Signal YCurated AI News
更新于 11/5 20:4061 个信源

LangChain 与 Amazon Bedrock 知识库的智能体式检索实践

企业 AI10/5 23:53AWS 机器学习博客查看原文 ↗
摘要

AWS 在机器学习博客中演示 Amazon Bedrock 托管知识库的智能体式检索能力:它不再只做一次搜索,而是把问题拆成子查询、执行、判断证据是否充分并必要时再搜索,作者用 LangChain 对同一道多部分问题跑通标准与智能体两条路径并对比成本。

核心要点
  • 文中举例:用户要求跨三个维度对比两款产品,实际等价于同时提出六个问题,而相似度检索只用单个查询向量承载全部意图,检索器返回的是这些意图的“平均值”近似,结果虽然主题相关、分数合理、无报错,却只覆盖了问题的一小部分
  • AgenticRetrieveStream API 运行一个规划循环:拆解子查询、执行、判断证据是否充分、不足则再次检索,并把每一步以 trace 事件流式返回,可用来看模型生成的检索计划
  • Retrieve API 只执行一次混合搜索并返回带评分的文档块;在 langchain-aws 包中它对应可直接嵌入链的标准 LangChain retriever,而 agentic 版本是直接从知识库做函数式检索
  • Amazon Bedrock 托管知识库把自建向量库、嵌入模型与重排模型从 RAG 架构中移除,用户只需配置数据源(本文示例用 Amazon S3),分块、嵌入、存储与检索都由 Bedrock 托管
  • 文章覆盖两条检索路径的成本,并给出何时应选择更便宜的标准检索的判断标准
原文佐证
  • Instead of one search, Amazon Bedrock Managed Knowledge Base plans the retrieval. It breaks the question into sub-queries, runs them, judges whether it has enough evidence, and searches again if it doesn’t.
  • The Retrieve API runs one hybrid search and returns scored chunks. The AgenticRetrieveStream API runs a planning loop and streams the steps back to you as trace events.
  • Yet the retrieved chunks, while topically relevant, only cover a fraction of what the question actually asked.
AI 洞察
RAG 的竞争焦点正从“向量库性能”转向“查询理解与证据充分性判断”——检索被改造成一个带规划、自评与重试的智能体循环,而非一次性相似度匹配。当云厂商把这套循环封装成托管 API(AgenticRetrieveStream),过去需要应用层用 LangChain 自写的 agent 编排就被平台吸收,应用层的差异化空间被压缩到路由策略与领域数据上。随之而来的成本与延迟上升,会让企业 RAG 走向“按问题复杂度路由”的混合检索,简单问题走单次检索、复杂多意图问题才触发规划循环。