用 CDK 在 Amazon Bedrock 托管知识库上构建企业级智能检索系统

传统 RAG 的失效模式相当典型：将问题向量化后从单一索引中取回最近邻文本块，交给模型生成答案。这种设计对大多数简单问题足够用，但一旦答案分散在两个语料库中，单次检索只能拿回一半信息，模型输出的结果流畅却不完整，比什么都不返回更危险。更棘手的是，当「应该查哪个知识库」本身就取决于问题内容时，单一索引根本没有路由机制可言。企业级智能检索通过在流程中引入推理智能体来解决上述三类问题。

Amazon Bedrock 托管知识库（Type: MANAGED）将向量数据库的创建、扩缩容、嵌入模型配置和重排序全部纳入服务侧管理，用户无需自行维护 OpenSearch Serverless 集合与索引，也无需承担 OpenSearch Compute Units 费用。与之对应的「自管理」知识库虽然允许用户自选向量存储，但 AgenticRetrieveStream API 和 AgentCore Gateway 连接器目前仅支持托管类型，这使托管知识库成为企业智能检索的天然基础。

AgentCore Gateway 将每个知识库以 Model Context Protocol（MCP）工具的形式暴露给推理智能体。智能体在每轮对话中自主决定是否检索、检索哪个知识库，并在看到第一批结果后判断是否需要再次检索以补充信息。AgenticRetrieveStream 在服务内部完成重排序，最终返回综合性的、带有来源引用的答案，而非将原始文本块直接抛给调用方自行拼装。这种设计将复杂的多步推理逻辑封装在 API 层面，显著降低了应用层的编排负担。

智能体的循环推理特性带来了新的运维挑战：不同问题会触发完全不同的执行路径，若缺乏可观测性，系统是否正常工作将无从判断。本方案内置七层 Amazon CloudWatch 遥测，覆盖从 S3 数据摄入到智能体工具调用的全链路，并通过两个 CloudWatch 仪表板集中呈现。可观测性不再是事后补丁，而是与检索逻辑同步部署的核心组件。

评估体系同样作为 CDK 应用的一部分随主体一同部署，提供按需评估和持续评估两种模式。按需评估允许开发者在特定时间点对智能体输出质量进行抽样检验，持续评估则在生产流量中持续监控答案的准确性与引用质量。两种模式共用同一套部署配置，无需额外搭建评估基础设施。

整个解决方案以单个 CDK Python 应用的形式交付，一条命令即可完成所有资源的创建，CDK 自动推导各栈之间的依赖顺序，无需手动编排。对于熟悉 2024 年单次 RAG CDK 方案的读者，S3 到知识库的路径保持一致，之后的部分全部更新：向量存储已移除，检索升级为智能体模式，约一半的资源专门用于记录和评估智能体的行为轨迹。

要点

• 传统单次 RAG 在跨语料库问题和需要二次检索的场景下存在结构性缺陷，企业级智能检索通过引入推理智能体实现多轮规划与语义路由。
• Amazon Bedrock 托管知识库将向量存储、嵌入和重排序全部纳入服务管理，AgenticRetrieveStream 和 AgentCore Gateway 目前仅支持该类型，是构建智能检索的必要前提。
• 可观测性与评估应与检索逻辑同步设计和部署，而非事后补充，本方案内置七层 CloudWatch 遥测及按需、持续两种评估模式。
• 整套系统以单个 CDK Python 应用交付，一条命令完成全部部署，CDK 自动处理资源依赖顺序，大幅降低运维复杂度。
• AgentCore Gateway 通过 MCP 协议将知识库暴露为工具，使智能体能够在运行时动态决定调用哪个知识库，实现真正的语义路由。