How Reactiv automates mobile commerce 80% faster with Amazon Bedrock AgentCore

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Reactiv은 Amazon Bedrock AgentCore 기반의 3개 에이전트로 모바일 앱 구성 작업을 자동화하고 대화형·예약형 에이전트의 메모리를 통합해, 내부 측정 기준 판매자 구성 시간을 80%, 프로덕션 출시까지의 기간을 33% 줄였다.

📌 핵심 요약

• Reactiv은 Shopify 판매자가 네이티브 iOS·Android 앱을 구축·운영하도록 지원하며, 원문에 따르면 해당 앱의 구매 전환율은 웹 방문자의 2~4배다. AI Scheduler는 자연어로 지정한 일정에 따라 앱 구성 변경안을 생성하지만, 실제 게시에는 판매자의 명시적 승인이 필요하다.
• AI Scheduler는 Amazon EventBridge와 AWS Lambda를 거쳐 Amazon Bedrock AgentCore에서 Strands 기반 Supervisor Agent, Analytics Agent, Builder Agent를 실행한다. Amazon Redshift 분석과 50개 이상의 도구를 활용하고, Config MCP로 변경을 검증한 뒤 결과를 Amazon DynamoDB에 저장한다.
• AgentCore는 관리형 실행 환경, 판매자별 장기 메모리, MCP 호스팅과 인증·격리를 제공한다. Reactiv은 대화형 에이전트를 AG-UI 프로토콜로 이전해 예약형 에이전트와 프레임워크·도구·메모리를 공유하도록 통합했다.
• Reactiv 내부 측정에 따르면 판매자 구성 시간은 80% 감소했고 온보딩 수작업은 17시간에서 3시간으로 줄었다. 3인 팀의 개발 기간은 이전 단일 에이전트 구축의 15주에서 3개 에이전트 시스템의 10주로 단축됐으며, 예약 작업 실행은 10분 초과에서 약 5분으로 줄었다.
• Strands SDK의 @tool은 약 100개의 OpenAPI 명세 파일을 대체했고, 이전으로 컴퓨팅 비용만 연간 약 6,000달러가 절감됐다. 다음 단계는 색상·서체·간격·컴포넌트 변형을 새로운 MCP 서버로 제공해 정해진 디자인 속성 범위 안에서 자연어 맞춤화를 지원하는 것이며, 제공된 원문은 온보딩 개편 설명 도중 끊긴다.

🧩 주요 포인트

1. 예약 실행과 Config MCP 검증, 판매자 승인 결합 → 반복적인 앱 구성 작업을 자동화하면서 구성의 유효성과 게시 통제권을 유지한다.
2. 판매자별 장기 메모리와 AG-UI 기반 통합 → 대화형·예약형 작업이 선호와 사실을 양방향으로 공유해 매번 맥락을 다시 설정하는 부담을 줄인다.
3. 관리형 인프라와 Strands SDK의 @tool 도입 → 명세·인증·실행 환경의 유지보수 부담을 줄이고, 내부 측정에서 개발 기간·실행 시간·컴퓨팅 비용 개선으로 이어졌다.

🧠 상세 정리

1. 모바일 상거래의 반복 운영 부담

Reactiv은 Shopify 판매자가 네이티브 iOS·Android 앱을 출시하고 관리하도록 돕는 모바일 상거래 제품으로, 로우코드 앱 빌더와 분석 대시보드, AI 기능을 제공한다. 원문은 앱 이용자의 구매 전환율이 웹 방문자의 2~4배라고 설명하며, 오래된 홈 화면이나 놓친 프로모션 시점이 실제 매출 손실로 이어진다고 문제를 제기한다. 그러나 앱을 최신 상태로 유지하려면 노출 상품 선택, 섹션 재배치, 새 자산 생성, 적시 게시를 반복해야 하고, 많은 판매자는 이를 매주 수행할 여력이 없다. 기존 대화형 AI 빌더는 대시보드에서 판매자가 직접 대화하며 앱을 실시간 수정하는 데 적합했다. 판매자들이 추가로 원한 것은 매번 개입하지 않아도 정해진 일정에 따라 구성 변경 작업을 수행하는 기능이었고, 이것이 AI Scheduler 개발의 출발점이 됐다.

2. 기존 구조가 충족하지 못한 네 가지 요구

예약형 자동화를 구현하려면 의도를 분류하는 감독 역할, 판매자 데이터를 조회하는 분석 역할, 앱 구성을 생성하는 빌더 역할을 연결하는 다중 에이전트 오케스트레이션이 필요했다. 기존 시스템은 세션마다 처음부터 시작했으므로 판매자의 선호를 기억하거나 이전 승인에서 배울 수 있는 지속적 메모리도 부족했다. 구성 스키마를 제공하던 Config MCP는 Amazon ECS에서 실행됐고, 별도의 Amazon Cognito 인증 계층과 호출마다 수행하는 수동 JSON-RPC 핸드셰이크를 유지해야 했다. 도구마다 OpenAPI 명세, AWS Lambda 연결, 액션 그룹 매핑이 필요해 약 100개의 명세 파일을 두 위치에서 관리하는 부담도 있었다. Reactiv은 이 문제들을 해결하면서 판매자별 데이터를 자동으로 격리할 수 있는 실행·메모리·MCP 연결 기반을 필요로 했다.

3. AgentCore를 통한 실행·메모리·인증 관리

Reactiv은 Amazon Bedrock AgentCore의 runtime, memory, Identity를 활용해 관리형 에이전트 실행, 세션 간 맥락 유지, 서비스 간 인증을 구성했다. Strands 에이전트 그래프를 Docker 이미지로 패키징해 Amazon ECR에 올리면, AgentCore가 예약 실행 시 Firecracker microVM에서 구동하고 작업 종료 후 실행을 끝내므로 별도의 Amazon ECS 클러스터나 확장 정책, 유휴 컴퓨팅을 관리할 필요가 없다는 설명이다. 장기 메모리는 작업 내용을 압축하는 세션 요약, 승인·거절된 레이아웃을 추적하는 선호 학습, 상품 분류·인기 상품·브랜드 지침을 저장하는 의미 기반 사실 추출의 세 전략으로 구성된다. Config MCP도 AgentCore로 옮겨 세션 시작 시 현재 앱 구성을 불러오는 상태 유지 서버로 운영하며, Identity를 통해 기존의 맞춤 인증과 핸드셰이크 코드를 제거했다. 원문은 판매자별 실행 맥락·메모리·에이전트 상태를 Firecracker microVM과 인프라 수준의 테넌트 라우팅으로 격리하고, 별도 벡터 데이터베이스나 검색 파이프라인 없이 메모리를 유지한다고 설명한다.

4. 일정 등록에서 세 에이전트 실행까지

판매자는 Reactiv 대시보드의 챗봇에 매주 월요일 오전 9시에 인기 상품으로 홈 화면을 갱신하라는 식의 요청을 입력하거나, 폼에서 프롬프트·주기·시간을 선택한다. 두 입력 방식은 모두 Amazon EventBridge cron 규칙에 연결된 일정 레코드를 만들며, 실행 시점이 되면 AWS Lambda 기반 Job Executor가 호출된다. 이 실행기는 판매자 계정을 검증하고 동시 실행 잠금을 확보한 뒤 데이터베이스에서 현재 앱 구성을 가져와, 프롬프트와 구성 및 세션 메타데이터를 AgentCore runtime에 전달한다. 내부의 Supervisor Agent는 요청을 분석 전용, 빌더 전용, 분석 후 빌더 실행 중 적절한 경로로 분류한다. Analytics Agent는 Amazon Redshift에 text-to-SQL 질의를 수행해 추세와 인기 상품 등의 정보를 얻고, Builder Agent는 이를 바탕으로 변경된 앱 구성을 생성한다.

5. 도구 검증과 판매자 승인으로 통제되는 변경

Builder Agent는 50개 이상의 도구를 사용하며, 여기에는 Config MCP를 통한 구성 수정, Lambda 기반 데이터 조회, Shopify Storefront SDK를 통한 상품 검색, 이미지 생성 SDK를 통한 자산 제작이 포함된다. 전체 서비스 구성에서 AWS Lambda는 작업 실행기와 에이전트가 호출하는 17개의 도구 함수를 담당한다. Config MCP는 Builder Agent가 수행하는 모든 변경을 Reactiv의 앱 스키마에 대조해 검증하며, 원문은 이 참조·보호 장치 때문에 유효하지 않은 구성을 생성할 수 없다고 설명한다. 생성된 구성은 Amazon DynamoDB에 저장돼 판매자가 검토하며, 명시적 승인 없이는 실제 앱에 게시되지 않는다. 실행 중에는 판매자별 격리된 네임스페이스에서 장기 메모리를 읽고 쓰고, 세 에이전트는 Amazon Bedrock의 서버리스 추론과 내장 가드레일을 이용하므로 Reactiv이 모델 호스팅이나 GPU 인프라를 직접 관리하지 않는다.

6. 대화형·예약형 에이전트의 양방향 메모리 공유

스케줄러 출시 직후에는 맞춤형 Amazon Bedrock UI 어댑터를 사용하는 대화형 대시보드 에이전트와, Strands 및 AgentCore 기반 예약형 에이전트가 별개의 시스템으로 존재했다. 두 시스템은 메모리뿐 아니라 도구와 인프라도 공유하지 않아, 한쪽에서 얻은 판매자 맥락을 다른 쪽 실행에 그대로 활용할 수 없었다. Reactiv은 대화형 에이전트를 Amazon Bedrock AgentCore의 AG-UI 프로토콜로 이전해 동일한 Strands 프레임워크, AgentCore에 호스팅된 MCP 서버, AgentCore memory 인스턴스를 사용하도록 통합했다. 그 결과 대시보드 대화에서 학습한 선호와 사실이 다음 예약 작업에 반영되고, 예약 작업에서 축적한 정보도 이후 대화에 전달되는 양방향 메모리 공유가 가능해졌다. 원문은 판매자가 대화형 에이전트를 더 많이 사용할수록 예약 작업도 축적된 맥락을 활용해 개선되는 효과를 강조한다.

7. 내부 측정으로 제시된 시간·비용 절감

Reactiv의 내부 측정에 따르면 판매자 구성 시간은 80% 줄었고, 수작업으로 17시간 걸리던 온보딩 작업은 3시간에 완료되며 출시 후 변경도 며칠 대신 몇 분 안에 처리된다. 3인 팀은 3개 에이전트 시스템을 10주 만에 출시해 이전 단일 에이전트 구축에 걸린 15주보다 프로덕션 출시까지의 기간을 33% 단축했다. Strands SDK의 @tool 데코레이터는 약 100개의 OpenAPI 명세 파일을 대체했고, AgentCore runtime과 Identity가 맞춤형 인프라를 제거하면서 컴퓨팅 비용만 연간 약 6,000달러 절감됐다고 보고했다. 예약 작업은 4단계 폴링 연결을 단일 실시간 호출로 바꾸는 runtime의 네이티브 스트리밍을 통해 10분 초과에서 약 5분으로 줄어, 원문에서 약 2배 빠른 실행으로 제시된다. 이러한 수치는 Reactiv이 보고한 사례 성과이며, 원문은 개선의 배경으로 인프라 연결 작업 대신 에이전트 로직에 개발 시간을 집중할 수 있었다는 점을 든다.

8. 자연어 디자인 제어로 확장되는 다음 단계

대화형·예약형 에이전트를 하나의 기술 기반으로 통합한 뒤, Reactiv은 판매자가 자연어로 모바일 앱을 더 깊이 맞춤화할 수 있도록 편집 범위를 확장하고 있다. 첫 단계는 기존 디자인 속성인 색상, 서체, 간격, 컴포넌트 변형을 Amazon Bedrock AgentCore에 호스팅하는 새로운 MCP 서버를 통해 에이전트에 제공하는 것이다. 이는 Config MCP와 같은 접근으로, 스케줄러와 대화형 빌더가 공통 도구를 사용하고 향후 외부 통합에서도 활용하도록 하려는 방향이다. 판매자가 앱을 자신의 브랜드에 맞춰 달라고 요청하면 에이전트는 제한 없는 결과물을 생성하는 대신 정해진 디자인 속성 범위 안에서 변경을 적용하도록 구상됐다. 원문은 이 디자인 시스템이 온보딩 경험의 재구축도 가능하게 한다고 소개하지만, 신규 판매자의 입력을 설명하는 문장 도중 자료가 끊겨 이후의 구체적인 동작이나 성과는 확인할 수 없다.

🧾 핵심 주장 / 시사점

• 이 사례의 자동화 범위는 일정에 따른 분석과 구성 변경안 생성이며, 실제 게시에는 판매자 승인이 남아 있어 작업 자동화와 게시 결정이 구분된다.
• 대화형·예약형 에이전트의 통합은 인프라 공유를 넘어 학습한 선호와 사실의 재사용으로 이어지며, 장기 메모리를 여러 사용 방식에 연결하는 데 의미가 있다.
• 개발 기간과 실행 시간, 컴퓨팅 비용이 함께 개선됐다는 보고는 관리형 기반의 효과를 보여주지만, 수치는 Reactiv 내부 측정이며 다른 환경에서도 같은 성과가 난다고 단정할 근거는 제시되지 않았다.

✅ 액션 아이템

• 예약형 앱 구성 자동화 적용 시 Config MCP 검증과 판매자의 명시적 승인을 함께 유지하는 구조 검토.
• 대화형·예약형 에이전트 통합 시 AG-UI와 판매자별 장기 메모리를 통한 선호·사실 공유 방식 검토.
• 도입 효과 판단 시 Reactiv 내부 측정인 구성 시간 80% 감소, 개발 기간 15주에서 10주 단축, 연간 약 6,000달러의 컴퓨팅 비용 절감을 구분해 비교.

❓ 열린 질문

• 판매자의 명시적 승인이 필요한 AI Scheduler에서 구성 변경안 생성부터 실제 게시까지는 얼마나 걸리는가?
• AG-UI 기반 통합으로 공유되는 판매자별 장기 메모리는 예약형 에이전트의 구성 변경안 품질을 얼마나 개선하는가?
• Reactiv 내부 측정에서 제시한 구성 시간 80% 감소는 어떤 작업 범위와 측정 조건을 기준으로 산출됐는가?