Amazon Bedrock 托管知识库的智能体检索：告别单次检索，拥抱多意图问答
痛点：传统检索为何在多部分问题上失效
当用户提出“比较我们 2020 年和 2023 年的战略，发生了什么变化？”或“各产品线面临的三大风险是什么？”这类多意图、对比性或探索性问题时，经典的单次检索（single-shot retrieval）往往力不从心。原因是，一个多意图问题在嵌入空间中没有单一的点能很好地表示它，因此 top-k 结果只是多个竞争性子意图的平均值，导致返回的块要么分散、要么被最强信号主导，无法提供有意义的上下文。
举个具体例子：假设您将 25 年的亚马逊股东信 导入托管知识库。针对“文档中最重要的信息是什么？”这个直接问题，标准 Retrieve API 按混合分数返回五个块，但最高分结果可能是关于亚马逊标志颜色方案的低价值内容——检索器只是按相似度排序，对“重要性”没有感知。
解决方案：智能体检索（Agentic Retrieval）
Amazon Bedrock 托管知识库 新推出的 AgenticRetrieveStream API 正是为此设计。它模拟人类分析师的做法：
- 分解问题：将复杂问题拆解为多个子意图（如“2020 年的招聘策略”、“2023 年的招聘策略”等）。
- 迭代检索：针对每个子意图分别检索，并基于中间结果调整后续检索策略，弥补信息缺口。
- 同步生成答案：在同一个 API 调用中完成检索与响应生成，无需多次调用或外部编排。
开发者可以通过构造 AgenticRetrieveStream 请求 并解析返回的 trace 信息，获得完整的检索与推理过程。
何时选择智能体检索？
与标准 Retrieve API 相比，AgenticRetrieveStream 在以下场景优势明显：
- 多部分问题：问题包含多个独立但相关的子问题。
- 比较类问题：需要对比不同时间、不同维度的信息。
- 探索性问题：用户不确定具体关键词，需要逐步缩小范围。
而对于简单、事实性的单次查找（如“2020 年营收是多少？”），标准 Retrieve API 依然高效。
行业意义
在 RAG（检索增强生成） 架构中，检索质量直接决定最终回答的准确性。传统检索的“一次命中”模式在处理复杂查询时存在先天局限，而智能体检索通过 规划-检索-迭代 的闭环，将检索过程从“单点搜索”升级为“多步推理”，更接近人类专家的工作方式。这不仅是 API 功能的增强，更是知识库问答范式的一次重要演进。
未来，随着企业知识库规模激增、用户提问复杂度提升，AgenticRetrieve 这类具备推理能力的检索接口将成为 RAG 落地的关键组件。
