Gen Digital 如何用 Amazon Bedrock AgentCore Web Search 打造 Norton Revamp 的 AI 策展新闻引擎

您的职业声誉如今首先体现在网络上。招聘人员在回电之前会先查看 LinkedIn。客户在安排初次会面之前会审视您的线上形象。对于有进取心的专业人士来说，这种转变是一个机遇：精心打造的线上声音可以打开仅凭简历永远无法打开的大门。

但想要脱颖而出，仅靠内容生成是不够的。还需要对当下正在发生的事情有实时感知。一位希望树立生成式 AI 思想领袖声誉的专业人士，需要对今天的突破做出反应，而不是上周的头条新闻。而且，在信息流被 AI 生成的噪音淹没的当下，受众比以往任何时候都更看重真实性和时效性。

Web Search on Amazon Bedrock AgentCore 让这成为可能。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。它的核心是一个由 AI 策划的新闻引擎，由 AgentCore Web Search 提供支持，使每一条内容建议、目标推荐和新闻资讯条目都基于最新的、带有引用来源的网络知识。该平台于 2026 年 3 月上线，由一小群工程师构建。

在这篇文章中，我们向您展示 Gen 团队如何借助 Amazon Bedrock AgentCore Web Search 在 Norton Revamp 中构建由 AI 策划的新闻引擎，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接地

与依赖静态知识库的聊天机器人不同，Norton Revamp 需要了解每位用户的专业领域当下正在流行什么。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向。传统方法（自建网络爬虫、第三方新闻 API、静态内容数据库）各有取舍：基础设施开销、数据过时、供应商复杂度或数据外流风险。

在选择 AgentCore Web Search 之前，我们评估了三种替代方案。自建爬虫需要持续维护，且滞后于实时。第三方新闻 API 带来了供应商合同、API 密钥管理，以及数据离开我们 AWS 环境的问题。静态知识库则永远过时。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 内部运行、零数据外流，并返回带有 URL 和发布日期的引用来源。这使得个性化、实时的新闻资讯服务能够大规模落地。

AgentCore Web Search 如何为 Norton Revamp 提供支持

Web Search on Amazon Bedrock AgentCore 是一项完全托管的网络搜索功能，符合 Model Context Protocol (MCP) 规范。它作为托管连接器在 AgentCore Gateway（Amazon Bedrock AgentCore 的一项功能）上提供。我们的智能体发送自然语言查询，Web Search 返回相关的摘要片段、来源 URL、标题和发布日期，供模型用来生成有依据的回答。

该功能支撑了三大核心特性：

AI 策划的新闻资讯流

每位用户都会获得个性化的内容流，展示与其目标相关的最新文章和热门话题。如果您正在树立生成式 AI 思想领袖的声誉，您的信息流会优先推送 AI 突破、行业分析和新兴用例，并通过 AgentCore Web Search 实时获取来源。与静态 RSS 聚合器不同，这一信息流是一个具备目标感知能力的发现引擎，会在每次会话时刷新。

智能内容建议

用户会收到针对其所在领域热门话题、以其本人真实语气撰写的 AI 生成内容创意，并可选择附带 AI 生成的视觉素材。AgentCore Web Search 让每一条建议都立足于当下正在发生的事情。三步辅导流程（分析、优化、发布）引导用户从最初的创意一步步走到在 LinkedIn 和 X 上发布内容，并配有反馈闭环，让 AI 在每次迭代中变得更加精准。

具备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行业动向。系统会学习过去四周的活动，并随着用户的成长不断刷新推荐内容。

架构与技术栈

图 1：Norton Revamp News Engine 的事件驱动架构

该集成采用事件驱动架构。当用户设置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。智能体将这些查询发送到 AgentCore Web Search，后者在我们自己的 AWS 环境内返回带有引用的结果。我们的 AI 学习系统会根据相关性、时效性和来源可信度对这些结果进行排序。排序后的结果随后作为基础上下文，供 Amazon Nova Lite 以用户本人的真实语气生成内容建议。互动数据会回流到查询生成环节，使 News Engine 变得越来越聪明。

生成式 AI 与机器学习技术栈：

Amazon Bedrock – 核心生成式 AI 引擎，用于内容生成、个性化、帖子分析（批处理模式）和内容辅导。
Amazon Nova（Nova Lite） – 主要大语言模型（LLM），驱动内容生成、目标创建和趋势分析。
Web Search on Amazon Bedrock AgentCore – 实时网页检索，通过符合 MCP 规范的托管连接器为 News Engine、内容落地和趋势发现提供支持。
Stability AI – 图像生成。
Claude（通过 Amazon Bedrock） – 为复杂推理任务提供额外的 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（采用复合键模式的多表设计）、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，并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：

全量扫描 – 拉取最多 1,000 条历史帖子，存储到 Amazon S3，并运行 Amazon Bedrock 批量分析以评估声誉影响。
每日扫描 – 由 Amazon EventBridge 触发的增量分析。
每周目标生成 – Lambda 综合过往互动数据和来自 AgentCore Web Search 的实时趋势数据来生成目标。
内容辅导 – 通过分析、优化、发布流程进行同步 Amazon Bedrock 调用，每一步都结合 AgentCore Web Search 的结果作为基础。

以 AI 原生开发理念进行工程构建

我们从第一天起就嵌入了生成式 AI，它既是产品本身，也是开发方法论。人机责任划分是刻意设计的：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、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。我们在过去只够测试一种定价模型的时间里测试了五种。游戏化系统在上线前经历了八次迭代。

可衡量的成效：功能实现速度提升 3 倍，样板代码生成提速 90%，文档提速 80%，测试创建提速 70%，UI 组件生成提速 65%。代价是：审查 AI 输出占用了我们 20–30% 的时间。

AI 在个性化算法、DynamoDB 多表架构（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，但由人类来设计 AI 学习系统应如何适应用户目标。面向产品的生成式 AI（Amazon Bedrock、Amazon Nova、AgentCore Web Search）和面向开发的生成式 AI 用途不同，我们将它们保持分离。

测试、安全与质量保障

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 结果的相关性与新鲜度验证、互动追踪准确性、游戏化逻辑，以及新闻源与用户目标的相关性。

对于一个承载 Norton 品牌的产品，合规性不容妥协。安全检查涵盖静态代码分析、依赖项漏洞扫描、身份验证流程、用户数据加密、访问控制逻辑、生成式 AI 模型输出验证以及内容过滤。我们的安全团队审查了所有 AI 生成的建议：AI 加速了问题识别，而最终决策由人类做出。

结果是：自上线以来达到 99.9% 的正常运行时间，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 进行实时 grounding 的团队：

投资于查询生成 – 结构良好的查询比开放式的查询能带来更好的结果，因此我们在提示词工程上下了功夫。
策略性缓存 – 实时新鲜度是重点，但有些查询并不需要在每个会话中都重新执行。我们使用与新鲜度要求相匹配的生存时间（TTL）值来缓存结果。
构建反馈闭环 – 追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。我们的新闻引擎在前 90 天内相关性不断提升。
验证来源质量 – AgentCore Web Search 会返回来源 URL 和发布日期。我们构建了一个轻量级的可信度评分层，以优先采用权威来源。

结语

构建 Norton Revamp 证明了一个小规模的、由生成式 AI 增强的团队可以在数月内交付企业级软件。它也证明了 Amazon Bedrock AgentCore 上的 Web Search 可以作为需要与全球动态保持同步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 提供实时依据的实时精选新闻流、自适应学习、游戏化机制以及 Norton 级别的安全性。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。它会让工程师如虎添翼。将这种增强与 AgentCore Web Search 这类全托管服务相结合，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，生成式 AI 加速了愿景的实现，并以实时、有出处引用的网络知识作为依据。

“Amazon Bedrock AgentCore 上的 Web Search 免除了构建和维护我们自己的网络检索基础设施的复杂性。它让我们的 Norton Revamp News Engine 能够以每位用户所在专业领域中正在发生的事情为依据，提供实时、个性化的内容，同时实现零数据外流和 Norton 级别的隐私保护。我们在数月内就从概念走向了生产，AgentCore Web Search 是关键的推动因素。”

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