWS 的案例描述，結果是新人上手變慢、答案取決於你查了哪裡、不斷切換情境。原本要跑三、四個入口網站、有時耗掉半天的問題，現在可以在幾秒內、在 IDE 或聊天視窗裡得到答案。
為什麼是 MCP 加 AgentCore，而不是又一個入口
HEMA 把目標拆成兩半：HAL（內部 AI 助理）負責把分散的知識收攏成單一來源；MCP 負責把知識送到人所在的地方，而不是再逼人開一個新網站。
MCP 的價值在介面標準化。每個知識來源只要以 MCP tool 的形式暴露一次，HAL 網頁聊天、Kiro、Claude 等相容的 client 就能共用同一批工具，不必為每個 client 重寫整合。
Amazon Bedrock AgentCore 則省下自建與維運 MCP server 的工作。Gateway 可直接把 OpenAPI 規格與 Lambda 函式轉成 MCP tool；Identity 處理 inbound JWT 驗證與 outbound OAuth2；Runtime 以容器託管用 Strands 框架寫的 agent；Memory 與 Bedrock Guardrails 提供對話記憶與內容過濾，並支援 EU 推論區域與荷蘭語。
兩個 Gateway，換來外部 client 的隔離
HAL 先做成獨立助理：Next.js 寫的聊天介面，接上跑在 AgentCore runtime 的 Strands agent。知識走兩條路——語意搜尋用本地 Strands tool 直接呼叫 Bedrock Retrieve API；需要即時資料、OpenAPI 規格、service catalog 查詢時，則透過 MCP 連到自己的 AgentCore Gateway，該 Gateway 以 IAM SigV4 驗證後呼叫內部 API。
第二步才是把 HAL 打開給外部 MCP client。因為一個 AgentCore Gateway 只支援單一 inbound 驗證類型，HEMA 沒有重用第一階段那個 IAM Gateway，而是另外加了一個以 Microsoft Entra ID 驗證的 Gateway，只共用唯讀的 Knowledge Bases。兩邊沒有共用程式碼，外部介面可以獨立演進或失效，不影響內部 agent。
這個切法值得筆記：當你同時要服務內部 agent 與外部 client，驗證模型往往比工具本身更早決定架構形狀。類似「端點選擇先於模型分數」的取捨，在 Grok 4.6 進 Bedrock 的端點選擇討論 裡也出現過。
先照現況暴露，再談重構
HEMA 坦言，直接把既有 API 規格指向 Gateway 並不是理想終態。為系統對系統設計的 API，不一定能乾淨映射成 agent 可以推理的工具，他們計畫把這些定義重構成更 agent-friendly 的工具。
但現階段這樣做成本低、價值高。檢索採兩步模式：先用 Knowledge Base 搜尋回答多數問題，單一 chunk 不夠時再用 fetch_full_document 取回完整文件；語意查詢加上 Bedrock reranking，並用 team_id metadata 做團隊範圍過濾。
安全面則以 Microsoft Entra ID 為錨，client 端不持有 AWS 憑證，目前是唯讀存取，權限沿用既有 Active Directory 群組。HEMA 表示，下一步是讓 HAL 從唯讀知識層變成可執行動作的層。
對正在評估內部助理的團隊來說，這個案例的實用順序是：先確認你已經有的結構化資料，再挑痛點最高、被問最多次的文件補上，最後才處理「怎麼送進日常工具」。反過來先做 client 整合，通常只會把入口網站換個地方重蓋一次。
需要留意的限制是：這份案例由 AWS 與 HEMA 共同撰寫，成效描述來自他們的實作經驗；文中沒有提供檢索準確率或使用量等量化指標，因此難以判斷同樣架構在別的組織規模下會複製到什麼程度。
參考來源
本文由 AI 協助自上述來源整理，經人工審核後發布。