Amazon Bedrock Web Search 与企业级 RAG 架构设计指南

企业级 RAG (检索增强生成) 传统上运行在定义的内部信息边界内。用户提问，应用程序检索内部文档，模型基于这些上下文生成回答。Amazon Bedrock Web Search 的出现彻底改变了这一边界。现在，企业 AI 系统可以将受控的内部知识与实时外部信息结合，而无需构建复杂的第三方搜索集成。

对于设计 AWS 生成式 AI 平台的团队来说，核心问题已不再是模型“是否”能搜索网络，而是“何时”搜索、暴露哪些信息、哪些来源具有权威性，以及当内部证据与外部证据冲突时该如何处理。这使得检索从简单的流水线组件演变为一项重要的架构决策。

四层检索架构模型

为了应对这种复杂性，我们建议采用四层检索架构：

1. 模型知识层 (Model Knowledge)：基础模型处理通用概念和推理。这是成本最低的路径，但不适用于需要时效性的场景。
2. 受控企业知识层 (Governed Enterprise Knowledge)：包括内部政策、工程标准、合同和架构决策。建议使用 Amazon Bedrock Knowledge Bases 进行管理。
3. 实时外部知识层 (Current External Knowledge)：包括供应商文档、安全公告和市场信息。通过 Bedrock Web Search 获取。
4. 运营状态层 (Operational State)：来自 API、数据库或云资源管理的实时数据。

n1n.ai 建议，不要试图让模型自动决定使用哪个层，而是通过架构层面的控制平面进行路由。

检索控制平面与权威性

当多个检索路径存在时，应用需要一个控制平面来决定模型被允许检索什么。这不仅是技术问题，更是安全策略问题。例如，若 AWS 产品页面确认某功能可用，但内部安全标准禁止在受监管工作负载中使用，那么内部政策必须具有最高权威。

在生产检索系统中，应将“权威性”作为检索元数据处理。根据用例，企业可以区分：

• 具有约束力的内部政策与监管要求
• 批准的技术标准与主要供应商文档
• 经过验证的研究机构与通用公共来源

安全性与查询脱敏

启用外部网络访问会带来数据泄露风险。Amazon Bedrock Web Search 允许将搜索与获取分离。最关键的防线是“查询脱敏”。

例如，将用户提问：“查询 Acme Bank 的 Project Falcon 是否受 CVE-XXXX 影响”重写为：“CVE-XXXX 影响哪些版本”。这样，敏感的内部项目标识符就不会外泄至公共互联网。

性能与成本度量

不要为了检索而检索。建立“检索预算”原则：

• 简单内部政策问题不应触发昂贵的网络搜索。
• 复杂的市场研究请求可以分配更高的检索预算。

通过 n1n.ai 监控 API 调用，您可以度量以下关键指标：

• 每个回答的检索调用次数 (Retrieval calls per answer)
• 搜索与获取频率 (Search and fetch frequency)
• 检索响应延迟 (p50/p95 latency)
• 答案质量与检索成本的比例

总结与展望

Amazon Bedrock Web Search 并没有取代 RAG，而是让检索变得显式且多源。成功的企业 AI 架构不在于连接了多少数据，而在于明确哪些信息在特定决策中是可信的。

在全面启用 Web 检索前，请先对生产环境的典型提示词进行分类：是否需要私有上下文？是否需要时效性？是否存在冲突的权威来源？通过这种方式，您可以构建既灵活又安全的生成式 AI 系统。

n1n.ai 提供高性能的 API 聚合服务，助力企业构建稳定的 AI 基础设施。立即获取您的免费 API 密钥，访问 n1n.ai 开始构建。