IskayPet 如何通过 Amazon Bedrock 托管知识库统一企业知识

IskayPet 的办公团队面临知识管理挑战。日常运营问题的答案,例如退货政策、兽医协议或入职步骤,分散在四种语言、三个国家的数百份 Microsoft SharePoint 文档中。在庞大的文档库中找到正确信息需要很长时间。每新增一家门店、一个国家或一项流程,问题就变得更加严重。

检索增强生成(RAG)是解决此类问题的常见方法。但在生产环境中运行 RAG 通常意味着需要自行运维向量数据库、嵌入管道和数据摄取任务。

在本文中,我们展示了伊比利亚领先的宠物护理公司 IskayPet 如何基于 Amazon Bedrock 托管知识库构建企业知识助手。该助手以四种语言、覆盖三个国家,回答员工在零售运营、兽医护理、人员与入职以及采购方面的问题,无需管理任何 RAG 基础设施。团队使用 Kiro 和 Claude Haiku 4.5 构建了整个解决方案,从面向门店的前端到 AWS 架构和部署。我们将介绍其架构、SharePoint 集成、检索配置决策以及生产环境中的成果。

关于 IskayPet

IskayPet 是伊比利亚领先的宠物护理公司。它以 Kiwoko、Tiendanimal、Kivet、Clinicanimal 和 Animalis 品牌在西班牙、葡萄牙和法国运营着 330 多家门店。IskayPet 拥有 4,500 多名员工和 7 百万客户,业务遍及零售、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,涵盖西班牙语、葡萄牙语、法语和英语。

挑战

在所有业务领域中,IskayPet 的办公人员需要手动搜索数百份 SharePoint 文档,以回答有关流程、政策、合同和入职的运营问题。由于业务分布在三个国家、使用四种语言,这耗费了大量时间,而且得到的答案往往已过时或错误。

之前没有可靠的方式来查询企业知识,而且每增加一个国家、领域或文档,问题就会加剧。IskayPet 需要一个能够实现以下功能的解决方案:

• 基于他们自己的企业文档回答自然语言问题。
• 在四种语言下工作,而无需维护独立的系统。
• 将每个问题路由到正确的知识体系(某个领域、某个国家),避免交叉污染。
• 无需重新架构即可扩展到新的领域和国家。
• 引用来源,使员工能够信任并验证答案。
• 复用他们现有的 SharePoint 文档库,而无需代价高昂的迁移。

为什么选择 Amazon Bedrock 托管知识库

IskayPet 之所以选择 Amazon Bedrock 托管知识库,是因为其托管式 RAG 基础设施免去了运行向量存储、嵌入或摄取管道的需要。主要原因是:

• 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 只需为其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 环境中摄取文档,避免了数据迁移。启用高级索引后,它还可以处理文档中嵌入图像的内容。
• 内置混合搜索: 以零额外成本结合语义搜索和关键词(BM25)搜索,可以检索到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: 检索到的段落会按相关性重新排序,不收取额外费用。
• 文档级访问控制: 知识库可以在检索时强制执行源系统自身的权限,因此查询只会返回请求用户已有权阅读的文档中的段落。这让 IskayPet 可以复用 SharePoint 权限,而无需重建授权模型。
• 模型灵活性: IskayPet 可以先使用经济高效的模型,之后无需重写基础设施即可更换模型。
• 原生 RAG 评估: 团队使用内置评估工具在每个步骤中测量质量。

解决方案概述

以下图表展示了端到端流程：从员工提出问题，经过具备权限感知的检索，到生成有依据、带引用的答案。

图1：解决方案架构

该解决方案是一个助手，员工通过其现有的渠道访问。当员工提出问题时，该助手会从其知识库中检索最相关的段落，且仅限于员工有权阅读的文档。然后，它会以员工的语言生成有依据、带引用的答案。

从高层来看，流程的工作方式如下：

1. 员工通过聊天界面提交一个自然语言问题。
2. 应用程序为所请求的助手调用知识库，传递员工的身份，以便在检索时应用文档级权限。
3. 知识库对已索引的内容运行混合搜索（语义和关键词），对结果进行重新排序，并返回最相关的段落及其来源引用。
4. 基础模型（FM）根据检索到的段落生成有依据的回答。提示词要求标注来源引用，并告知模型当答案不在检索内容中时应予以说明。
5. 员工收到答案以及源文档，并可以留下反馈（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 使用以下工具构建了整个解决方案，从面向门店的前端到 AWS 架构和服务部署， Kiro，即智能体开发环境，运行在 Amazon Bedrock 上的 Claude Haiku 4.5 之上。随着 Amazon Bedrock 上新模型的推出，IskayPet 计划针对每个用例进行评估并采用这些模型。

有关各 AWS 区域的模型可用性，请参阅 Amazon Bedrock 各 AWS 区域支持的模型.

• 面向门店的前端 – 团队使用 Kiro 构建了门店员工用来与助手交互的前端，并使用 Claude Haiku 4.5 生成和迭代 UI 代码。
• 架构与部署 – Kiro 还帮助设计了 AWS 架构并预置了解决方案背后的服务：知识库配置、数据源、AWS Identity and Access Management (IAM) 角色以及应用层。

使用 Kiro 和像 Claude Haiku 4.5 这样快速且具成本效益的模型的智能体工作流，帮助一个小团队快速从概念走向生产。这也保持了应用代码和基础设施的一致性与可维护性。

数据摄取：具有高级索引功能的 SharePoint 连接器

IskayPet 的文档原本就存放在 SharePoint 中，按区域和国家进行组织。团队没有迁移这些文档，而是使用了 Amazon Bedrock Managed Knowledge Bases 中的原生 SharePoint 连接器。

在数据源的 Advanced configurations（高级配置）中的 Content indexing（内容索引）和 Advanced indexing（高级索引）下，IskayPet 启用了 Visual content in documents（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。程序文档中的图表和扫描内容无需单独的预处理流水线即可变得可搜索。

该连接器进行增量同步，因此每次同步时都会捕获新增和更新的文档。

多国家、多区域架构

一个关键的设计决策是如何为四种语言、多个业务领域和三个国家构建知识结构。IskayPet 权衡了两种方法：

• 单一共享知识库，每个文档都按国家和区域打上标签，并对每个查询应用检索过滤器。这最大限度地复用了共享内容，但将所有领域耦合到一个索引中。
• 每个助手使用专用的知识库，各自限定于相关的 SharePoint 站点或文档库。这使每个知识体系在端到端上保持隔离，并允许独立调优每个助手。

IskayPet 选择了每个助手一个知识库。每个助手指向特定的 SharePoint 站点，并可通过包含路径进一步限定到特定的文档库或文件夹，因此它只索引预期的内容，而不是整个企业站点。添加新的区域或国家只需添加一个助手并将其指向相应的内容，而无需重新架构系统。

访问控制

访问由用户现有的 SharePoint 权限管理。助手不会授予任何新的访问权限：它只是让员工更方便地查询其本来就可以打开的文档。这在两个层面上起作用。

• 用户可以看到哪些助手 – 员工只会看到其有权阅读其底层文档的助手，无论该权限来自直接授权、组成员身份，还是对特定文件夹的访问。如果无法确认访问权限，助手将被隐藏而不是显示。
• 哪些文档为答案提供依据 – 在检索时会再次按文档执行访问控制：员工的身份被传递给知识库，知识库只返回该人有权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，因此同一个问题的相同答案在两个具有不同权限的员工之间可以合理地有所不同。

由于权限在每次访问检查时都从 SharePoint 读取，因此在 SharePoint 中撤销或授予访问权限会反映到助手中，而无需对应用程序进行任何更改。

检索和生成配置

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

• 分块 – 由托管式知识库处理，因此团队无需构建或调整分块流水线。这省去了在自管理 RAG 中通常需要大量运维投入的一个组件。
• 混合搜索 – 知识库结合了语义检索和关键词检索，这可以找回纯语义搜索可能遗漏的精确词项，例如产品编码。
• 结果数量 – 针对一个评估集进行了调优。助手会检索 25 个段落，在去除重复以及过短而无法提供上下文的片段后，最多将 15 个注入提示词中。这个数字是主要的成本杠杆，因为它会在每次提问时成倍增加输入 token。
• 生成提示词 – 强制使用企业语气，要求引用来源，并告知模型当答案不在检索内容中时进行说明，从而减少幻觉并增加可追溯性。

作为生产环境控制措施，团队正在添加 Amazon Bedrock Guardrails 以对生成的答案应用内容过滤和负责任的 AI 政策。

• 评估 – 使用原生的 Amazon Bedrock RAG 评估，将实际使用中的点赞和点踩反馈作为评估集，以衡量每次变更前后的质量。

生成响应

在答案生成方面，IskayPet 使用 Amazon Bedrock 上高性价比的基础模型。由于知识库将检索与生成解耦，IskayPet 可以在不改动摄入层或检索层的情况下切换或升级生成模型。这使团队能够在使用量增长时平衡成本与答案质量。

成本效率

知识库包含多模态解析、嵌入生成和重排序，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 token。在生产环境中，由于每次提示词中注入的段落，输入 token 是成本的主要部分。随着使用量增长，团队正在评估进一步的优化措施，包括对提示词中稳定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。

结果

在生产环境的头两个月左右时间里，IskayPet 取得了以下成果：

• 更快的答案 – 查找操作性答案的时间从 3–5 分钟缩短到约 7 秒。
• 更高的生产力 – 搜索流程和政策所花费的时间减少了约 95%。
• 规模 – 该解决方案预计每月可处理所有业务领域和国家约 100,000 次查询。

结论

IskayPet 在 Amazon Bedrock Managed Knowledge Bases 上构建了生产级企业知识助手，覆盖三个国家、四种语言和多个业务领域，且无需运行任何 RAG 基础设施。原生的 SharePoint 连接器复用了他们现有的存储库。每个助手使用专用的知识库，使其获得了干净的多国家设计，每个域从端到端完全隔离。托管式解析、嵌入和重排序将运营投入和成本都保持在较低水平。使用 Kiro 和 Claude Haiku 4.5 构建前端和 AWS 架构，使一个小团队得以快速进入生产环境。

如果您正面临类似的知识检索挑战，可以从 AWS Free Tier 开始，并在 Amazon Bedrock 控制台上构建您的第一个知识库。如需深入了解，请参阅以下资源，并针对您自己的文档试用 SharePoint 连接器和文档级访问控制。

欲了解更多信息，请参阅 Amazon Bedrock Managed Knowledge Base 和 使用 Amazon Bedrock 评估来评估 RAG 源的性能.

作者简介