Amazon Bedrock AgentCore 实践：AWS 如何构建多智能体统一客户智能系统 CAKE

在企业内部构建连贯且统一的客户智能系统，首要任务是减少销售代表在不同系统（如 Salesforce、支持工单、Amazon Redshift）间切换时的操作摩擦。例如，一位准备与客户会面的销售代表，可能需要花费数小时浏览多个不同的仪表板——产品推荐、客户参与度指标、收入分析等——才能全面了解客户情况。在 AWS，我们的销售团队在全球扩展过程中深切体会到这一挑战。我们需要一种方法，能够在指标数据库、文档存储库和外部行业来源之间统一这些孤立的客户数据，而无需自行构建复杂的协调基础设施。

为此，AWS 开发了 Customer Agent & Knowledge Engine (CAKE)，一个以客户为中心的聊天机器人，它正是利用 Amazon Bedrock AgentCore 来解决上述痛点。CAKE 能够协调多种专用检索工具：包括查询 Amazon Neptune 中的知识图谱、Amazon DynamoDB 中的指标数据、Amazon OpenSearch Service 中的文档信息，以及通过 Web 搜索 API 获取的外部市场数据。同时，它还通过 行级安全（RLS） 工具确保数据安全，并能在 10 秒内通过自然语言查询提供客户洞察（这一点已在机器人负载测试中得到验证）。

本文将通过 CAKE 的实际应用，展示如何使用 Amazon Bedrock AgentCore 构建统一的智能系统。通过 Amazon Bedrock AgentCore，您可以构建自定义机器人，实现以下功能和优势：

• 通过动态意图分析与并行工具执行来协调各种工具
• 集成 Neptune、DynamoDB、OpenSearch Service 等专用数据存储，并实现并行协调机制
• 在工作流程中实施行级安全性和治理措施
• 采用生产级工程实践确保系统可靠性，包括基于模板的报告生成，以符合业务语义和格式要求
• 通过模型灵活性优化系统性能

这些架构模式可以帮助您加速不同用例的开发，包括客户智能系统、企业 AI 助手或跨多个数据源协作的多智能体系统。

为什么需要统一的客户智能系统？ 随着销售团队在全球范围内的扩展，他们通常面临三个关键挑战：

1. 数据分散在各种专用工具中（如产品推荐、参与度仪表板、收入分析等），收集全面客户信息需要花费大量时间；
2. 传统数据库难以捕捉指标间的语义关系，导致业务逻辑理解不足；
3. 手动整合流程难以随数据量增长而扩展。 因此，一个能够聚合客户数据、理解语义关系，并在业务背景下分析客户需求的统一智能系统变得至关重要。CAKE 正是解决这些问题的关键工具。

解决方案概述： CAKE 作为一个以客户为中心的聊天机器人，旨在将分散的数据转化为统一且可操作的智能洞察。通过将内部和外部数据源/表格整合到一个对话端点，CAKE 能在 10 秒内提供个性化的客户洞察。与传统工具仅报告数字不同，CAKE 的语义基础能够捕捉业务指标、客户行为、行业动态及战略背景之间的深层意义和关系，从而解释客户情况的成因并提供应对策略。

Amazon Bedrock AgentCore 作为一项托管服务，为多智能体 AI 系统提供了必要的运行时基础设施，包括智能体间通信、并行执行、对话状态跟踪和工具路由等核心功能。这使得开发团队能够专注于定义智能体行为和业务逻辑，而无需自行实现复杂的分布式系统基础设施。

对于 CAKE，我们在 Amazon Bedrock AgentCore 上构建了一个自定义智能体，该智能体协调了五种专门设计的工具：

• Neptune 检索工具：用于查询知识图谱中的关系
• DynamoDB 机器人：用于即时查询指标
• OpenSearch 检索工具：用于语义文档搜索
• Web 搜索工具：用于获取外部行业信息
• 行级安全（RLS）工具：用于确保数据安全

下图展示了 Amazon Bedrock AgentCore 如何支持这些组件的协调工作。

当接收到一个查询（例如“这个客户的最佳扩展机会是什么？”）时，解决方案会经历以下几个关键步骤：

1. 分析意图并路由查询：运行在 Amazon Bedrock AgentCore 上的主管智能体（Orchestrator Agent）分析自然语言查询的意图，确定需要调用哪些专门工具。
2. 并行调度工具：协调层会并行调度多个检索工具，充分利用 Amazon Bedrock AgentCore 的可扩展执行环境。智能体自动管理执行生命周期，处理超时、重试和错误情况。
3. 综合多个结果：当各工具返回结果后，Amazon Bedrock AgentCore 将这些部分结果汇总成连贯的答案，并分析不同数据源之间的关系，生成跨多个知识领域的综合洞察。
4. 执行安全限制：在数据检索开始前，智能体首先调用 RLS 工具确定用户权限，并确保后续工具调用严格遵循这些安全限制，从而有效防止未经授权的数据访问。

该架构基于两条并行路径运行：Amazon Bedrock AgentCore 提供实时响应用户查询的运行时环境，而离线数据管道则定期从分析数据仓库更新底层数据，确保信息的时效性。在后续部分，我们将讨论智能体框架设计和核心解决方案组件，包括知识图谱、数据存储和数据管道。

智能体框架设计： 该多智能体系统利用 AWS Strands Agents 框架，提供结构化的推理能力，同时满足监管合规性和可预测性能的要求。该框架支持从多种模型构建智能体。主管智能体分析传入查询，智能选择并调用专门智能体及工具，并对用户查询进行分解。框架暴露了智能体状态和输出，以实现智能体和主管层面的去中心化评估。系统通过 GraphRAG 推理链实现自主推理，通过遍历知识关系构建确定的推理路径。智能体在其专业领域内进行自主推理，同时遵循预定义的本体（Ontology）。

结论： 本文展示了 Amazon Bedrock AgentCore 如何支持 CAKE 的多智能体架构。传统上，构建多智能体 AI 系统需要大量的基础设施投资，包括实现自定义智能体协调协议、管理并行执行框架、跟踪对话状态和处理故障模式等。Amazon Bedrock AgentCore 通过提供这些托管服务，极大地简化了这一过程。它提供了运行时基础设施和专门的数据存储，使团队能够专注于领域专业知识和客户价值，而无需从头开始构建复杂的分布式系统基础设施。

如需了解更多关于 Amazon Bedrock AgentCore 和多智能体 AI 系统的信息，请参阅相关文档和研讨会。