Обзор архитектуры Chaplin — решения, которое переводит анализ событий облачной инфраструктуры в формат диалога с ИИ, решая проблему галлюцинаций при работе с точными данными.
3 мин
Инженеры AWS представили руководство по созданию Chaplin (Customer Health and Planned Lifecycle Intelligence Nexus). Это решение с открытым исходным кодом, которое переводит анализ событий здоровья облачной инфраструктуры в формат самообслуживания. Используя ИИ-агентов на базе Amazon Bedrock и протокол контекста модели (Model Context Protocol, MCP), команды эксплуатации могут задавать вопросы о состоянии систем на естественном языке и получать точные ответы без задержек.
Крупные компании управляют десятками и сотнями аккаунтов в облаке. Каждое утро операционные команды сталкиваются с потоком разрозненных уведомлений: устаревание версий баз данных, вывод из эксплуатации серверов, критические обновления безопасности.
Традиционно анализ этих данных требует ручной сортировки или ожидания ответа от технических менеджеров (TAM). Стандартные панели мониторинга с жестко заданной структурой не всегда могут ответить на специфические запросы в моменте. Это приводит к тому, что высококвалифицированные инженеры тратят время на реактивное тушение пожаров, а не на плановую архитектурную работу.
Chaplin решает фундаментальную проблему корпоративного искусственного интеллекта: эффективное объединение структурированных и неструктурированных данных.
Chaplin architecture showing three-layer system with multi-account data collection, AI-powered MCP server with Amazon Bedrock agents, and MCP client integration
Обычные системы генерации с дополненной выборкой (RAG) плохо справляются с точными вычислениями. Векторный поиск находит семантически похожие документы, но не гарантирует математической точности. Если попросить классическую RAG-систему посчитать количество уязвимых серверов, она может выдать случайное число. Chaplin обходит эту проблему через многоагентную архитектуру:
Технически система состоит из трех уровней: сбор данных через AWS EventBridge в централизованное хранилище (Amazon DynamoDB), промежуточный слой интеллекта (MCP-сервер) и клиентский уровень (любой ИИ-ассистент с поддержкой MCP).
Использование стандарта MCP — ключевой фактор успеха этой архитектуры. Протокол позволяет подключать аналитику AWS напрямую к рабочим инструментам разработчиков. Команды могут получать информацию из AWS Health прямо в своем ИИ-ассистенте, комбинируя ее с данными из других систем, таких как сервисы управления задачами (Jira) или репозитории кода.
Разделение детерминированных задач (прямой запрос к базе) и вероятностных (анализ текста моделью) показывает зрелый подход к проектированию корпоративных ИИ-систем. Это архитектурный шаблон, который можно применять не только для облачной инфраструктуры, но и для финансовой или медицинской аналитики, где цена ошибки (галлюцинации) слишком высока.
Использование протокола MCP и гибридной архитектуры агентов позволяет DevOps-командам анализировать инфраструктуру через естественный язык без риска математических галлюцинаций ИИ.
Главная проблема RAG в корпоративном секторе — неумение считать. Подход, при котором ИИ пишет точный запрос к базе данных вместо поиска по векторам, полностью решает проблему галлюцинаций при агрегации данных.
Внедрение подобных систем с открытым исходным кодом задает новый стандарт для управления сложными IT-системами. В ближайшем будущем можно ожидать, что ИИ-агенты не только будут анализировать события и отвечать на вопросы, но и формировать, а затем самостоятельно выполнять планы по устранению уязвимостей или миграции ресурсов. Переход от реактивного мониторинга к проактивному управлению инфраструктурой с помощью ИИ постепенно становится отраслевой нормой.
