用 Amazon Bedrock 将航天零件替代评估从数天压缩至数分钟

航天零件替代决策历来是高风险、高人力投入的工作。一旦某个飞行关键零件停产，工程师需要在供应商数据表、接口控制文件和资质记录之间逐一比对规格参数，最终形成替代合理性文件供审查。然而，支撑这一决策的证据往往散落在电子邮件和口耳相传的机构知识中，缺乏正式、可重复的审查包。错误的替代选择可能直接导致任务失败，因此对证据链的完整性要求极高。

亚马逊云科技此次发布的方案以「工程师做决策、系统汇聚证据」为核心设计原则，并由此决定了哪些环节使用大语言模型、哪些环节使用确定性代码。架构分为三个支柱：一是用 Python 编写的容差规则代码，对每个候选零件进行确定性评分，确保相同输入始终产生相同的通过或标记结论；二是轻量级规划器驱动的多智能体编排；三是人机协同决策机制，系统起草文件但不批准替代方案。

在模型选型上，规划器采用 Claude Haiku 5.5 生成路由计划，三个专项智能体由 Claude Sonnet 5.5 驱动执行工具调用，当多个专项智能体共同参与时，Claude Opus 5.5 担任监督者负责综合结论。Amazon Nova 多模态嵌入在系统中承担两项关键职责：其一是多模态检索，将数据表、接口控制文件和性能曲线图统一嵌入同一语义空间，工程师既可输入文字查询，也可上传图表图片进行检索；其二是视觉相似度评分，对两个候选零件的照片计算余弦相似度，并由 Claude 分析具体物理差异。

系统还设计了一条独立的固定链路，专门生成正式的集成影响评估文件。该链路按照「知识智能体→评估智能体→监督者」的顺序依次执行，输出结果与 AS9100 第 8.4 和 8.5.6 节对齐，为工程评审提供合规的审计追踪记录。对于以图像为查询输入的场景（例如上传图表来识别零件），智能体会直接调用原生 Amazon S3 Vectors 索引，因为托管知识库的检索 API 目前不支持图像输入。

从实际效果来看，该方案能够将原本需要数天的手动交叉核验工作压缩至数分钟。以「检查某型号飞轮是否即将停产、寻找替代品并评分」这类复杂查询为例，系统会自动串联目录、评估和知识三个专项智能体，完成从检索到起草评估备忘录的全流程。整套代码以五个 Jupyter Notebook 的形式开源发布，每个 Notebook 均可独立运行，并附带虚构制造商 AnyCompany 的七款反作用飞轮样本数据集，方便开发者快速上手验证。

该方案的意义不仅在于提升效率，更在于将原本依赖个人经验和非正式沟通的决策过程，转化为有据可查、可重复审查的标准化流程。随着 Amazon Bedrock AgentCore 提供的托管运行时、网关和连接器能力不断完善，工程团队有望在不改变现有决策权责的前提下，将多智能体系统快速集成到现有工程工作流中，为航天、国防等高合规要求行业的数字化转型提供新的参考路径。

要点

• 系统以「工程师决策、AI 汇聚证据」为核心原则，容差规则评分采用确定性 Python 代码而非 LLM，确保结论可重复、可审查。
• Amazon Nova 多模态嵌入同时承担文本与图像的统一语义检索，以及零件照片的视觉相似度量化评分两项职责。
• 多智能体架构由规划器动态路由，复杂查询可串联目录、评估、知识三个专项智能体，并由监督者综合输出结论。
• 系统内置符合 AS9100 标准的审计追踪机制，并支持生成正式集成影响评估文件，满足航天行业合规要求。
• 完整代码以开源 Jupyter Notebook 形式发布，附带样本数据集，开发者无需额外应用代码即可本地验证全流程。