人工智能
利用可复用资产加速生成式 AI 交付如果你正在构建生成式 AI 解决方案,可复用资产可以帮助你避免重复构建已经存在的组件:检索增强生成(RAG)流水线、文档处理器、智能体脚手架等等。这会带来累积成本:无法把时间花在解决客户的实际问题上。
本文介绍如何访问来自 AWS 生成式 AI 创新中心(现已成为 AWS Frontier AI Engineering & Services 的一部分)的精选目录,其中包含 23 个生产级资产。这些资产可以将你的开发时间从数月缩短到数周,并有来自以下公司的证据: DoorDash, Lyft、以及 Ricoh.
自2023年以来,AWS生成式AI创新中心已发布开源可复用资产。这些生产级构建模块为你提供了一个经过验证的基础,让你无需从空白文件开始。这些资产已为多个客户解决方案提供支持,并带来了可衡量的成果:测试容量提升50倍、工程工时减少90%、部署周期从数月压缩至数周。在本文中,你将了解为什么团队会反复重建生成式AI组件、是什么让资产真正可复用、DoorDash和Ricoh等公司如何通过使用这些资产取得可衡量的成果,以及如何从目录中访问和部署23个开源资产。有关所有可用资产的完整列表,请参阅本文末尾的资产目录。
问题:为什么团队会反复重建
三个根本原因导致生成式AI团队之间的重复开发:
- 缺乏单一可信来源 ——资产分散在代码仓库、wiki和网盘中。构建者找不到已有的内容,因此只能从零重建。
- 缺乏质量信号 ——如果无法验证生产就绪性、安全审查或维护状态,构建者就无从信任现有解决方案,只能默认自己编写代码。
- 缺乏复用文化 ——共享仍是非正式且缺乏治理的。一个团队构建的东西只留在该团队内部,问题被反复解决。
重建的成本会不断累积。每一次重复构建都会消耗工程工时、延迟客户交付,并带来维护负担。即便是 AI 生成的代码,也需要经过生产环境加固、安全审查、大规模测试和持续维护。而这些资产在交付时已经过验证、安全审查并达到生产级标准,从而免去了上述验证负担。当团队最终进入生产阶段时,他们已经花费数周时间在那些本应从第一天起就可复用的、非差异化的繁重工作上。AWS Frontier AI Engineering & Services 通过可复用资产解决了这一挑战。
可复用资产究竟是什么
可复用资产不是代码片段或示例。它是一个生产级、可组合的构建模块,实现了一项独立的生成式 AI 能力。可复用资产在发布前会经过质量和安全验证。它们包含清晰的部署指南以便于发现,并经过埋点以跟踪在客户项目中的采用情况。这些资产在其整个生命周期内都得到维护。
目录中的示例包括 RAG 流水线组件、文档摄取模块、智能体脚手架模板、评估框架和提示词管理模式。这些资产在生产环境中经过测试、接受安全合规审查,并根据真实客户反馈不断改进。
这就是一次性产物与可信赖构建模块之间的区别。
真实成果:客户成功案例
可复用资产的价值并非理论上的。以下是团队在经过验证的基础上构建、而非从零开始时会发生的情况。
联络中心生成式AI智能体:DoorDash与Lyft
根据AWS案例研究, DoorDash 使用 联络中心生成式AI智能体 资产构建了一套完全语音操作的自助式生成式AI联络中心解决方案。据报道,该解决方案每天处理超过10万通电话,响应延迟为2.5秒,测试容量提升了50倍。使用 Amazon Bedrock 将开发时间缩短了50%。团队在2个月内达到了实际测试就绪状态。
Lyft 使用了相同的 联络中心生成式AI智能体 资产,为乘客和司机将智能体AI变为现实,展示了该资产在不同客户互动模式下的多用途性。
联络中心生成式AI智能体为文本和语音渠道提供自动问答能力。它采用RAG架构,在保持上下文的同时促进多轮对话。该解决方案与 Amazon Connect 集成,并使用 Amazon Bedrock Knowledge Bases,一项完全托管的 RAG 能力,用于混合搜索和元数据过滤。
了解更多:
生成式AI智能文档处理:Ricoh
Ricoh 服务于大型健康保险支付方、管理式医疗组织和医疗服务提供方。这些客户每月处理数十万份关键文档,包括保险理赔、申诉、上诉和临床记录。随着 Ricoh 扩大规模以服务更多医疗客户,他们需要一种标准化的多租户文档处理方法。该方法必须能够接入新的实施,而无需为每一个实施进行独特的开发和调优。
以 Accelerated Intelligent Document Processing on AWS 资产为基础,Ricoh 构建了一套标准化的多租户解决方案,用于自动化文档分类和提取。这将其文档处理从定制工程的瓶颈转变为可扩展、可重复的服务。
成果:正如已发布的案例研究中所记录的那样, Ricoh 实现了 7 倍的吞吐量提升,从每月 10,000–70,000 份文档。每次部署的工程工时下降了 90% 以上(从 80 小时降至 5 小时以下)。接入时间从 4–6 周缩短至 2–3 天。该系统现在在流量高峰期间可在几分钟内处理 1,000 份文档,每年可节省超过 1,900 个潜在人工工时。
GenAI IDP Accelerator 在 这篇 2025 年博客文章,是一个基于 AWS 服务的可扩展、无服务器解决方案,用于自动化文档处理和信息提取。该系统将光学字符识别(OCR)与生成式 AI 相结合,可大规模地将非结构化文档转换为结构化数据。AWS Frontier AI Engineering & Services 也持续维护这些资产。
了解更多:
- 博客文章: AWS GenAI 智能文档处理(IDP)加速器
- 博客文章: Ricoh 如何在 AWS 上构建可扩展的智能文档处理解决方案.
- 源代码: accelerated-intelligent-document-processing-on-aws
新资产:构建智能体 AI 的未来
随着团队将重心从基础设施转向业务逻辑,可复用资产变得更有价值。最近发布的两项资产展示了可复用的构建模块如何加速下一代智能体应用的开发。
全栈 AgentCore 解决方案模板(FAST)
全栈 AgentCore 解决方案模板(FAST) 是一个入门项目仓库。借助 FAST,你可以快速部署一个安全的 React 前端,并将其连接到 Amazon Bedrock AgentCore——这是一个可使用任意框架或模型大规模构建、连接和优化智能体的平台。在此实现中,FAST 使用基于 React 的前端以及 AgentCore 的托管基础设施,将全栈智能体应用的构建时间从数周缩短至数天。
FAST 使用基础设施即代码(IaC)在 30 分钟内完成部署,并内置了与 AgentCore 记忆(Amazon Bedrock AgentCore 的一项能力)以及 Gateway、Code Interpreter 和 Observability 的集成。身份验证使用 Amazon Cognito,并按企业安全最佳实践进行配置;该模板专为 AI 辅助开发而设计,配有详尽的文档和引导文档。
借助 FAST,你可以获得完整的参考架构,了解各个组件如何集成,并得到一个可运行的全栈应用,供你学习和在此基础上构建。得益于模块化设计,你可以随着需求变化替换主要组件(身份提供商、前端框架、托管解决方案或智能体框架)。
了解更多:
智能体聊天机器人加速器
该 智能体聊天机器人加速器 是一个 Web 应用部署解决方案,使用 AWS 云开发工具包(AWS CDK)实现基础设施即代码,以便你创建智能体聊天机器人。该解决方案基于 Strands Agents 和 Amazon Bedrock AgentCore 构建,可简化智能体聊天机器人应用的开发流程。
该加速器通过 AWS CDK 实现快速部署,并借助 Strands Agents 和 Amazon Bedrock AgentCore 实现可扩展的智能体运行时管理。它可配置、可扩展,适用于多种聊天机器人用例,内置了身份验证、托管和扩展的预配置模式,并已在客户部署中得到验证。
了解更多:
演练:使用库中的资产
下面我们通过一个具体示例,演示如何选择并使用开源目录中的 Contact Center GenAI Agent 资产。 Contact Center GenAI Agent 资产。
前提条件
要跟随本演练操作,你需要:
- 一个具有创建 AWS CloudFormation 堆栈、Amazon Connect 实例、Amazon Bedrock 资源和 Amazon Quick Sight 控制面板权限的 AWS 账户。
- 已安装并配置好 AWS 命令行界面(AWS CLI),并具备适当的凭证。
- 一个 Amazon Connect 实例(或创建该实例的权限)。
- 在 Amazon Bedrock 上访问 Anthropic Claude Sonnet 和 Anthropic Claude Haiku。
- 用于验证测试的 Jupyter notebook 环境。
场景
你正在构建一个客户支持解决方案,它需要同时处理语音和文本交互,使用公司知识库回答问题,并将复杂问题升级给人工坐席。
查找该资产
导航到 Contact Center GenAI Agent 。README 清晰概述了功能、架构和部署步骤。下图展示了 Contact Center GenAI Agent 的解决方案架构。
图 1:Contact Center GenAI Agent 的解决方案架构
评估该资产
该资产包含经过安全审查的代码,具备 AWS CDK 基础设施即代码、与 Amazon Connect 集成以实现语音和聊天功能,以及用于问答的 Amazon Bedrock Knowledge Bases(一项完全托管的 RAG 能力)。此外还内置了自动化测试框架和对话分析控制面板。
负责任的 AI 控制是架构中不可或缺的组成部分。Amazon Bedrock Guardrails 实施生产级安全控制,包括幻觉检测、内容过滤和主题级边界,确保智能体从第一天起就在既定的安全参数范围内运行。
该仓库显示出活跃的维护状态、全面的文档,以及指向 DoorDash、Lyft 等客户成功案例的链接,这些案例验证了其生产就绪性。
部署该解决方案
部署过程分为四个步骤:
- 克隆仓库并安装依赖项。
- 部署两个 AWS CloudFormation 模板:一个用于知识库堆栈,一个用于 RAG 解决方案堆栈。
- 使用仓库中包含的预构建联系流程与 Amazon Connect 集成。
- 使用随附的 Jupyter notebook 验证部署。
完整流程耗时不到一小时。该解决方案还包含一个 Amazon Quick Sight 仪表板,用于实时对话分析。
有关详细的部署说明和先决条件,请参阅 部署指南.
清理
为避免产生持续费用,请删除本演练过程中创建的资源。该部署使用两个 AWS CloudFormation 堆栈,因此删除需按相反顺序进行:
- 从 AWS CloudFormation 控制台中删除 RAG 解决方案堆栈。
- 从 AWS CloudFormation 控制台中删除知识库堆栈。
- 删除集成过程中创建的 Amazon Connect 联系流程。
- 删除 Amazon Quick Sight 仪表板及任何关联的 SPICE 数据集。
- 有关详细的清理说明,请参阅 部署指南.
结果
无需花费数周时间从零构建联络中心解决方案,你可以在几天内部署一个经过安全审查和测试的基础框架。你的团队则可以专注于定制知识库、针对自身领域优化提示词,以及与现有系统集成。这才是能够让你的解决方案脱颖而出的高价值工作。
可节省的时间: 4–6 周开发时间
你转而应重点关注: 领域特定定制、提示词工程、业务逻辑集成
访问 AWS 生成式 AI 创新中心的开源资产
你可以在 GitHub 和 AWS Labs 上以开源形式访问 23 个可复用资产。每个资产都包含部署指南、示例代码和文档,帮助你快速上手。
文档处理与提取
- GenAI 智能文档处理(GenAIDP) ——可扩展的无服务器自动化文档处理解决方案。
- 多语言文档处理器(MDP) ——将复杂的多模态文档转换为结构化文本。
- 使用生成式 AI 的智能文档处理 ——从自定义文档中提取信息。
- 从复杂文档中提取信息 ——文档提取实操工作坊。
- 半结构化文档自动预标注工具 – 为 Amazon Comprehend 自动执行预标注。
联络中心与语音
- 联络中心 GenAI 智能体 – 面向语音和文本渠道的自动化问答。
- 带坐席辅助的实时通话分析(LCA) ——面向客户和坐席语音通话的实时生成式 AI。
- 联络中心:通话后分析(PCA) —— 对通话后录音进行生成式 AI 分析。
- 实时会议助手(LMA) ——从基于浏览器的会议中捕获音频,并进行转录和洞察分析。
- 录音语音洞察提取 Web 应用(ReVIEW) – 上传录音并使用生成式 AI 回答问题。
智能体 AI 与聊天机器人
- 全栈 AgentCore 解决方案模板(FAST) – 部署带有 AgentCore 后端的安全 React 前端。
- 智能体聊天机器人加速器 ——面向智能体聊天机器人的 Web 应用部署。
- 时尚助手智能体 ——基于 Amazon Titan、在 Amazon Bedrock AgentCore 上构建的时尚助手。
- 自然语言数据库智能体 ——使用 LangGraph 以自然语言查询数据库。
RAG 与知识库
- 使用 Terraform 部署 Amazon Bedrock 知识库 —— 知识库的基础设施即代码。
- 利用用户来改进 RAG 用例中的智能体 —— 用于对话式 RAG 的自定义 LangChain 工具。
- 重排序器微调与部署 – 微调 BAAI BGE 重排序器以改进检索。
- Amazon MemoryDB 中的持久语义缓存 ——面向 GenAI 应用的持久语义缓存。
开发与迁移
- C 到 Java 代码转换 ——面向遗留代码迁移的智能体工作流。
- OpenAI 迁移框架 ——面向大语言模型(LLM)迁移的系统化框架。
- 微调 ModernBERT 用于意图分类 – 创建智能 LLM 路由系统。
基础设施与运维
- Bedrock 日志记录自动化 – 为 Amazon Bedrock 自动化日志记录设置。
- 数据分析师 BI ——面向非专家的 AI 驱动商业智能工具。
要开始使用:
- 从前面列出的资产中选择一个。
- 查看 README 和部署指南,了解与你的用例相关的资产。
- 克隆仓库并按照部署说明操作。
- 根据您的具体需求定制该资产。
- 联系 AWS Frontier AI Engineering & Services 团队以获取咨询支持。
结论
重建成本是真实存在的,而且会不断累积。当团队重建 RAG 流水线、重新编写文档处理逻辑或从零开始时,这些时间会累积成工程工时,而这些工时本可以用来解决实际的客户问题。
一个经过精心策划并验证的资产目录改变了生成式 AI 交付的经济性。它并非替你完成工作,而是确保你不会重复做已经完成的工作。自 2023 年以来发布的 23 个开源资产代表了数千个工程小时、数十次客户合作以及无数经验教训。它们被打包成你今天就可以部署的构建模块。
这些资产是开源的。部署指南内容全面。客户的成功案例真实可信。从一项与你当前挑战相匹配的资产开始。如需专家协助,请联系 AWS 生成式 AI 创新中心.