Qlik 如何借助 Amazon Bedrock 构建有据可依、企业级规模的 AI

在 Amazon Bedrock 上构建的接地 AI，Qlik Answers 解决了一个常见的企业问题：员工并不缺数据，而是缺一种快速向数据提出真实问题并获得可信答案的途径。分析师要花费数小时翻查文档、仪表板和机构记忆，才能回答同事一句话就能提出的问题。而当组织试图用生成式 AI 弥补这一差距时，许多人都撞上了同一堵墙：答案没有来源、结果无法验证、也无法在受监管的环境中部署该工具。

Qlik作为数据集成、数据质量、分析和AI领域的全球领导者，Qlik构建了Qlik Answers，为全球40,000多家客户解决这一问题。自2026年2月正式发布以来，Qlik Answers已从一项早期功能发展为日常使用的工具： Qlik 的 Discovery Agent, 一个 AI 驱动的异常和离群值检测代理,自上线以来已单独为客户提供了超过 100,000 项发现,而开启了代理工具的 Qlik Cloud 账户中大多数都在积极使用这些工具。

本文将介绍 Qlik 如何构建促成这一使用率的工具,以及 Amazon Bedrock 如何在全球规模上为其提供支持。

挑战

Qlik 确定了三个需要同时解决的问题,才能将 Qlik Answers 在其整个客户群中投入生产:

• 在不拖慢任何人的情况下编排专业化推理。 企业问题千差万别:有些需要快速查询,有些则需要从结构化分析、非结构化文档、术语表定义或自动化中获取信息。单一通用助手在添加的能力越多时,往往会变得更慢、更不准确。
• 满足跨区域的数据主权要求。 Qlik 服务于欧洲、亚太和美洲的客户,每个地区都有各自的数据驻留预期。单一全球部署模型无法满足这些要求,但 11 个独立的区域构建又会难以保持一致的维护和改进。
• 在需求出现数月之前预测模型容量。 Token 消耗和模型可用性需要在重大发布之前 3–6 个月进行规划。Qlik 随后在客户开始使用产品后,根据实际使用情况验证这些预测,从而使采用的增长不会演变成容量问题。

解决方案概览

Qlik Answers 为员工(而不仅仅是分析师)提供了一个单一入口,可以用自然语言提问并获得有依据、有来源的答案。根据问题的不同,答案可以来自知识库、实时分析应用、术语表定义或文档。底层系统会决定采用哪种路径。

三个部署案例展示了客户使用它的实际效果:

• Bystronic,一家全球金属薄板加工专家,在 15 分钟内部署了一个 AI 聊天机器人,让员工能够查询实时运营数据,并在各部门之间获得有来源的答案。
• Lintech International 在 Qlik Answers 中索引了超过 17,000 份技术文档,减少了手动研究时间,将响应速度提高了 75%,为业务经理每周节省了多达 7 个小时。
• TouchPoint Support Services,服务于 650 个医疗站点并计划将规模翻倍,使用 Qlik Answers 为在受监管、快节奏环境中工作的 15,000 名员工提供快速、符合合规要求的指导。

为了大规模支持这一服务,Qlik 围绕清晰的架构边界而非单个大型助手构建了系统。关键层次如下:

1. 入口层。Qlik Cloud 内一个稳定的对话入口,因此可以在不改变客户与助手交互方式的情况下添加新的后端能力。
2. 路由层。一个轻量级层,读取用户的消息和对话上下文,并决定请求应发往何处。它唯一的职责是做出快速、准确的路由决策,而不是解决任务本身。
3. 答案层。在请求被路由后协调响应生成，在简单请求的快速路径与更审慎的路径之间做出选择，后者会将问题拆分为子问题并从多个来源获取信息。
4. 专家代理层。一个共享的群体运行时定义了专家代理、工具、状态和人机协同步骤的工作方式，因此可以在无需每个新专家自行设计编排模型的情况下添加新专家。
5. 对话式分析层。通过将结构化数据问题路由到一个专为分析构建、感知应用上下文的推理路径来处理这些问题，而不是使用通用文本生成。
6. 检索层。非结构化文档的索引和检索运行在 Amazon OpenSearch Service 上，该服务存储并搜索用于支撑 Qlik Answers 对知识库和文档问题回答的内容。
7. 模型访问层。该层通过 Qlik 自有的大语言模型（LLM）网关接入，连接到 Amazon Bedrock 以实现聊天、流式传输、嵌入和重排序。它还对每个请求和响应应用 Amazon Bedrock Guardrails：针对提示词注入、个人身份信息（PII）、机密信息和被禁止话题的内容过滤，并对生成的答案进行依据校验检查。当客户依赖的模型尚未通过 Bedrock 在所在区域内可用时，Qlik 会改为将其托管在 Amazon SageMaker AI 上，待该区域的可用性跟上后再将该工作负载迁回 Bedrock。有关各 AWS 区域的模型可用性，请参阅 Amazon Bedrock.

图1：员工问题流经入口层、路由层和答案层，然后分流到专家智能体、分析智能体和检索智能体（由 Amazon OpenSearch Service 支撑），最终汇聚到模型访问层，该层可访问 Amazon Bedrock 上提供的基础模型，并以 Amazon SageMaker AI 作为区域内备用方案

以真实来源为答案提供依据

依据 grounding 是该框架中较为重要的设计决策之一。答案层会根据问题从多种上下文中提取信息：结构化应用元数据、检索到的知识库内容、词汇表定义、自动化上下文以及用于摘要的文档内容。在完整答案的各个组成部分返回后，整个响应会被组装并呈现给用户。

仅靠检索并不能保证准确性。Qlik 还对生成的答案运行依据校验检查，使用 Amazon Bedrock Guardrails 中的上下文依据（contextual grounding）功能，将每个答案与其所依据的源内容进行比对。这使 grounding 从一个检索步骤转变为经过检查的生产控制。对于非结构化问题，该工具会从 Amazon OpenSearch Service 检索与问题相关的内容，并将该上下文向前传递，使最终答案包含引用。对于结构化问题，它将工作交给对话式分析路径。更多功能（包括词汇表查询、自动化和文档摘要）随能力控制逐步推出，因此 Qlik 可以扩展工具的能力，而不会同时动摇每个客户的默认体验。租户级能力选项意味着 Qlik 可以针对每个请求重建可用的编排路径，从而可以有选择地启用各项能力，同时整体架构在所有客户间保持一致。

图2：专家智能体集群，共享状态、工具和人机协同步骤使新的专家智能体能够接入共同的运行时

为什么选择 Amazon Bedrock

Qlik 针对前面描述的三个问题评估了其模型策略，而 Amazon Bedrock 直接解决了其中每一个问题。

多模型灵活性。 借助 Bedrock，Qlik 可以为每个智能体的任务分配最合适的模型，而不是将整个系统锁定在单一模型的权衡上。

大规模的数据主权。 借助 Amazon Bedrock 跨区域推理（CRIS），Qlik 可以服务全部 11 个区域，同时让数据驻留在合规要求的地点。这在单一托管能力中结合了全球覆盖和主权控制。

有选择地采用托管服务的空间。 AWS 的区域部署模型和容量预留选项为 Qlik 提供了当前的扩展空间。待时机成熟时，诸如 Amazon Bedrock AgentCore 之类的服务可以让 Qlik 选择将特定工作负载的部分运维开销外包出去，而无需为此进行完整迁移。

Qlik 通过其自有 LLM 网关使用 Bedrock，而不是将应用逻辑直接绑定到单一模型。产品团队可以按任务更改模型选择，而无需重写周围的应用程序。对于一个预期模型策略会持续演进的系统来说，这种分离至关重要。

在需求到来之前规划容量

由于 Qlik 会在重大发布前 3–6 个月预测模型容量，团队建立了一个按功能和区域预测 token 消耗的工作模型，并在每次发布后对照这些预测检查实际使用情况。这种纪律正是 2 月正式发布能够顺利扩展、未因自身采用而承受压力的原因之一。

业务成果与客户影响

自 2026 年 2 月 Qlik 的智能体体验正式发布以来，Discovery Agent 已为客户呈现出超过 100,000 项发现，而启用了智能体工具的 Qlik Cloud 账户中，大多数都在持续使用其智能体，而不是尝试一次就放弃。

客户层面的成果还包括 Lintech International 的响应速度提升 75%，业务经理每周节省多达 7 小时，以及 Bystronic 仅用 15 分钟部署聊天机器人.

经验教训

在 40,000+ 客户中构建和扩展 Qlik Answers 的过程中，总结出了一些经验教训，可能对其他在 Bedrock 上构建智能体工具的团队有所帮助：

• 尽早将快速路由与深度推理分离。将它们捆绑在一起意味着每个请求都要为其并不需要的额外处理付出代价。
• 为多智能体执行采用统一的编排框架进行标准化，而不是让每个新专家都发明自己的运行时。运营一个应用程序比运营一套彼此脱节的智能体系统更容易。
• 将安全与接地检查视为系统级的门槛，而不是每个功能的事后补充。在模型访问层运行一次这些检查，意味着每个新的专业代理都会自动继承相同的保护。
• 在租户级别使用功能标志（feature flags）来逐步扩展能力。这可以防止新的、尚未充分验证的能力影响核心体验的可靠性。
• 在你需要之前就养成容量预测的习惯。每次发布后将预测使用量与实际使用量进行对比验证，才能把容量规划从凭空猜测转变为可重复的流程。

下一步

Qlik 的路线图刻意保持架构的开放性和适应性。团队正在评估将 Amazon Bedrock AgentCore 用于特定工作负载——在这些场景中，托管的代理运行时可降低运维开销——同时继续在开放标准及其自身的编排层上构建，以便在成本、延迟或可移植性方面保持 Qlik 更多的控制权。其目标是保留在托管服务有帮助时采用它们的选项，而不是让框架围绕其中任何一项来设计。Qlik 还在构建一个用于评估模型性能的系统性框架。这意味着当更合适的模型出现时，Qlik 可以迁移过去，而不会干扰客户已经依赖的体验。

结语

Qlik Answers 自 2026 年 2 月发布以来的采用情况反映了一种不添乱的架构：在速度重要之处追求快速，在准确性重要之处深思熟虑，始终以真实来源为依据，并且安全到足以让受监管行业依赖。Amazon Bedrock 中的模型灵活性、区域主权控制以及基于 Guardrails 的内容过滤和接地验证为 Qlik 在全球规模上构建这一体验提供了基础。迄今为止的成果包括展示了超过 100,000 次发现、为 Lintech 和 TouchPoint 等公司的员工节省了大量时间，以及在开启代理工具的账户中，大多数账户在试用后仍在继续使用其代理。

要了解 Qlik Answers 能为您的数据做些什么，请开始 Qlik Cloud Analytics 免费试用，申请 Qlik Answers 演示 或 Qlik 和 AWS 演示，或访问 Qlik Answers 产品页面 了解更多信息。

关于作者