AWS 多智能体工程助手 Nova 嵌入检索零件证据

时间：2026年11月2日（AWS 机器学习博客发布当天，美国太平洋时间上午 09:01，对应北京时间 11 月 3 日 01:01；中文媒体 Today for AI 与奇点 AI 索引在 11 月 3 日收录） 地点：美国华盛顿州西雅图（AWS 总部）；示例运行环境为 Amazon Bedrock AgentCore runtime，方案要求账号可访问美国东部（弗吉尼亚北部）us-east-1 区域的 Amazon Bedrock 模型 人物：AWS 机器学习博客作者 Aishwarya Gavili（AWS 解决方案架构师，服务商业航天与卫星客户）与 Adewale Akinfaderin（AWS 科学技术负责人，牵头 Amazon Bedrock 与 1P 模型的应用科学与评测）；示例系统里规划器用 Claude Haiku 5.5，三个专家智能体用 Claude Sonnet 5.5，汇总用 Claude Opus 5.5 事件详情：AWS 在机器学习博客给出一套航空航天零部件替代选型的多智能体参考实现，要解决的是工程师要在厂商数据表、接口控制文档和资质记录之间人工交叉核对、往往要花上几天的环节。 整套架构是一个规划器加三个专家智能体：Catalog 负责在多模态知识库里查零件并按结构化字段过滤，Evaluation 负责跑确定性评分，Knowledge 负责读数据表与接口控制文档，并通过 AgentCore Gateway 的网页搜索连接器核对停产公告与交期。只有两个以上专家都参与时才由 Claude Opus 5.5 汇总成答案，AWS 给的理由是单个专家已经给出完整答案时再加汇总会多出约 8 秒延迟、没有质量收益。 最能体现工程素养的一条是该用代码的地方绝不用模型：规格适配评分是一段普通 Python，对照手写的容差规则逐项比对，母线电压要求完全一致、质量允许在参考件基础上上浮 20%，同样的输入必然给出同样的通过或标记结论，因此结果能直接进正式评审包；工具返回时还固定附带一句仅供证据、不推荐也不批准替代的声明。审计记录同样由编排层在每次评估后读取工具调用历史写入，对齐 AS9100 第 8.4 和 8.5.6 节，不依赖模型自己记得记录。 Amazon Nova Multimodal Embeddings 在方案里承担两个角色。一是多模态检索：数据表、接口控制文档、产品照片和性能曲线被嵌进同一个语义空间，工程师既能输入 0.06 Nms 轮子的扭矩曲线这样的文字，也能直接上传图表图片反查零件；文本和文档走 Bedrock Managed Knowledge Bases，图片作为查询则直接查原生 Amazon S3 Vectors 索引，按 1024 维、IMAGE_RETRIEVAL 用途生成向量，原因是 AWS 称托管知识库的检索接口不接受图片输入。二是视觉相似度打分：两张候选零件照片算余弦相似度，AWS 给的示例数值是同一产品族约 0.84、不同类别约 0.40。 AWS 也写下了踩过的坑，其中最值得记的是静默降级：图片检索路径缺少 s3vectors:QueryVectors 权限时不会报错，而是悄悄回落到文本检索，模型于是高置信度地点名了错误零件，本地开发者的凭据通常比运行时角色权限宽，开发阶段很难发现。另外把数据表整页拿去建索引效果很差，因为页面上约九成是每个零件都一样的页眉、规格表和页脚，裁出图表区域再入库后，图表上传匹配的准确率从 7 个零件里对 3 个变成 7 个全对。 评测用 Amazon Bedrock AgentCore Evaluations，这项服务 2026 年 3 月起正式可用，内置 13 个评估器，示例启用了 7 个。测试集是 36 条查询、覆盖 6 类任务，其中目录检索 8 条、知识与接口文档检索 8 条、多专家串联 6 条、确定性评估 5 条、文本到视觉检索 5 条、要求系统拒绝的安全类 4 条。合成数据集上的 30 天平均分是：目标达成率 0.892、正确性 0.968、有用性 0.956、忠实性 0.981、响应相关性 0.968、工具选择准确率 0.861、工具参数准确率 0.980。目标达成率偏低有测试设计上的原因：那 4 条安全类提问故意要求系统批准替代，系统正确拒绝了，评估器却把正确拒绝记成没达成目标。工具选择准确率在两次评测之间从 0.809 升到 0.861，AWS 归因于三处改动：合并成单一托管知识库、修掉图片检索路径上那个缺失的权限、以及收紧规划器的路由以避免串联不必要的专家。 背景：航天关键件一旦停产或者交期拉长，工程师必须把厂商数据表、接口控制文档和资质记录交叉比对一遍，才能写出替代论证，AWS 自己提醒飞行关键件上的一次错误替代可能导致任务失败，而这些证据往往散落在邮件和没有文档化的经验里，形不成可复核的正式材料。上一篇 AWS 文章 Manufacturing intelligence with Amazon Nova Multimodal Embeddings 解决的是从工程图纸、热力曲线和数据表图表里检索答案，这篇把检索放进多智能体系统，补上从检索到成稿评估的最后一公里。 影响：这套方案真正的可复用之处不在航天场景，而在分工方式：路由用小模型、工具执行用中模型、汇总用大模型，必须可复现的结论交给普通代码，人始终是决策者。换成别的零件类别乃至别的行业，只要替换零件数据、改掉容差规则 schema、把自己的知识库指过去即可，智能体、工具和评分引擎原样保留；由于评分函数是纯 Python，PLM 或 ERP 系统可以直接调用 score_substitution_fit，不需要智能体夹在中间。 也要看清边界。博客把人工交叉比对从数天压缩到数分钟写在方案描述里，但原文没有给出真实工程师的耗时对比，第三方技术站也把这句当成目标而非实测结果。示例数据是虚构厂商 AnyCompany 的 7 个反作用轮，动量存储范围 0.003 至 5.0 Nms，不是真实零件目录。另外 Amazon Nova Multimodal Embeddings 已可在 AWS GovCloud (US) 提供，这对受数据驻留、ITAR 与 FedRAMP 约束的航空航天和国防项目有直接意义，但各区域可用性不同，落地前需要按 AWS Services by Region 逐一核对。 总结：这是一篇厂商技术文章，不是产品发布公告，价值在于给出一套能照抄的多智能体分工范式，以及一组可核对的数字。它把 36 条查询的自建评测集、三档模型的分工、确定性 Python 评分和 AS9100 对齐的审计留痕都摊开来讲，也诚实地暴露了静默降级、合成数据和提速未实测这三类问题。想复现的团队可以直接用 aws-samples 仓库里那五个各自可独立运行的 Jupyter notebook 跑通全流程。 常见问题： 问：AWS AgentCore 是什么？ 答：AWS 用于构建、连接和规模化运行智能体的平台，提供 runtime 托管、Gateway 数据接入和在线评估。 问：有现成代码可以跑吗？ 答：aws-samples/amazon-nova-samples 仓库下有五个可独立运行的 Jupyter notebook，需要 Python 3.10 以上版本。 参考来源：AWS 机器学习博客原文，含完整架构、参数与评测结果表 https://aws.amazon.com/blogs/machine-learning/agentic-engineering-intelligence-with-amazon-nova-multimodal-embeddings-and-amazon-bedrock-agentcore/ AWS 官方示例代码仓库 aws-samples/amazon-nova-samples，含五个可独立运行的 Jupyter notebook https://github.com/aws-samples/amazon-nova-samples/tree/main/multimodal-embeddings/repeatable-patterns/agentic-engineering-intelligence-nova-mme-agentcore Amazon Bedrock AgentCore 开发者指南官方文档 https://docs.aws.amazon.com/bedrock-agentcore/latest/devguide/what-is-bedrock-agentcore.html Bedrock 知识库多模态处理方式官方文档，含各区域 Nova Multimodal Embeddings 可用性 https://docs.aws.amazon.com/bedrock/latest/userguide/kb-multimodal-choose-approach.html ExplainX 英文技术站独立解读，交叉核对评测数字并指出提速未实测 https://explainx.ai/blog/aws-nova-multimodal-embeddings-agentcore-strands-aerospace-part-substitution-agent-36-query-eval-guide-2026 CloudNinjas 独立报道，核对三档模型分工与确定性评分实现 https://cloudninjas.ca/ai/building-a-multi-agent-engineering-assistant-with-bedrock-agentcore-and-nova-embeddings/ ScopeAI 中文解读，拆解方案环节与适用范围限制 https://scopeai.cc/stories/aws-%e5%8f%91%e5%b8%83%e5%a4%9a%e6%99%ba%e8%83%bd%e4%bd%93%e5%b7%a5%e7%a8%8b%e5%8a%a9%e6%89%8b%e6%96%b9%e6%a1%88-%e7%94%a8-nova-%e5%a4%9a%e6%a8%a1%e6%80%81%e5%b5%8c%e5%85%a5%e6%a3%80%e7%b4%a2%e9%9b%b6%e4%bb%b6%e6%9b%bf%e4%bb%a3%e8%af%81%e6%8d%ae-mvzjvbwe Today for AI 中文编译，记录原文时间戳 2026/11/3 01:01 与作者信息 http://www.todayforai.com/zh/items/art-1d41b1ee-d39 奇点 AI 索引中文条目，整理架构要点与关键数据 https://ai.qidiandaohang.com/news/11567934/