Управляемые базы знаний Amazon Bedrock

Команды, добавляющие Retrieval Augmented Generation (RAG) к фундаментальной модели, обычно начинают с одного шага поиска по одной базе знаний. Это работает, пока вопросы не усложняются: когда ответ охватывает несколько источников или системе нужно решить, к какой базе обратиться, прежде чем отвечать. Корпоративный агентный поиск решает эту задачу: агент рассуждает о вопросе, направляет его в нужную базу знаний, выполняет итеративный поиск и возвращает ответ с цитатами. Но это порождает более сложную операционную проблему: когда агент рассуждает и ищет в цикле, уже не видно, что он делал и насколько хорош ответ.

Предыдущий пост, Build an end-to-end RAG solution using Amazon Bedrock Knowledge Bases and AWS CloudFormation, автоматизировал одношаговый RAG-процесс с самостоятельно управляемой базой знаний (векторное хранилище). Amazon Bedrock Knowledge Bases эволюционировала от RAG к агентному поиску с запуском управляемых баз знаний. Управляемые базы знаний выполняют многошаговое планирование, запускают инструменты поиска и генерируют обоснованные ответы с цитатами. Этот пост делает следующий шаг: корпоративное решение агентного поиска, где агент рассуждает, ищет по нескольким базам знаний и синтезирует цитируемый ответ. Оно построено на управляемой базе знаний Amazon Bedrock и Amazon Bedrock AgentCore, с наблюдаемостью и оценкой, встроенными с самого начала. Развертывание выполняется единой цепочкой AWS CloudFormation.

Что такое агентный поиск и почему он нужен. Классический RAG выполняет один поиск и одну генерацию. Корпоративный агентный поиск ставит в цикл агента рассуждений: он решает, нужно ли искать и что искать, может выполнять несколько поисков для уточнения, выбирает, какая база знаний релевантна (семантическая маршрутизация), и только затем составляет обоснованный ответ с цитатами. Именно это теперь предоставляет управляемая база знаний Amazon Bedrock как первоклассную возможность через API AgenticRetrieveStream. Поиск перестает быть одиночным обращением и становится многошаговым процессом, управляемым агентом. Это дает лучшие ответы на сложные вопросы, но создает более сложную систему для эксплуатации, поэтому наблюдаемость и оценка встроены в проект с самого начала.

Управляемые и самостоятельные базы знаний. Amazon Bedrock теперь предлагает управляемую базу знаний (тип MANAGED): Amazon Bedrock управляет ingestion, хранением, индексацией и поиском, включая встраивание и реранжирование с помощью управляемых моделей по умолчанию, поэтому не нужно предоставлять, масштабировать или обновлять векторную базу данных. Сравнение возможностей: управляемая база знаний поддерживает агентный поиск (AgenticRetrieveStream) и интеграцию с AgentCore Gateway, в то время как самостоятельно управляемая (DIY) не поддерживает ни то, ни другое. Управляемая база данных автоматически масштабируется и полностью управляется Amazon Bedrock, а в DIY вы сами предоставляете, масштабируете и поддерживаете хранилище. Встраивание и реранжирование в управляемой базе выполняются встроенными управляемыми моделями, в DIY — вашими собственными.

Архитектура решения. Пользователь отправляет вопрос агенту, размещенному на Amazon Bedrock AgentCore runtime. Runtime автоматически инструментирует каждый шаг с помощью OpenTelemetry spans, поэтому цикл «рассуждай и действуй» наблюдаем с первого вызова. Агент планирует задачу и выполняет маршрутизацию между базами знаний: имея один инструмент поиска на базу, он выбирает тот, чья тема соответствует вопросу (финансы или погода). Выбранный вызов инструмента обрабатывается Amazon Bedrock AgentCore Gateway через Model Context Protocol (MCP), который вызывает API AgenticRetrieveStream соответствующей управляемой базы знаний. AgenticRetrieveStream выполняет работу внутри базы: разбивает вопрос на подзапросы, итеративно ищет в управляемом хранилище (данные из корпусов в Amazon S3) и синтезирует обоснованный ответ с цитатами, который передается обратно через Gateway агенту. Агент проверяет, достаточно ли контекста; если нет, он снова выполняет поиск в следующей итерации, прежде чем составить окончательный ответ. Если достаточно, он возвращает цитируемый ответ пользователю. На протяжении всего процесса runtime отправляет spans, данные об использовании токенов и метрики в Amazon CloudWatch и AWS X-Ray, заполняя семь уровней наблюдаемости и питая как оценку по требованию, так и непрерывную оценку.

Почему это важно. Для предприятий, которые внедряют генеративный ИИ в критически важные процессы, возможность отслеживать, как агент принимает решения, и оценивать качество ответов становится обязательной. Встроенная наблюдаемость и оценка позволяют командам выявлять ошибки, улучшать базы знаний и обеспечивать соответствие требованиям. Использование управляемых баз знаний снижает операционную нагрузку, связанную с управлением векторными хранилищами, а развертывание через CloudFormation делает решение воспроизводимым и управляемым как код. Это шаг к промышленному использованию агентных систем в корпоративной среде.