IskayPet 如何用 Amazon Bedrock Managed Knowledge Bases 统一企业知识库

IskayPet 的办公团队曾面临一个知识获取难题。日常运营问题的答案，例如退货政策、兽医规程或入职步骤，分散在数百份 Microsoft SharePoint 文档中，横跨四种语言和三个国家。在庞大的文档库中查找正确信息耗时很长。每新增一家门店、一个国家或一项流程，问题就会变得更严重。

检索增强生成（RAG）是解决这一问题的常规方法。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、嵌入流水线和数据摄取任务。

在本文中，我们介绍伊比利亚领先的宠物护理公司 IskayPet 如何基于 Amazon Bedrock Managed Knowledge Bases 构建企业知识助手。该助手能够以四种语言、跨三个国家回答员工在零售运营、兽医护理、人力与入职以及采购方面的问题，且无需管理任何 RAG 基础设施。团队使用 Kiro 搭配 Claude Haiku 4.5 完成了从面向门店的前端到 AWS 架构与部署的整套解决方案。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。它在西班牙、葡萄牙和法国以 Kiwoko、Tiendanimal、Kivet、Clinicanimal 和 Animalis 品牌运营着 330 多家门店。IskayPet 拥有 4,500 多名员工和 700 万客户，业务涵盖零售、兽医诊所、动物护理、采购以及人力与入职。每个领域都有各自以西班牙语、葡萄牙语、法语和英语编写的政策与流程。

挑战

在各个业务领域，IskayPet 的办公人员都需要手动检索数百份 SharePoint 文档，才能回答有关流程、政策、合同和入职的运营问题。由于业务横跨三个国家、四种语言，这一过程耗费大量时间，而且答案往往过时或错误。

当时没有可靠的方式来查询企业知识，而且每新增一个国家、领域或文档，问题就会加剧。IskayPet 需要一个能够做到以下事项的解决方案：

• 基于自身企业文档回答自然语言问题。
• 支持四种语言，而无需维护多套独立系统。
• 将每个问题路由到正确的知识库（某个领域、某个国家），避免相互混淆。
• 无需重新设计架构即可扩展到新的领域和国家。
• 引用来源，使员工能够信任并核实答案。
• 复用现有的 SharePoint 存储库，无需进行成本高昂的数据迁移。

为什么选择 Amazon Bedrock Managed Knowledge Bases

IskayPet 选择了 Amazon Bedrock Managed Knowledge Bases 提供的托管 RAG 基础设施，从而无需运行向量存储、嵌入或数据摄取流水线。主要原因如下：

• 托管 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 只需为存储和检索付费。
• 原生 SharePoint 连接器： 该连接器直接从 IskayPet 现有的 SharePoint 环境摄取文档，避免了数据迁移。启用高级索引后，它还能处理文档中嵌入图片的内容。
• 内置混合搜索： 将语义搜索与关键词（BM25）搜索相结合，且不产生额外费用，可找回纯语义搜索可能遗漏的精确词条，例如产品代码和引用编号。
• 托管重排序： 检索到的段落会按相关性重新排序，且不收取额外费用。
• 文档级访问控制： 知识库可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 能够复用 SharePoint 权限，而无需重建授权模型。
• 模型灵活性： IskayPet 可以先从高性价比的模型起步，之后再更换模型而无需重写基础设施。
• 原生 RAG 评估： 团队使用内置评估工具衡量了每个步骤的质量。

解决方案概览

下图展示了端到端流程，从员工提出问题，经过权限感知的检索，到生成有依据、带引用的回答。

图 1：解决方案架构

该解决方案是一个助手，员工可通过现有渠道访问。当员工提出问题时，助手会从其知识库中检索最相关的段落，且仅限于该员工有权阅读的文档。随后，它会用员工所使用的语言生成有依据、带引用的回答。

从高层来看，流程如下：

1. 员工通过聊天界面提交自然语言问题。
2. 应用程序调用所请求助手的知识库，并传递员工身份，以便在检索时应用文档级权限。
3. 知识库对已索引内容执行混合搜索（语义与关键词），对结果进行重排序，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。提示词要求引用来源，并指示模型在检索内容中没有答案时予以说明。
5. 员工收到回答及源文档，并可留下反馈（点赞或点踩），反馈会进入评估集。

使用 Kiro 和 Claude Haiku 4.5 构建解决方案

IskayPet 使用 Kiro 这一智能体开发环境（运行在 Amazon Bedrock 上的 Claude Haiku 4.5）构建了整个解决方案，从面向门店的前端到 AWS 架构和服务部署。随着 Amazon Bedrock 上出现新模型，IskayPet 计划针对每个用例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 中各 AWS 区域支持的模型。

• 面向门店的前端 – 团队使用 Kiro 构建了门店员工与助手交互所用的前端，并借助 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 架构并配置了解决方案背后的各项服务：知识库配置、数据源、AWS Identity and Access Management（IAM）角色以及应用层。

借助 Kiro 以及像 Claude Haiku 4.5 这样快速且高性价比的模型所构成的智能体工作流，一个小团队得以快速从概念走向生产。它还使应用代码与基础设施保持一致且易于维护。

数据摄取：带高级索引的 SharePoint 连接器

IskayPet 的文档原本就存放在 SharePoint 中，按业务领域和国家分类整理。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 中，IskayPet 在 Content indexing 和 Advanced indexing 下启用了 Visual content in documents。该设置可从文档（PDF、DOCX、PPTX）中嵌入的图片以及独立图片中提取内容。流程文档中的图表和扫描内容无需单独预处理流水线即可被搜索到。

该连接器采用增量同步，因此每次同步都会获取新增和更新的文档。

多国家、多领域架构

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组织知识。IskayPet 权衡了两种方案：

• 单一共享知识库，每份文档都按国家和领域打标签，并在每次查询时应用检索过滤器。这最大化了共享内容的复用，但将所有领域耦合到一个索引中。
• 每个助手使用专用知识库，各自限定到相关的 SharePoint 站点或库。这使每个知识体在端到端层面保持隔离，并让每个助手可以独立调优。

IskayPet 选择了为每个助手配置一个知识库。每个助手指向特定的 SharePoint 站点，并可通过包含路径进一步缩小到特定的文档库或文件夹，因此它只索引预期内容，而不是整个企业站点。新增领域或国家意味着新增一个助手并将其指向正确的内容，而不是重新架构系统。

访问控制

访问权限由用户现有的 SharePoint 权限管理。助手不会授予任何新的访问权限：它只是让查询员工本已可以打开的文档变得更加简便。这在两个层面上生效。

• 用户能看到哪些助手 – 员工只会看到其底层文档有权阅读的助手，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权限。如果无法确认访问权限，助手会被隐藏而不是显示。
• 哪些文档会影响回答 – 在检索时还会按文档再次强制执行访问控制：员工的身份会被传递给知识库，知识库仅返回该人员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，因此对于同一个问题，权限不同的两名员工得到的答案可以合理地不同。

由于每次访问检查都会从 SharePoint 读取权限，因此在 SharePoint 中撤销或授予访问权限会反映到助手中，而无需更改应用程序。

检索与生成配置

RAG 系统的质量主要取决于摄取、检索和生成环节。微调是一种补充技术。对于此用例，IskayPet 调整了以下设置：

• 分块 – 由托管知识库处理，因此团队无需构建或调优分块流水线。这移除了一个在自管理 RAG 中通常需要大量运维工作的组件。
• 混合搜索 – 知识库结合了语义检索和关键词检索，可以找回纯语义搜索可能遗漏的精确术语，例如产品代码。
• 结果数量 – 根据评估集调优。助手会检索 25 个段落，在去除重复项和过短而无法提供上下文的片段后，最多将 15 个注入提示词。这个数字是主要的成本杠杆，因为它会在每个问题上成倍增加输入 token。
• 生成提示词 – 强制要求企业语气，要求引用来源，并指示模型在检索内容中没有答案时予以说明，从而减少幻觉并增强可追溯性。

作为生产控制措施，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 AI 策略。

• 评估 – 原生 Amazon Bedrock RAG 评估，使用真实使用中的点赞和点踩反馈作为评估集，在每次更改前后衡量质量。

生成响应

在答案生成方面，IskayPet 在 Amazon Bedrock 上使用经济高效的基础模型。由于知识库将检索与生成解耦，IskayPet 可以在不触及摄取或检索层的情况下切换或升级生成模型。这使团队能够随着使用量增长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，输入 token 在该成本中占主导地位，因为每个提示词都会注入段落。团队正在评估随着使用量增长的进一步优化，包括对提示词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

在生产环境的大约前两个月，IskayPet 已经看到：

• 更快的答案 – 找到操作答案的时间从 3–5 分钟降至约 7 秒。
• 更高生产力 – 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在所有业务领域和国家/地区处理约 100,000 次查询。

结论

IskayPet 在 Amazon Bedrock Managed Knowledge Bases 上构建了一个生产级企业知识助手，服务于三个国家、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 SharePoint 连接器复用了他们现有的存储库。每个助手拥有专用知识库，为他们提供了清晰的多国家/地区设计，每个领域端到端隔离。托管解析、嵌入和重排序使运营工作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，让小团队能够快速投入生产。

如果您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尝试 SharePoint 连接器和文档级访问控制。

如需了解更多信息，请参阅 Amazon Bedrock Managed Knowledge Base 和 Evaluate the performance of RAG sources using Amazon Bedrock evaluations。

关于作者

Daniel Martinez Rubio

Daniel 是 AWS 的高级解决方案架构师，一直专注于指导伊比利亚地区的企业客户采用云技术，并落地人工智能用例。他热衷于用云技术解决复杂的业务挑战。

Irene Arroyo Delgado

Irene 是 AWS 的 GenAI & ML 专家解决方案架构师。她主导了 IskayPet 的 Amazon Bedrock、Amazon Bedrock AgentCore 和 Knowledge Bases 赋能工作，并与伊比利亚地区的企业客户合作开展生成式 AI 项目。

Arturo Lorenzo Hernandez

Arturo 是 IskayPet 数据与 AI 团队的 AI 工程师。他一直参与 IskayPet 数据平台的开发，以及涉及生成式 AI 的项目。

Francisca del Rosario Suárez Rodríguez

Francisca 是 IskayPet 的数据经理，负责该集团 lakehouse 背后的数据平台，并作为项目经理领导 AI 用例组合。她跨业务、技术和治理开展工作，将运营数据转化为组织可以依赖的产品。