拜耳作物科学如何基于 Amazon Bedrock AgentCore 与 AWS Unified Operations 构建智能体决策引擎
摘要
AWS 机器学习博客复盘拜耳作物科学在 Amazon Bedrock AgentCore 上构建多智能体决策引擎 ADE 的历程:它把原本分散在多个系统里的 ML 工作流解释工作,变成自然语言问答,第一阶段约八成用户问题无需工程师介入。
核心要点
- 拜耳在 Connected Decision Engine(CDE)上针对不同作物、区域与团队运行数百套机器学习模型配置,每轮运行都要求可复现、可治理。
- ADE 采用主管智能体(supervisor)把问题路由给专家智能体(specialist)的架构,专家智能体再从对应系统检索上下文,用户无需自行判断该查哪个系统。
- 第一阶段 ADE 能在无工程师介入的情况下解决约 80% 的用户提问。
- 选择 AgentCore 的三个原因:隔离每个用户会话的托管运行时、通过 Gateway 以 IAM 管控工具访问权限并把认证授权移出智能体代码、框架无关可自带 LangGraph 编排与模型选型。
- AWS Unified Operations 提供专职技术客户经理(TAM)与生成式 AI 领域专家工程师(DSE),每周三次技术站会共同做设计决策,覆盖从设计到生产的全过程。
原文佐证
- In its first phase, ADE resolves about 80 percent of user questions without an engineer in the loop.
- As adoption grew, the bottleneck moved from running workflows to understanding them.
- A supervisor agent routes each question to a specialist agent, the specialist retrieves context from the relevant system, and the user receives an answer without navigating the operational stack.
AI 洞察
这个案例的重点与模型能力无关,关键变化是:在企业数据与 ML 体系规模化之后,瓶颈从“跑得动”转为“讲得清”;因此,可解释性和可观测性成了智能体落地的第一入口。主管智能体负责路由、专家智能体负责取数的模式,正在成为企业内部系统“对话化”的通用范式,意味着继 BI 与数据目录之后,下一个被重构的是运维与元数据查询层。云厂商用 AgentCore 这类运行时加 TAM/DSE 贴身服务的组合,实际上在压缩企业自建智能体宿主层的价值,把竞争推向治理与权限这类更难迁移的环节。