人工智能
DXC Technology 如何在 Amazon Bedrock 上构建多模型 AI 底座本文由 DXC Technology 的 Nick Tamburro 联合撰写。
当 AI 智能体能够在银行或医院的生产服务器上执行操作时,获得一个能力强大的基础模型只是起点。近期公开的多起事件中,自主智能体采取了其运营者从未预期的破坏性操作,这表明真正的风险很少仅来自模型本身。风险在于智能体掌握的权力超出了其任务所需,而架构中没有任何机制能够阻止它。要避免这种情况,首先需要一个在基础设施层面治理模型访问的底座。
Amazon Bedrock 提供了这一底座。通过单一托管接口,它让 DXC OASIS 能够访问多个基础模型:Anthropic Claude、 Amazon Nova、Meta Llama 以及开放权重模型系列。 Amazon Bedrock Guardrails 在所有模型上统一执行内容过滤、个人身份信息(PII)脱敏和禁止话题策略。 AWS PrivateLink 将推理流量保持在客户的虚拟私有云(VPC)内,而无服务器扩展则避免了将自管理 GPU 基础设施作为故障点。由于这些是系统级控制而非附加组件,它们为 DXC Technology 提供了一个受治理的基础,这是任何模型层都无法单独提供的:一个可信的管控框架,能够在企业 IT 运营中大规模地编排、治理和审计 AI 智能体。
模型可用性因 AWS 区域而异。请参阅 Amazon Bedrock 中按 AWS 区域支持的模型.
DXC Technology 为全球一些监管最严格的机构运行托管 IT 服务:银行、医院和政府机构。DXC 在 70 个国家拥有超过 115,000 名员工,运营着任务关键型系统,在这些系统中,韧性和治理不容妥协。当 DXC 着手构建 DXC OASIS——面向任务关键型 IT 运营的管控框架——时,团队将问题分为两层。第一层是构建在 Amazon Bedrock 上的受治理模型底座。第二层是构建在其上的可信管控框架:DXC 自己的编排、治理和保障层。
在本文中,我们探讨 DXC 如何在 Amazon Bedrock 上为 DXC OASIS 构建具有韧性、灵活的模型底座。我们还将展示 DXC 在底座提供的能力与管控框架必须提供的能力之间划定的界限。自 2026 年 3 月正式可用以来,DXC OASIS 在 56 个实测用例中将平均解决时间缩短了 95%。
在所有模型上,客户数据都保持在 AWS 数据边界内:提示词和补全内容不会与第三方模型提供商共享,也不会用于训练底层基础模型。
“我们的客户运营着复杂的业务关键型环境,在采用 AI 时需要兼顾选择和韧性。Amazon Bedrock 提供了对广泛模型生态系统的访问,并具备企业规模所需的治理、安全和运营控制。这种灵活性使我们能够为合适的任务使用合适的模型,随着技术演进进行调整,并专注于为客户交付可衡量的业务成果。”
— Dan Gray,DXC Technology GIS 总裁
解决方案概述
DXC OASIS 将“使用哪个模型”的问题与“工作如何完成”的问题分开。Amazon Bedrock 是底座:一个通往基础模型(FM)的受治理网关,可通过一致的 API 访问,并具备将流量保持在 AWS 边界内的安全和网络控制。管控框架是 DXC 在其上构建的一切:跨工具和系统的编排、源自 60 年运行手册和升级逻辑的运营上下文、策略执行、人工监督关卡,以及对每个智能体操作的完整可审计性。
设计目标是:
- 韧性:模型层没有单点故障。
- 灵活性:根据成本、延迟和能力将每个任务路由到最合适的模型。
- 监管主权:满足受监管租户的数据处理期望。
- 设计即安全:限定每个智能体可以做什么,确保任何具有运营影响的操作都必须经过策略检查,并在需要时获得人工批准。
DXC 针对的主要风险是将系统耦合到任何单一提供商、框架或部署目标。下图展示了 DXC OASIS 架构中的关键 AWS 服务。
工程师和运营人员通过 Amazon Route 53 和客户 Amazon Virtual Private Cloud(Amazon VPC). 内的 Application Load Balancer 访问系统。DXC OASIS 智能体运行时在私有子网中的 Amazon Elastic Kubernetes Service(Amazon EKS) 上运行。在那里,一个监督智能体将任务委派给能力智能体,这些能力智能体利用知识库、AWS Secrets Manager、Amazon EventBridge 和 Amazon Simple Storage Service(Amazon S3). 每次模型调用都通过 VPC 接口终端节点和 AWS PrivateLink 离开子网以访问 Amazon Bedrock,因此推理流量不会经过公共互联网。 AWS Identity and Access Management(AWS IAM), AWS Key Management Service(AWS KMS). TLS 1.2、Amazon CloudWatch、VPC Flow Logs、AWS CloudTrail 和 OpenTelemetry 在每一层提供安全和可观测性。
图 1:AWS 上的 DXC OASIS 架构
构建 DXC OASIS 底座
DXC 于 2025 年初开始将 DXC OASIS 作为原型构建。一个跨职能团队于 2026 年 3 月实现正式可用,并借助按租户命名空间和 GitOps 部署,在 Amazon EKS 上扩展到 130 个客户环境。构建底座涉及以下任务:
- 通过 Amazon Bedrock 建立受治理的多模型访问。
- 将韧性设计到架构的每一层。
- 将每个工作负载路由到最合适的模型。
- 划定底座与管控框架之间的界限。
通过 Amazon Bedrock 建立受治理的多模型访问
DXC OASIS 使用的每一个模型(Anthropic Claude、Amazon Nova、Meta Llama 以及开放权重模型系列)都通过 Amazon Bedrock 模型推理访问。因此,提供商服务中断或弃用就变成了一项路由决策,而不是系统重建。然而,统一访问并不等同于统一行为:各模型在能力、响应风格和故障模式上存在差异。用一个模型替换另一个模型,既是一项路由变更,也是一项保障活动。在模型进入生产路由之前,由管控框架(而非 API)依据 DXC OASIS 任务套件对其进行评估。更多信息,请参阅 Amazon Bedrock 入门.
将韧性设计到每一层
DXC OASIS 中的韧性并非单一控制措施,而是多项措施的叠加。下表概述了各项韧性控制措施及其对 DXC OASIS 的作用。
| 韧性控制措施 | 其对 DXC OASIS 的作用 |
| 无单一提供商依赖 | 每个模型都通过 Amazon Bedrock 模型推理访问。提供商服务中断或弃用只是一项路由决策,而非系统重建,管控框架会在切换上线前确保各模型之间的行为差异得到保障。 |
| 无服务器模型层 | Amazon Bedrock 为无服务器架构,Amazon EKS 控制平面由 AWS 托管,从而消除了单点故障。 |
| 影响范围遏制 | 无论使用何种模型,Amazon Bedrock Guardrails 都会一致地应用内容过滤器、禁止话题、PII 过滤器和上下文控制,从而遏制任何单一故障的影响范围。 |
| 私有加密路径 | Amazon VPC 和 AWS PrivateLink 使模型流量不经过公共互联网。传输中采用 TLS 1.2,静态数据由 AWS KMS 保护。 |
| 弹性容量 | Amazon EKS 自动扩缩容配合按租户命名空间,使新租户的接入成为一项容量规划工作。 |
除韧性之外,DXC OASIS 还解决了数据驻留和主权问题。区域推理控制和 AWS PrivateLink 使推理保持在经批准的 AWS 区域内,且不经过公共互联网,满足受监管租户的数据处理期望。
将每个工作负载路由到最合适的模型
DXC 基于 Amazon Bedrock 构建的战略原因在于可选性。由于每个模型都位于同一 API 之后,团队可以根据成本、延迟和能力将每项任务路由到最合适的模型,并在新的前沿模型出现时加以采用,而无需重新改造系统。
将模型选择作为工作负载决策
每项任务的能力、延迟和成本要求决定其使用哪个模型,而非系统约束。
智能提示词路由 – 单一无服务器端点可预测响应质量,并在同一模型系列内的模型之间路由请求。它将较简单的提示词发送到成本较低的模型,将复杂推理发送到能力更强的模型。提示词缓存进一步降低延迟和成本。更多信息,请参阅 Amazon Bedrock 文档中的 智能提示词路由 。
自定义模型导入 – 借助 自定义模型导入,相同的治理和工具可扩展到 DXC 或其客户自行引入的模型。
开放与闭源模型并用
Amazon Bedrock 在专有模型之外还支持开放权重模型,因此 DXC 可以将前沿推理与客户能够在一套护栏下调整和部署的开放权重模型搭配使用。
划定底座与管控框架之间的界限
每个企业智能体都需要六项能力。有些是 Amazon Bedrock 直接提供的底座能力。另一些则只有管控框架才能提供,因为它们依赖于 DXC 的运营背景和问责模式。这一界限也是智能体安全成败的关键所在。对模型输入和输出的护栏是必要的,但只有管控框架才能限制智能体被允许做什么。下表划定了这一界限。
| 能力 | Bedrock 提供的内容 | 管控框架增加的内容 |
| 编排 | 管控框架调用、封装或扩展的基础服务层。 | 基于开源 LangGraph 运行时构建的、跨工具、系统和多步骤工作流的监督者与能力智能体委派。 |
| 上下文 | 知识库基础设施和用于检索的提示词缓存。 | 60 年的运行手册、升级逻辑和实时 IT 服务管理(ITSM)数据。 |
| 治理 | AWS IAM、区域推理控制和租户隔离的模型访问。 | 按请求执行策略、基于角色的授权和字段级约束。 |
| 护栏 | Amazon Bedrock Guardrails:内容过滤器、禁止话题、PII 过滤器。 | 在底座过滤器之上执行运营策略:分层知识体系、有范围且可审计的智能体角色,以及关于智能体可对哪些对象采取行动的客户特定规则。 |
| 人工监督 | 不是底座功能。 | 四个权限层级(观察、提议、经批准后行动、在范围内行动),每个角色均从只读开始,外加审批关卡和升级路径。 |
| 保障 | 加密、可审计的基础设施和 VPC Flow Logs。 | 为每个操作提供 OpenTelemetry 追踪,每个操作都有唯一的执行 ID,从而实现从意图到行动的端到端可追溯性。 |
工作负载如何流经 DXC OASIS
为使架构具体化,以下用例来自 DXC OASIS 演示环境。该环境围绕 AnyCompany Airlines 构建,这是一家虚构的中型航空公司,运行混合的本地和 AWS 资产。
- 事件解决: 诊断并修复一台处于风险中的生产服务器,从告警到解决在 10 分钟内完成。
- 问题管理: ITSM 智能体对前五大事件类别进行排名,并建议如何减少每一类,这项工作手动完成需要 2–3 小时。
- 云成本分析: 对于 AWS 云工程师,Metrics 智能体按服务和区域分解 90 天的成本趋势,然后按需调查支出峰值。
事件解决工作流展示了底座和管控框架如何协同工作:
- 以业务术语呈现告警 – 一个运行手册未能清除 FlightOps 服务器上的磁盘空间。CIO 将该告警视为业务风险:航班运营调度可能在 4 小时内受到影响。与此同时,Linux 工程师看到同一告警,并附带采取行动所需的技术细节。
- 规划与委派—— 工程师从仪表盘小组件打开 AI Assist,该指标作为上下文带入聊天。一个监督智能体将请求拆解为计划,并委派给能力智能体(DXC OASIS Metrics、Linux System 和 ITSM),所有模型调用均通过 Amazon Bedrock 进行。
- 有依据的诊断—— DXC OASIS Metrics 智能体确认服务器已占用 99%,并引用其答案背后的知识库文章。Linux System 智能体将问题追溯到一个 5 GB 的临时文件。
- 人工审批—— 智能体展示其完整执行计划,在工程师确认之前不会执行任何操作。在此工作流中,智能体运行于“经批准后行动”层级:它可以自由诊断,但未经明确且记录在案的批准,不能更改生产服务器。
- 受治理的执行—— 修复操作执行,DXC OASIS 记录执行了什么、在哪台服务器上、由谁批准以及何时批准。审计追踪来自管控框架,而非智能体对自身行为的自述。
- 学习与观察—— 工程师可以将对话转化为知识文章草稿。Query Metrics 视图显示智能体时间线、委派流程以及答案背后的 token 使用情况。
成果
自 2026 年 3 月正式可用以来,DXC OASIS 智能体现已服务 12 个运营角色,涵盖 Linux、Windows、SAP、虚拟化、备份与补丁、AWS、Azure 和网络运营。在 56 个实测用例中,DXC OASIS 将平均解决时间缩短了 95%。下表展示了代表性测量结果。
| 任务 | 之前 | 之后 | 节省时间 |
| 文件系统事件 | 53–90 分钟 | 3–6 分钟 | ~89–97% |
| 数据库性能事件 | 2–3 小时 | 5–12 分钟 | ~90–97% |
| 云策略验证 | 4–8 小时 | 15–30 分钟 | ~88–97% |
| 补丁验证 | 45–90 分钟 | 5–10 分钟 | ~85–90% |
| 复杂问题管理 | 2–6 天 | 8–10 分钟 | ~99% |
诊断准确率达到 92% 或更高,并已对照资深工程师的判断进行验证。
经验教训与下一步
四项架构决策被证明最有价值:
将模型选择与编排分离
通过将模型选择、编排框架和部署目标作为独立决策,DXC 避免了在某一层演进时重新平台化。
复合韧性控制
没有任何单一控制能让系统具备韧性。无服务器基础设施、模型层护栏、私有网络和人工监督关卡的组合,构建了纵深防御。
明确划定底座与管控框架的界线
明确云平台提供什么与你必须构建什么,既能避免工程不足(信任模型自我治理),也能避免过度工程(重建底座已提供的能力)。
在扩展自主性之前先限定它。每个 DXC OASIS 角色都从只读开始,更广泛的权限按层级逐一审慎授予。将自主性视为按任务授予而非默认拥有,正是 DXC 能够放心地将智能体置于生产系统之前的原因。
在扩展自主性之前先限定它
每个 DXC OASIS 角色都从只读开始,更广泛的权限按层级逐一审慎授予。将自主性视为按任务授予而非默认拥有,正是 DXC 能够放心地将智能体置于生产系统之前的原因。
展望未来,DXC 正在评估 Amazon Bedrock AgentCore 与当前编排层并行使用,并随着新的前沿模型通过 Amazon Bedrock 提供,将系统扩展以支持更多受监管工作负载。
结论
在本文中,我们展示了 DXC Technology 如何在 Amazon Bedrock 上构建 DXC OASIS——面向关键任务 IT 运营的管控框架——并运行于受治理的多模型底座之上。将模型推理与运营编排分离,从一开始就将韧性、灵活性和监管合规性构建到架构中。回报是可衡量的:在 56 个实测用例中,平均解决时间缩短了 95%。对于构建自有智能体系统的团队而言,经验教训是将底座(Amazon Bedrock 提供的部分)与管控框架(你在其上构建的部分)视为独立层次。尽早确定哪些能力属于哪一层。随着对自主 AI 的审视日益加强,这条清晰的界线,连同有边界、可审计的智能体权限,正是系统能够大规模赢得信任的关键。
要开始使用 Amazon Bedrock 上的多模型架构,请参阅 Amazon Bedrock 用户指南. 要了解更多关于 DXC OASIS 如何将此架构应用于企业 IT 运营的信息,请联系 DXC Technology。