新闻 · AWS Machine Learning Blog
借助 Amazon Nova 多模态嵌入和 Amazon Bedrock AgentCore 实现智能体化工程智能
了解如何构建一个多智能体工程助手，利用 Amazon Nova 多模态嵌入、Amazon Bedrock AgentCore 和 Strands Agents SDK，将航空航天部件替换评估从数天缩短到数分钟，同时汇集替换证据并让工程师继续担任决策者。
en
英文原标题：Agentic engineering intelligence with Amazon Nova Multimodal Embeddings and Amazon Bedrock AgentCore
本文为英文原文的机器翻译摘要，原文见：AWS Machine Learning Blog ↗
- 文章介绍如何用 Amazon Bedrock AgentCore、Amazon Nova Multimodal Embeddings 和开源 Strands Agents SDK 构建多智能体工程助手，减少零件替换评估中的人工交叉核对。
- 系统设计原则是工程师做所有决策，系统只负责汇集证据；LLM 用于路由和综合，确定性 Python 代码用于公差规则评分，保证结果可重复并进入正式评审。
- 架构包含规划器（Claude Haiku 5.5）路由到 Catalog、Evaluation、Knowledge 三个专家智能体（Claude Sonnet 5.5），多专家参与时由监督者（Claude Opus 5.5）综合结果。
- Nova Multimodal Embeddings 承担两个角色：多模态检索（文本和图表共享语义空间，支持图像查询）和候选零件照片的余弦相似度评分，辅助确定性规格比较。
- 系统生成论证备忘录和集成影响评估供工程评审，但不推荐或批准替换；每次评估写入符合 AS9100 8.4 和 8.5.6 的审计记录。
关键数据
- 示例数据集为虚构厂商 AnyCompany 的 7 个反作用轮，动量存储范围 0.003–5.0 Nms。
- 规划器使用 Claude Haiku 5.5，专家智能体使用 Claude Sonnet 5.5，监督者使用 Claude Opus 5.5。
- 需要 Python 3.10 或更高版本及 Jupyter；部署到 AgentCore runtime 需要 Docker。
- 代码示例为 GitHub 仓库中的 5 个独立 Jupyter notebook。
为什么值得看：它展示了如何将多模态检索与多智能体编排结合，在保持工程师最终决策权的前提下，把分散的零件替换证据整理成可审计的正式评审材料。