一个合格的航空航天零件停产或交期拉长时，工程师要花几天时间对照供应商数据表、接口控制文件（ICD）与鉴定记录，拼出一份替代论证。AWS 在 2026 年 11 月 2 日的官方博客里给出了一个可以照着做的答案：一个多智能体工程助手，用 Amazon Bedrock AgentCore、Amazon Nova Multimodal Embeddings 与开源 Strands Agents SDK 搭建，把零件替代评估从人工翻资料变成“Agent 组装证据、工程师做决定”。完整代码是 5 个 Jupyter Notebook，每个都能独立运行，示例仓库在 GitHub：aws-samples/amazon-nova-samples。
一个规划器，三个专家 Agent
整个系统只有一条设计规则：工程师做每一个决定，系统只负责组装证据。这条规则决定了哪里用大模型、哪里用确定性代码。
查询进来先到规划器（Claude Haiku 5.5），它只做路由分类，几秒内给出执行计划；三个专家 Agent（Claude Sonnet 5.5）各管一摊：Catalog 在多模态知识库里找零件、按规格过滤；Evaluation 用 Python 代码按容差规则打分、拿照片做视觉相似度对比；Knowledge 查数据表与 ICD、核对在网状态。两个以上专家参与时，才由主管（Claude Opus 5.5）综合结果——单个专家就能答完时不走这一步，省约 8 秒延迟。三个模型分档的思路很实在：路由用小模型、执行用中模型、综合才用大模型。
三根支柱：确定性打分、多智能体编排、人在回路
第一，评分是代码，不是观点。零件合不合格由手写的 Python 容差规则说了算，同样输入永远得到同样结论，这样结果才能放进正式工程评审。第二，专家之间工具隔离，Catalog 碰不到评估工具，Evaluation 碰不到检索工具，行为可预测。第三，系统只起草、不批准：论证备忘录与集成影响评估（IIA）都由人审，每次评估还写一条符合 AS9100 8.4 与 8.5.6 的审计记录。
Nova Multimodal Embeddings 在里面干两份活：一是把数据表、ICD、性能曲线图嵌进同一个向量空间，文字和图都能检索；二是给两个候选零件的照片算余弦相似度，佐证确定性评分。上传一张图表照片反查零件的“以图搜件”，走的是 S3 Vectors 索引，因为知识库检索接口不接受图片输入。
照着做的门槛
要跑通这套 Notebook，你需要一个 AWS 账号（Bedrock 在美东一区）、Nova Multimodal Embeddings 与 Claude Haiku 5.5、Sonnet 5.5、Opus 5.5 的模型权限、一个基于 Nova 嵌套的托管知识库、一个 S3 Vectors 索引、一个带联网搜索连接器的 AgentCore Gateway，以及 Python 3.10 与 Jupyter；部署到 AgentCore Runtime 还要 Docker。示例数据是虚构厂商 AnyCompany 的 7 个反作用飞轮（0.003–5.0 Nms），自带规格、照片与图表裁剪，开箱就能跑。
值得学的不只是这个航空航天场景：确定性检查兜底 + 多专家分工 + 人做最终决定，是受监管行业里多智能体落地的通用配方。同类思路可以对照站内这两篇：DeepSeek 开源 dsh-superagent：监听 GitHub、自动提 PR 的主动式编程 Agent，以及 Claude Code Game Studios：49 个 Agent + 74 个 Skill，把 Claude Code 变成一家游戏工作室。
转自 AWS 官方博客 作者 Aishwarya Gavili、Adewale Akinfaderin 的文章《Agentic engineering intelligence with Amazon Nova Multimodal Embeddings and Amazon Bedrock AgentCore》，原文链接：https://aws.amazon.com/blogs/machine-learning/agentic-engineering-intelligence-with-amazon-nova-multimodal-embeddings-and-amazon-bedrock-agentcore/
暂无评论内容