跳到正文
AWS Machine Learning Blog· Sabine Khan·· 3 小时前AI 评分53

AWS 开源 23 个生成式 AI 可复用资产，并演示从选型到部署的完整流程

Accelerating generative AI delivery with reusable assets

AI 导读

AWS Generative AI Innovation Center（现属 AWS Frontier AI Engineering & Services）开放 23 个生产级开源可复用资产，覆盖 RAG 管线、文档处理、Agent 脚手架、评测框架等类别，可在 GitHub 和 AWS Labs 获取。

正文 · AI 翻译

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有的组件：检索增强生成（RAG）管道、文档处理器、智能体脚手架等。这会带来不断累积的成本：本应用于解决客户实际问题的时间被消耗掉了。

本文将向你展示如何访问来自 AWS 生成式 AI 创新中心（现隶属于 AWS Frontier AI Engineering & Services）的精选目录，其中包含 23 个生产就绪的资产。这些资产可以将你的开发时间从数月缩短至数周，DoorDash、Lyft 和 Ricoh 等公司的实际成效就是明证。

自 2023 年以来，AWS 生成式 AI 创新中心已发布了开源可复用资产。这些生产级的构建模块为你提供了经过验证的起点，而不必从空白文件开始。这些资产已助力多个客户解决方案取得了可衡量的成果：测试能力提升 50 倍、工程工时减少 90%，部署周期从数月压缩到数周。在本文中，你将了解为什么团队不断重复构建生成式 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，以及如何访问和部署目录中的 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。

问题所在：为什么团队不断重复构建

以下三个根本原因导致了生成式 AI 团队之间的冗余开发：

  1. 缺乏单一可信来源——资产分散在各个代码仓库、维基和网盘中。构建者找不到已有的资产，只能从零开始重建。
  2. 缺乏质量信号——由于缺少对生产就绪性、安全审查或维护状态的验证，构建者无法信任现有方案，于是默认自己编写代码。
  3. 缺乏复用文化——共享仍然是非正式且缺乏管理的。一个团队构建的东西只留在该团队内部，问题被反复解决。

重复构建的成本会不断累积。每一次冗余构建都会消耗工程工时、延误客户交付，并带来维护负担。即使是 AI 生成的代码也需要生产加固、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，从而免去了验证的负担。当团队最终进入生产环境时，他们已经在无差异的重活上耗费了数周时间——这些工作本应从第一天起就可以复用。AWS Frontier AI Engineering & Services 通过可复用资产解决了这一难题。

可复用资产究竟是什么

可复用资产不是代码片段或示例。它是一种生产级的、可组合的构建模块，用于实现一个离散的生成式 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，并配有监测手段以跟踪在客户项目中的采用情况。这些资产在整个生命周期内都会得到维护。

目录中的示例包括 RAG 管道组件、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。这些资产经过生产环境测试、安全合规审查，并根据真实的客户反馈不断改进。

这就是一次性的产物与可信赖的构建基石之间的区别。

真实成果：客户成功案例

可复用资产的价值并非纸上谈兵。下面展示了团队在成熟基础之上构建而非从零开始时取得的成绩。

Contact Center GenAI Agent：DoorDash 和 Lyft

根据 AWS 案例研究，DoorDash 使用 Contact Center GenAI Agent 资产构建了一个完全由语音操作的自助式生成式 AI 联系中心解决方案。据报道，该解决方案每天处理超过 100,000 通来电，响应延迟为 2.5 秒，测试能力提升了 50 倍。使用 Amazon Bedrock 使开发时间减少了 50%。该团队在 2 个月内就达到了上线测试就绪状态。

Lyft 使用同样的 Contact Center GenAI Agent 资产为乘客和司机带来了智能体 AI 体验，展示了该资产在不同客户互动模式下的通用性。

Contact Center GenAI Agent 为文本和语音渠道提供自动问答功能。它采用 RAG 架构，支持在保持上下文的情况下进行多轮对话。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——进行混合搜索和元数据过滤。

了解更多：

GenAI 智能文档处理：Ricoh

Ricoh 服务于大型健康保险付款方、管理式医疗组织和医疗保健提供商。这些客户每月处理数十万份关键文档，包括保险理赔、投诉、申诉和临床记录。随着 Ricoh 扩大规模以服务更多医疗保健客户，他们需要一种标准化的多租户文档处理方法，并且该方法必须能够在不需要为每个新实现进行单独开发和调优的情况下快速接入新项目。

以 Accelerated Intelligent Document Processing on AWS 资产为基础，Ricoh 构建了一个标准化的多租户解决方案，用于自动化文档分类和信息提取。这将他们的文档处理从定制的工程瓶颈转变为可扩展、可复用的服务。

成果：根据已发布的案例研究，Ricoh 的吞吐量提升了 7 倍，从每月 10,000 份增加到 70,000 份文档。每次部署的工程工时减少了 90% 以上（从 80 小时降至不到 5 小时）。接入时间从 4–6 周缩短到 2–3 天。该系统现在可以在流量高峰时在几分钟内处理 1,000 份文档，每年可节省超过 1,900 人时。

在这篇 2025 年的博客文章中介绍的 GenAI IDP Accelerator 是一个可扩展的无服务器解决方案，利用 AWS 服务实现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，大规模地将非结构化文档转换为结构化数据。AWS Frontier AI Engineering & Services 也会持续维护这些资产。

了解更多：

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，可复用资产的价值日益提升。两项近期发布的资产展示了可复用构建模块如何加速下一代智能体应用程序的开发。

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连接到 Amazon Bedrock AgentCore 的安全 React 前端，Amazon Bedrock AgentCore 是一个可以用任何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 的前端配合 AgentCore 的托管基础设施，将构建全栈智能体应用程序的时间从数周缩短至数天。

FAST 使用基础设施即代码（IaC）可在 30 分钟内完成部署，内置了 AgentCore 内存（Amazon Bedrock AgentCore 的一项功能）以及 Gateway、Code Interpreter 和 Observability 的集成。身份验证使用 Amazon Cognito，并按照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，你可以获得一个完整的参考架构，展示各组件如何集成，并附带一个可供你学习并在此基础上构建的可运行全栈应用程序。凭借模块化设计，你可以随着需求演进替换主要组件（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

智能体聊天机器人加速器是一个使用 AWS Cloud Development Kit（AWS CDK）作为基础设施即代码的 Web 应用程序部署解决方案，让你可以创建智能体聊天机器人。该解决方案构建于 Strands Agents 和 Amazon Bedrock AgentCore 之上，简化了智能体聊天机器人应用程序的开发。

该加速器支持通过 AWS CDK 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，并带有预配置的身份验证、托管和扩展模式，已在客户部署中得到验证。

了解更多：

演练：使用库中的资产

让我们通过一个具体示例，介绍如何从开源目录中选择并使用 Contact Center GenAI Agent 资产。

前提条件

要完成本演练，你需要：

  • 一个具有创建 AWS CloudFormation 堆栈、Amazon Connect 实例、Amazon Bedrock 资源和 Amazon QuickSight 仪表板权限的 AWS 账户。
  • 已安装并配置好适当凭证的 AWS Command Line Interface（AWS CLI）。
  • 一个 Amazon Connect 实例（或创建实例的权限）。
  • 在 Amazon Bedrock 上访问 Anthropic Claude Sonnet 和 Anthropic Claude Haiku。
  • 一个用于验证测试的 Jupyter notebook 环境。

场景

你正在构建一个客户支持解决方案，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客服。

查找资产

在 GitHub 上导航至 Contact Center GenAI Agent。README 清晰地概述了其功能、架构和部署步骤。下图展示了 Contact Center GenAI Agent 的解决方案架构。

Architecture of the Contact Center GenAI Agent solution integrating Amazon Connect and Amazon Bedrock Knowledge Bases

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，配有 AWS CDK 基础设施即代码，与 Amazon Connect 集成以支持语音和聊天，并集成了 Amazon Bedrock Knowledge Bases（一种完全托管的 RAG 能力）用于问答。内置了自动化测试框架和对话分析仪表板。

负责任的 AI 控制是架构的有机组成部分。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。

该代码库维护活跃、文档全面，并链接到客户成功案例（DoorDash、Lyft），验证了其生产就绪性。

部署解决方案

部署分为四个步骤：

  1. 克隆代码库并安装依赖项。
  2. 部署两个 AWS CloudFormation 模板：一个用于 Knowledge Base 堆栈，一个用于 RAG 解决方案堆栈。
  3. 使用代码库中预置的联系流程与 Amazon Connect 集成。
  4. 使用附带的 Jupyter 笔记本验证部署。

整个过程不到一小时。该解决方案还包括一个用于实时对话分析的 Amazon Quick Sight 仪表板。

有关详细的部署说明和前提条件，请参阅部署指南。

清理资源

为避免持续产生费用，请删除本次演练过程中创建的资源。部署使用了两个 AWS CloudFormation 堆栈，因此删除时应按相反顺序进行：

  • 从 AWS CloudFormation 控制台删除 RAG 解决方案堆栈。
  • 从 AWS CloudFormation 控制台删除 Knowledge Base 堆栈。
  • 删除集成期间创建的 Amazon Connect 联系流程。
  • 删除 Amazon Quick Sight 仪表板及所有关联的 SPICE 数据集。
  • 有关详细的清理说明，请参阅部署指南。

成果

无需花费数周时间从零开始构建呼叫中心解决方案，您可以在几天内部署一个经过安全审查和测试的基础。您的团队可以专注于定制知识库、针对您的领域优化提示词，以及与现有系统集成。这些才是能让您的解决方案脱颖而出的高价值工作。

可节省的潜在时间：4–6 周的开发时间
您转而专注于：领域定制、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

您可以在 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，帮助您快速上手。

文档处理与提取

联络中心与语音

智能体 AI 与聊天机器人

RAG 与知识库

开发与迁移

基础设施与运营

开始使用：

  1. 从前面列出的资产中选择一项。
  2. 阅读与您的用例相关的资产的 README 和部署指南。
  3. 克隆仓库并按照部署说明操作。
  4. 根据您的具体需求定制该资产。
  5. 联系 AWS Frontier AI Engineering & Services 团队获取咨询支持。

结语

重建的成本是真实存在的，而且会不断累积。当团队重建 RAG 管道、重写文档处理逻辑或从零开始时，这些小时数会累加到工程时间中，而这些时间本可以用来解决实际的客户问题。

经过整理和验证的资产目录改变了生成式 AI 交付的经济学。它不是替您完成工作，而是确保您不会重复已完成的工作。自 2023 年以来发布的 23 个开源资产代表着数千个工程小时、数十次客户合作以及无数经验教训。它们被打包成您可以今天就部署的构建模块。

这些资产是开源的。部署指南非常全面。客户的成功案例是真实的。从一项符合您当前挑战的资产开始。如需专家协助，请联系 AWS 生成式 AI 创新中心。

关于作者

来源： AWS Machine Learning Blog · aws.amazon.com

#教程/实践#Agent#RAG#部署/工程