人工智能

Gen Digital 如何借助 Amazon Bedrock AgentCore Web Search 为 Norton Revamp 构建 AI 策展新闻引擎

你的职业声誉如今首先存在于线上。招聘人员会先查看 LinkedIn，再回电话。客户会在预约首次会面之前审视你的数字形象。对于有抱负的专业人士而言，这种转变是一种机遇：精心打造的线上声音能够打开仅凭一份简历永远无法开启的大门。

但脱颖而出需要的不仅仅是内容生成。它需要对当下正在发生的事情具备实时感知。一位正在树立生成式 AI 思想领袖声誉的专业人士，需要回应当今的突破，而不是上周的头条新闻。而且，在信息流被 AI 生成的噪音淹没的情况下，受众比以往任何时候都更看重真实性和时效性。

Amazon Bedrock AgentCore 上的 Web Search 让这一切成为可能。我们构建了 Norton Revamp，一个由生成式 AI 驱动的职业声誉管理平台。其核心是一个 AI 策展新闻引擎，由 AgentCore Web Search 提供支持，将每一条内容建议、目标推荐和新闻流条目都建立在当前、可引用的网络知识之上。该平台于 2026 年 3 月上线，由一小群工程师构建。

在本文中，我们将展示 Gen 团队如何利用 Amazon Bedrock AgentCore Web Search 在 Norton Revamp 中构建 AI 策展新闻引擎，帮助客户将想法转化为引人入胜的社交媒体帖子。

挑战：为专业内容提供实时依据

与依赖静态知识库的聊天机器人不同，Norton Revamp 需要了解每位用户专业领域中 当下 的热门话题。网络安全专家需要今天的威胁情报。营销负责人需要本周的行业动态。传统方法（自定义网络爬虫、第三方新闻 API、静态内容数据库）各有取舍：基础设施开销、数据陈旧、供应商复杂性或数据外泄风险。

在选择 AgentCore Web Search 之前，我们评估了三种替代方案。自定义爬虫需要持续维护且滞后于实时。第三方新闻 API 增加了供应商合同、API 密钥管理，以及数据离开我们 AWS 环境的问题。静态知识库则永远陈旧。AgentCore Web Search 消除了这些顾虑。它完全托管，零基础设施开销，完全在 AWS 内运行，零数据外泄，并返回带有 URL 和发布日期的引用来源。这使得个性化、实时的新闻流能够大规模可行。

AgentCore Web Search 如何为 Norton Revamp 提供支持

Amazon Bedrock AgentCore 上的 Web Search 是一项完全托管的网络搜索能力，兼容模型上下文协议（MCP）。它作为 AgentCore Gateway（Amazon Bedrock AgentCore 的一项能力）上的托管连接器提供。我们的代理发送自然语言查询，Web Search 返回相关片段、来源 URL、标题和发布日期，模型据此生成有依据的回复。

这项能力支撑三个核心功能：

AI 策展新闻流

每位用户都会获得个性化的内容流，呈现与其目标相关的最新文章和热门话题。如果你正在树立生成式 AI 思想领袖的声誉，你的信息流会优先呈现 AI 突破、行业分析和新兴用例，并通过 AgentCore Web Search 实时获取。与静态 RSS 聚合器不同，该信息流是一个目标感知的发现引擎，每次会话都会刷新。

智能内容建议

用户会收到针对其领域热门话题量身定制的 AI 生成内容创意，以他们自己真实的声音撰写，并可选配 AI 生成的视觉内容。AgentCore Web Search 将每条建议建立在 当下正在发生的事情之上。三步辅导流程（分析、优化、发布）引导用户从初步想法到在 LinkedIn 和 X 上发布内容，并配有反馈循环，使 AI 在每次迭代中变得更加精准。

趋势感知的目标设定

用户定义一个目标。AI 会构建一份包含每周主题和里程碑的个性化路线图。AgentCore Web Search 将实时趋势数据输入目标生成过程，使每周主题反映当前的行业动向。系统会从过去四周的活动数据中学习，并随着用户的成长刷新建议。

架构与技术栈

Event-driven News Engine architecture showing Amazon Nova, AgentCore Web Search, and the AI Learning System grounding content generation

图 1：Norton Revamp 新闻引擎的事件驱动架构

该集成遵循事件驱动架构。当用户设定或更新其职业目标时，Amazon Nova（通过 Amazon Bedrock）会根据目标、近期活动和互动模式生成有针对性的搜索查询。代理将这些查询发送至 AgentCore Web Search，后者完全在我们的 AWS 环境内返回带引用的结果。我们的 AI 学习系统按相关性、时效性和来源可信度对结果进行排序。排序后的结果随后作为依据上下文，供 Amazon Nova Lite 以用户真实的声音生成内容建议。互动数据反馈到查询生成中，使新闻引擎逐步变得更加智能。

生成式 AI 与机器学习技术栈：

  1. Amazon Bedrock – 用于内容生成、个性化、帖子分析（批处理模式）和内容辅导的核心生成式 AI 引擎。
  2. Amazon Nova（Nova Lite） – 驱动内容生成、目标创建和趋势分析的主要大语言模型（LLM）。
  3. Amazon Bedrock AgentCore 上的 Web Search – 通过兼容 MCP 的托管连接器，为新闻引擎、内容依据和趋势发现提供实时网络检索。
  4. Stability AI – 图像生成。
  5. Claude（通过 Amazon Bedrock） – 用于复杂推理任务的额外 LLM 能力。

基础设施： 前端采用 React、TypeScript 和 Tailwind CSS。后端采用 Node.js、Amazon Elastic Container Service (Amazon ECS)、AWS Lambda、Amazon DynamoDB（多表，采用复合键模式）、Amazon API Gateway、Amazon Simple Storage Service (Amazon S3)、Amazon Simple Queue Service (Amazon SQS)、Amazon EventBridge、Amazon CloudFront、Amazon CloudWatch 和 AWS Secrets Manager。基础设施通过 Terraform 管理，采用蓝绿部署实现零停机发布。

处理流水线： 该平台运行四个流水线阶段：

  1. 全量扫描 – 拉取最多 1,000 条历史帖子，存储到 Amazon S3，运行 Amazon Bedrock 批量分析以评估声誉影响。
  2. 每日扫描 – 由 Amazon EventBridge 触发的增量分析。
  3. 每周目标生成 – Lambda 结合过往互动数据以及来自 AgentCore Web Search 的实时趋势数据生成目标。
  4. 内容辅导 – 通过 Analyze、Refine、Post 流程进行同步 Amazon Bedrock 调用，每一步都以 AgentCore Web Search 的结果为依据。

以 AI 原生开发思维开展工程

我们从第一天起就嵌入了生成式 AI，它既是产品，也是开发方法。人机职责划分是刻意为之的：由人类负责架构决策、安全审查、业务逻辑和个性化算法。AI 负责代码生成、文档编写、测试脚手架搭建、重构和 UI 组件创建。

借助 Claude，我们为每个概念产出 10 个或更多设计变体，将设计到原型的时间从数周压缩到数小时，并用 AI 生成了 70% 的 UI 代码。我们在过去测试一个定价模型所需的时间内测试了五个定价模型。游戏化系统在发布前经历了八次迭代。

可衡量的影响：功能实现速度提升 3 倍，样板代码生成加速 90%，文档编写加速 80%，测试创建加速 70%，UI 组件生成加速 65%。代价是：AI 输出审查占用了我们 20–30% 的时间。

AI 在个性化算法、DynamoDB 多表架构（这需要基于经验的判断）、安全实现以及 Amazon Bedrock 批处理优化方面提供了帮助。关键洞察是：AI 加速了实现，但由人类设计 AI 学习系统应如何适应用户目标。产品中的生成式 AI（Amazon Bedrock、Amazon Nova、AgentCore Web Search）与开发中的生成式 AI 用途不同，我们将二者保持分离。

测试、安全与质量保证

我们通过自动化测试生成实现了 85% 的代码覆盖率。关键测试领域包括内容生成质量、AgentCore Web Search 结果相关性与时效性验证、互动跟踪准确性、游戏化逻辑，以及新闻流与用户目标的相关性。

对于承载 Norton 品牌的产品，合规不容妥协。安全检查涵盖静态代码分析、依赖漏洞扫描、身份验证流程、用户数据加密、访问控制逻辑、生成式 AI 模型输出验证和内容过滤。我们的安全团队审查了所有 AI 生成的建议：AI 加速了识别，人类做出最终决定。

结果是：自发布以来正常运行时间达 99.9%，并对生成式 AI 内容质量和用户满意度进行实时监控。

AgentCore Web Search 集成的最佳实践

对于考虑使用 AgentCore Web Search 实现实时依据的团队：

  1. 在查询生成上投入 – 结构良好的查询比开放式查询能产生更好的结果，因此我们将提示工程的重点放在这里。
  2. 策略性缓存 – 实时时效性是关键，但有些查询不需要在每个会话中重新执行。我们缓存结果，并设置与时效性要求相匹配的生存时间（TTL）值。
  3. 构建反馈循环 – 跟踪用户与哪些网络搜索结果互动，并将该信号反馈到查询生成中。我们新闻引擎的相关性在最初 90 天内不断提升。
  4. 验证来源质量 – AgentCore Web Search 返回来源 URL 和发布日期。我们构建了一个轻量级的可信度评分层，以优先考虑权威来源。

结论

构建 Norton Revamp 证明，一支小规模、由生成式 AI 增强的团队可以在数月内交付企业级软件。它还证明，Amazon Bedrock AgentCore 上的 Web Search 可以作为需要紧跟世界的产品的实时智能骨干。

我们在数月内推出了一个生成式 AI 原生的专业声誉管理平台，具备个性化目标设定、AI 驱动的内容建议、由 AgentCore Web Search 提供依据的实时精选新闻流、自适应学习、游戏化以及 Norton 级安全。一小群工程师实现了 99.9% 的正常运行时间。

生成式 AI 不会取代工程师，而是放大他们的能力。将这种放大与 AgentCore Web Search 等全托管服务相结合，可以消除整类基础设施复杂性。人类设计了愿景。通过 Amazon Bedrock、Amazon Nova 和 AgentCore Web Search 实现的生成式 AI 加速了将其变为现实，并以实时、可引用的网络知识为依据。

“Amazon Bedrock AgentCore 上的 Web Search 消除了构建和维护自有网络检索基础设施的复杂性。它让我们的 Norton Revamp 新闻引擎能够提供实时、个性化的内容，这些内容以每位用户专业领域内正在发生的事情为依据，且零数据外泄并具备 Norton 级隐私保护。我们在数月内从概念走向生产，AgentCore Web Search 是关键推动因素。”

要了解更多关于 Amazon Bedrock AgentCore 上的 Web Search 的信息，请访问 AgentCore 文档. 查看 Norton Revamp.

关于作者