跳到正文
原文
AWS Machine Learning Blog· Aishwarya Gavili·· 6 天前AI 评分50

使用 Amazon Nova Multimodal

Agentic engineering intelligence with Amazon Nova Multimodal Embeddings and Amazon Bedrock AgentCore

AI 摘要

工程师在评估零件替代时需要花费数天时间交叉参考供应商数据表、接口控制文件和资格记录,但决策证据链常分散在电子邮件和未记录的机构知识中,缺乏正式可重复的包。本文介绍如何使用 Amazon Bedrock AgentCore、Amazon N。

正文 · 清洗整理版

当一个合格的空间航空组件过时或遇到长交货期时,工程师需要花费数天时间交叉参考供应商数据表、接口控制文件(ICD)和资格记录中的规范,然后记录替代理由以供审查。 飞行关键组件上的错误替代可能导致任务失败,但每个决策背后的证据链通常分散在电子邮件和未记录的机构知识中,因此没有正式的、可重复的包供审查者检查。 之前的文章《使用 Amazon Nova Multimodal Embeddings 的制造智能》展示了该模型如何检索文本管道遗漏的工程图纸、热图和数据表图表中的答案。

本文接着展示如何使用 Amazon Bedrock AgentCore、Amazon Nova Multimodal Embeddings 和开源 Strands Agents SDK 构建一个多代理工程助手,以减少零件替代评估中的手动交叉参考。 一个规划器将工作分配给三个专业代理,这些代理搜索多模态知识库、根据确定性公差规则对候选部件进行评分、比较部件照片,并在实时网络数据中验证生命周期声明。 工程师在整个过程中保持决策者角色,因为系统收集证据并起草文件,但从未自行批准替代。

解决方案概述该助手围绕一个设计规则构建,即工程师做出所有决策,系统收集证据支持这些决策。 该规则决定了何时使用大型语言模型(LLM)和何时使用确定性代码。 三个支柱定义了架构:确定性规范匹配评估——用 Python 编写的公差规则代码将每个候选部件与参考部件和工程师提出的明确要求进行评分。 由于相同的输入始终产生相同的通过/标记裁决,因此结果可以进入正式的工程审查。 多代理协调——一个轻量级规划器将每个查询路由给三个专业代理(目录、评估、知识)中的一个或多个,当多个专业代理贡献时,一个监督者才综合他们的发现。

复杂问题,如“检查这个轮子是否即将结束生命周期,找到替代品并评分”,将按顺序链式调用所有三个专业代理。 人在回路决策——系统为工程审查起草理由备忘录和集成影响评估,但不会推荐或批准替代。 每次评估还会记录与 AS9100 第 8.4 和 8.5.6 节一致的审计跟踪条目。 以下图表显示了架构。 图 1:Amazon Bedrock AgentCore 上的多代理工程助手架构 Amazon Bedrock AgentCore 是一个平台,用于大规模构建、连接和优化代理,支持任何框架或模型。

在此解决方案中,工程师应用程序的聊天请求流入 AgentCore 运行时托管的代理图中:规划器(Claude Haiku 5.5)生成路由计划,专业代理(Claude Sonnet 5.5)执行其工具,当多个专业代理运行时,监督者(Claude Opus 5.5)综合他们的结果。

专业代理从我们使用 Amazon Nova Multimodal Embeddings 和 Amazon Bedrock Managed Knowledge Bases 创建的托管知识库中检索信息,通过 AgentCore 网关(Amazon Bedrock AgentCore 的功能)和 Web 搜索连接器获取实时网络数据。 对于图像作为查询(上传图表以识别部件),代理直接调用原生 Amazon S3 Vectors 索引,因为托管知识库检索 API 不接受图像输入。

Amazon S3 Vectors 是 Amazon Simple Storage Service (Amazon S3) 的功能。

Architecture of the multi-agent assistant: a planner routes engineer queries across Catalog, Evaluation, and Knowledge specialists, with a supervisor synthesizing results

Four reaction-wheel datasheet pages side by side, each with a product photo and performance plots, across a range of momentum storage

Flow diagram of the planner routing a query to specialists and the supervisor synthesizing results when more than one specialist runs

Deployment path: agent code packaged as an ARM64 container, pushed to Amazon ECR, running on a hosted AgentCore runtime endpoint

Aishwarya Gavili

Adewale Akinfaderin

来源:AWS Machine Learning Blog · aws.amazon.com

00