How Smartsheet built a remote MCP server on AWS

📌 【AWS ML 案例】Smartsheet 在 AWS 上打造遠端 MCP 伺服器

TL;DR：Smartsheet 用 AWS 架設遠端 MCP 伺服器，讓 AI 代理直接操作企業資料並省下大量 tokens。

企業團隊越來越依賴 AI agents 來處理日常工作，但多數既有的企業系統並不是為了讓 AI 直接存取資料而設計的。Smartsheet 作為數十萬組織使用的企業工作管理平臺，選擇自己補上這塊拼圖。

🤔 企業 AI 代理缺的不是模型，而是結構化存取通道

Smartsheet 指出，隨著企業採用 AI agents，這些代理需要結構化地存取像 Smartsheet 內部的資料，但大多數系統本身並未為此設計。為了橋接這個落差，他們在 AWS 上建了一個遠端 Model Context Protocol (MCP) 伺服器，讓 AI 客戶端能直接存取其資料與能力。

🧩 同一套 MCP 層，內外部代理共用

這個遠端 MCP 伺服器連線 Smartsheet 既有的 API 與中央智慧層（central intelligence layer），並在其上疊加一個為 AI 最佳化的介面。README 式的說明指出，該介面旨在降低 token 成本、減少 hallucination（幻覺），並協助 LLM 可靠地處理企業資料。

值得注意的是，Smartsheet 自身的 Smart Assist（產品內的 AI 體驗）與外部連線的 AI 客戶端（如 Amazon Quick、Claude Desktop）都跑在同一套基礎設施上，使用相同的工具、最佳化與智慧堆疊。這種「內外代理 parity（對等）」是刻意的架構選擇，而非偶然。

📊 最佳化介面替內部遙測省下超過 30 億 tokens

根據 Smartsheet 內部遙測資料，自從上線以來，透過這些 AI 最佳化措施，他們累計節省了超過 30 億個 tokens。文章涵蓋的架構高層檢視聚焦在 AWS 基礎設施，包含安全性、治理、擴充套件與部署，以及建在 AWS 上的 AI 專屬最佳化。

💡 AI 助理與自主代理的兩種用法

透過 Amazon Quick 與 Claude Desktop 這類 AI 助手，使用者可用自然語言與 Smartsheet 互動，例如分析專案資料、更新任務、建立表格、管理工作區等。另一方面，企業也在建置不需人工提示就能執行的自訂 AI agents，這些代理可在同人類使用的表格中自主運作，像是擷取需求、認領任務、附加測試結果、草擬檔案，將原本數週的工作流程壓縮到數天甚至數小時。

🎯 對工程師的實務啟示

若你所在的團隊正規劃讓 AI agents 接觸企業內部系統，Smartsheet 的做法提供一個可參考的骨架：不要為每個客戶端各寫一套整合，而是用一個遠端 MCP 伺服器統一對接既有 API，並在上面加一層為 LLM 設計的介面來控管成本與穩定性。內外代理共用同一基礎設施，也能降低長期維運複雜度。

🔗 來源

• 標題：How Smartsheet built a remote MCP server on AWS
• 作者／機構：Vasil Kosturski @ AWS ML
• 連結：https://aws.amazon.com/blogs/machine-learning/how-smartsheet-built-a-remote-mcp-server-on-aws/

#MCP #AWS #Smartsheet #AIAgents #EnterpriseAI #LLM #RemoteServer #TokenOptimization #ClaudeDesktop #AmazonQuick