IskayPet 如何借助 Amazon Bedrock Managed Knowledge Bases 整合企业知识

IskayPet 的办公室团队面临知识管理难题。有关日常运营的问题，例如退货政策、兽医诊疗规程或入职步骤，答案散落在数百份 Microsoft SharePoint 文档中，涉及四种语言和三个国家。在大型文档库中查找正确的信息耗时很长。每开一家新门店、进入一个新国家或新增一项流程，都会让问题变得更加棘手。

检索增强生成（RAG）是解决这一问题的常见方法。但通常要在生产环境中运行 RAG，就意味着需要自行运维向量数据库、嵌入流水线和数据摄取任务。

本文将介绍 IskayPet 如何借助 Amazon Bedrock Managed Knowledge Bases 构建企业知识助手。IskayPet 是伊比利亚地区领先的宠物护理公司。该助手可用四种语言，面向三个国家的员工，回答有关零售运营、兽医护理、人员与入职以及采购的问题，而且无需管理 RAG 基础设施。团队使用 Kiro 和 Claude Haiku 4.5 构建了完整解决方案，从面向门店的前端到 AWS 架构和部署，均由团队完成。本文将介绍架构、SharePoint 集成、检索配置决策以及生产环境中的应用成效。

关于 IskayPet

IskayPet 是伊比利亚地区领先的宠物护理公司。公司在西班牙、葡萄牙和法国经营着 330 多家门店，旗下品牌包括 Kiwoko、Tiendanimal、Kivet、Clinicanimal 和 Animalis。IskayPet 拥有 4,500 多名员工和 700 万名客户，业务涵盖零售、兽医诊所、动物护理、采购以及人员与入职。每个领域都有自己的政策和流程，涉及西班牙语、葡萄牙语、法语和英语。

面临的挑战

在各个业务领域，IskayPet 的办公室员工都要手动搜索数百份 SharePoint 文档，以解答有关流程、政策、合同和入职的运营问题。由于业务遍及三个国家、涉及四种语言，这项工作非常耗时，而且找到的答案往往已经过时或有误。

公司缺乏可靠的企业知识查询方式，而且每增加一个国家、业务领域或文档，问题都会变得更严重。IskayPet 需要一种能够实现以下目标的解决方案：

基于公司的内部文档回答自然语言问题。
支持四种语言，无需维护多套独立系统。
将每个问题路由到相应的知识库（业务领域、国家），避免不同知识相互混淆。
无需重新设计架构，即可扩展至新的业务领域和国家。
注明信息来源，让员工能够信赖并核实答案。
复用现有的 SharePoint 文档库，避免高成本的数据迁移。

为何选择 Amazon Bedrock Managed Knowledge Bases

IskayPet 选择了 Amazon Bedrock Managed Knowledge Bases，因为它提供托管式 RAG 基础设施，无需自行运行向量存储、嵌入或数据摄取流水线。主要原因如下：

托管式 RAG： Amazon Bedrock 负责数据摄取、多模态解析、向量存储、嵌入生成和检索。IskayPet 只需为存储和检索的内容付费。
原生 SharePoint 连接器： 该连接器直接从 IskayPet 现有的 SharePoint 环境摄取文档，避免了数据迁移。启用高级索引后，它还能处理嵌入文档中的图像内容。
内置混合搜索： 无需额外付费即可结合语义搜索和关键词（BM25）搜索，找回纯语义搜索可能遗漏的精确术语，例如产品代码和参考编号。
托管式重排序： 无需额外付费，即可按相关性重新排列检索到的段落。
文档级访问控制： 知识库可在检索时执行源系统自身的权限设置，因此查询只会返回请求用户已获准阅读的文档中的段落。这样，IskayPet 就能沿用 SharePoint 权限，而不必重新构建授权模型。
模型灵活性： IskayPet 可以先从经济高效的模型着手，之后再更换模型，无需重写基础设施。
原生 RAG 评估： 团队使用内置评估工具衡量每个步骤的质量。

解决方案概览

下图展示了端到端流程：从员工提问，到基于权限的检索，再到有依据且注明出处的回答。

图 1：解决方案架构

该解决方案是一款员工可通过现有渠道使用的助手。员工提问后，助手会从知识库中检索最相关的段落，并将范围限制在员工获准阅读的文档内。随后，助手会以员工使用的语言生成有依据且注明出处的回答。

总体而言，流程如下：

员工通过聊天界面提交自然语言问题。
应用程序调用对应助手的知识库，并传入员工身份，以便在检索时应用文档级权限。
知识库对已编入索引的内容执行混合搜索（语义搜索和关键词搜索），对结果重新排序，并返回最相关的段落及其来源引用。
基础模型（FM）根据检索到的段落生成有依据的回答。提示词要求注明来源，并告知模型：如果检索到的内容中没有答案，就应如实说明。
员工会收到回答和来源文档，并可留下反馈（点赞或点踩），这些反馈会纳入评估集。

使用 Kiro 和 Claude Haiku 4.5 构建解决方案

IskayPet 使用 Kiro（一种智能体开发环境）构建了完整解决方案，涵盖面向门店的前端、AWS 架构和服务部署；Kiro 运行在 Amazon Bedrock 上的 Claude Haiku 4.5。随着 Amazon Bedrock 上有新模型推出，IskayPet 计划针对各个用例对其进行评估并加以采用。

有关各 AWS 区域的模型可用性，请参阅 Amazon Bedrock 中按 AWS 区域划分的支持模型。

面向门店的前端 – 团队使用 Kiro 构建门店员工与助手交互时使用的前端，并借助 Claude Haiku 4.5 生成和迭代 UI 代码。
架构与部署 – Kiro 还协助设计 AWS 架构并配置解决方案所需的服务：知识库配置、数据源、AWS Identity and Access Management (IAM) 角色以及应用程序层。

使用 Kiro 和 Claude Haiku 4.5 这类快速且经济高效的模型开展智能体工作流，帮助小团队快速从构想迈向生产。它也使应用程序代码与基础设施保持一致，并易于维护。

数据摄取：具备高级索引功能的 SharePoint 连接器

IskayPet 的文档原本就存储在 SharePoint 中，并按区域和国家/地区整理。团队没有迁移这些文档，而是使用 Amazon Bedrock Managed Knowledge Bases 中原生的 SharePoint 连接器。

在数据源的“高级配置”中，IskayPet 在“内容索引”和“高级索引”下启用了“文档中的视觉内容”。此设置可从文档（PDF、DOCX、PPTX）中嵌入的图像以及独立图像中提取内容。操作规程文档中的图表和扫描内容因此变得可搜索，无需单独的预处理流程。

该连接器会增量同步，因此每次同步都会获取新增和更新的文档。

多国家、多区域架构

一项关键设计决策是如何为四种语言、多个业务领域和三个国家/地区构建知识架构。IskayPet 权衡了两种方案：

一个共享知识库，其中每份文档都标记国家/地区和区域，并针对每次查询应用检索筛选条件。这能最大限度地复用共享内容，但会将所有领域耦合到同一个索引中。
为每个助手配置一个专用知识库，并将其限定在相关的 SharePoint 站点或文档库中。这样可以端到端隔离每个知识库，并让每个助手独立调整。

IskayPet 选择了每个助手配置一个知识库。每个助手都指向特定的 SharePoint 站点，还可以通过包含路径进一步限定到特定文档库或文件夹，因此只会索引预期内容，而不会索引整个企业站点。新增业务领域或国家/地区时，只需添加一个助手并将其指向相应内容，无需重新设计系统架构。

访问控制

访问权限由用户现有的 SharePoint 权限管理。助手不会授予任何新的访问权限：它只是让员工更轻松地查询他们原本就能打开的文档。这在两个层面上发挥作用。

用户可见的助手 – 员工只能看到其有权阅读底层文档的助手，无论这种权限来自直接授权、群组成员身份，还是对特定文件夹的访问权。如果无法确认访问权限，则会隐藏该助手，而不是将其显示出来。
用于生成答案的文档 – 检索时还会再次逐份文档执行访问控制：员工的身份会传递给知识库，知识库只会返回该员工获准查看的文档中的段落。Amazon Bedrock Managed Knowledge Bases 原生支持这种文档级访问控制，因此，对于权限不同的两名员工，同一个问题得到的答案可能会有所不同。

由于每次访问检查都会从 SharePoint 读取权限，因此在 SharePoint 中撤销或授予访问权限后，助手会自动体现这些变化，无需修改应用程序。

检索与生成配置

RAG 系统的质量主要取决于数据摄取、检索和生成。微调是一种补充技术。针对这一用例，IskayPet 调整了以下设置：

分块 – 由托管知识库负责，因此团队无需构建或调整分块流程。这省去了自行管理 RAG 时通常需要投入大量运维精力的一个组件。
混合搜索 – 知识库结合了语义检索和关键词检索，因此能够检索到纯语义搜索可能会漏掉的产品代码等精确词项。
结果数量 – 根据一个评估集进行调优。助手会检索 25 个段落，移除重复内容和过短、无法补充上下文的片段后，最多将 15 个段落注入提示词。这个数量是影响成本的主要因素，因为它会增加每个问题的输入令牌数。
生成提示词 – 设定企业语气，要求引用来源，并指示模型在检索内容中没有答案时如实说明，从而减少幻觉并提高可追溯性。

作为一项生产控制措施，团队正在添加 Amazon Bedrock Guardrails，以便对生成的答案应用内容过滤和负责任 AI 政策。

评估 – 使用 Amazon Bedrock 原生 RAG 评估功能，并将实际使用中收到的赞踩反馈用作评估集，以衡量每次更改前后的质量。

生成回答

在回答生成方面，IskayPet 使用 Amazon Bedrock 上一款具有成本效益的基础模型。由于知识库将检索与生成解耦，IskayPet 可以切换或升级生成模型，而无需改动摄取层或检索层。随着使用量增长，这让团队能够在成本与回答质量之间取得平衡。

成本效益

知识库提供多模态解析、嵌入生成和重排功能，且不额外收费，因此 IskayPet 的持续成本主要来自索引存储、检索 API 调用和生成模型令牌。在生产环境中，输入令牌占据了成本的大部分，因为每个提示词都会注入检索到的段落。随着使用量增长，团队正在评估进一步的优化方案，包括对提示词中稳定的部分使用提示词缓存，以及对非交互式工作负载使用批量推理。

成果

在投入生产后的大约前两个月里，IskayPet 取得了以下成果：

更快地获得答案 – 查找运营问题答案的时间从 3–5 分钟缩短到约 7 秒。
提高生产力 – 查找流程和政策所花费的时间减少了约 95%。
可扩展性 – 预计该解决方案每月可处理约 100,000 次查询，覆盖所有业务领域和国家/地区。

结论

IskayPet 基于 Amazon Bedrock Managed Knowledge Bases 构建了一个投入生产的企业知识助手，服务于三个国家/地区、四种语言和多个业务领域，无需运行 RAG 基础设施。原生 SharePoint 连接器复用了他们现有的存储库。为每个助手配置专属知识库，使他们能够采用清晰的多国家/地区设计，并将各个领域端到端隔离。托管式解析、嵌入和重排功能降低了运营工作量和成本。使用 Kiro 和 Claude Haiku 4.5 构建前端和 AWS 架构，让小型团队能够快速将解决方案投入生产。

如果你面临类似的知识检索挑战，可以从 AWS 免费套餐开始，并在 Amazon Bedrock 控制台中构建第一个知识库。如需深入了解，请参阅以下资源，并尝试使用 SharePoint 连接器和文档级访问控制处理自己的文档。

如需了解更多信息，请参阅 Amazon Bedrock 托管知识库和使用 Amazon Bedrock 评估功能评估 RAG 来源的性能。

作者简介

Daniel Martinez Rubio

Daniel 是 AWS 的高级解决方案架构师，专注于指导伊比利亚地区的企业客户采用云技术，并实施人工智能用例。他热衷于利用云技术解决复杂的业务挑战。

Irene Arroyo Delgado

Irene 是 AWS 的生成式 AI 与机器学习专家解决方案架构师。她负责为 IskayPet 推进 Amazon Bedrock、Amazon Bedrock AgentCore 和知识库的启用工作，并与伊比利亚地区的企业客户合作，推动生成式 AI 的应用。

Arturo Lorenzo Hernandez

Arturo 是 IskayPet 数据与 AI 团队的 AI 工程师。他一直在开发 IskayPet 数据平台，并开展涉及生成式 AI 的项目。

Francisca del Rosario Suárez Rodríguez

Francisca 是 IskayPet 的数据经理，负责支撑集团湖仓的数据平台，并以项目经理的身份领导 AI 用例组合。她与业务、技术和治理团队协作，将运营数据转化为组织可以信赖的数据产品。