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

你的职业声誉如今首先存在于线上。招聘人员会在回电话之前先查看 LinkedIn。客户会在预约首次会面之前先审视你的数字形象。对于有抱负的专业人士来说，这一转变是一个机遇：精心打造的线上声音能够打开仅凭一份简历永远无法打开的大门。

但脱颖而出需要的不仅仅是内容生成。它需要实时洞察当下正在发生的事情。一位正在树立生成式 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 生成的噪音淹没的情况下，受众比以往任何时候都更看重真实性和时效性。

Amazon Bedrock AgentCore 上的 Web Search 让这一切成为可能。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。其核心是一个由 AI 策划的新闻引擎，由 AgentCore Web Search 提供支持，将每一条内容建议、目标推荐和新闻信息流条目都建立在当前、可引用的网络知识之上。该平台于 2026 年 3 月上线，由一小群工程师构建。

在本文中，我们将向你展示 Gen 团队如何利用 Amazon Bedrock AgentCore Web Search 在 Norton Revamp 中构建一个由 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依据

与依赖静态知识库的聊天机器人不同，Norton Revamp 需要了解每个用户专业领域内当下正在流行什么。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态。传统方法（自定义网络爬虫、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、供应商复杂性或数据外泄风险。

在选择 AgentCore Web Search 之前，我们评估了三种替代方案。自定义爬虫需要持续维护且滞后于实时。第三方新闻 API 增加了供应商合同、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 内运行，零数据外泄，并返回带有 URL 和发布日期的引用来源。这使得个性化、实时的新闻信息流能够大规模可行。

AgentCore Web Search 如何为 Norton Revamp 提供支持

Amazon Bedrock AgentCore 上的 Web Search 是一项完全托管的网络搜索能力，兼容模型上下文协议（MCP）。它作为 AgentCore Gateway（Amazon Bedrock AgentCore 的一项能力）上的托管连接器提供。我们的智能体发送自然语言查询，Web Search 返回相关片段、来源 URL、标题和发布日期，模型利用这些信息生成有依据的回复。

这项能力支撑三个核心功能：

AI 策划的新闻信息流

每位用户都会获得一个个性化内容流，呈现与其目标相关的最新文章和热门话题。如果你正在树立生成式 AI 思想领袖的声誉，你的信息流会优先呈现 AI 突破、行业分析和新兴用例，并通过 AgentCore Web Search 实时获取。与静态 RSS 聚合器不同，该信息流是一个目标感知的发现引擎，每次会话都会刷新。

智能内容建议

用户会收到针对其所在领域热门话题量身定制的 AI 生成内容创意，以用户自己真实的声音撰写，并可选配 AI 生成的视觉素材。AgentCore Web Search 让每一条建议都基于当下正在发生的事情。三步式辅导流程（分析、优化、发布）引导用户从最初的想法走到在 LinkedIn 和 X 上发布内容，并配有反馈闭环，因此 AI 会随着每一次迭代变得更加敏锐。

感知趋势的目标设定

用户定义一个目标。AI 会构建一份个性化路线图，包含每周主题和里程碑。AgentCore Web Search 将实时趋势数据输入目标生成过程，因此每周主题能反映当前的行业动态。系统会从过去四周的活动数据中学习，并随着用户的成长刷新推荐内容。

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。当用户设定或更新其职业目标时，Amazon Nova（通过 Amazon Bedrock）会根据该目标、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给 AgentCore Web Search，后者完全在我们的 AWS 环境中返回带引用的结果。我们的 AI 学习系统会按相关性、时效性和来源可信度对结果进行排序。排序后的结果随后作为 grounding 上下文，供 Amazon Nova Lite 以用户真实的声音生成内容建议。互动数据会反馈到查询生成中，使 News Engine 逐步变得更智能。

生成式 AI 与机器学习技术栈：

Amazon Bedrock – 用于内容生成、个性化、帖子分析（批处理模式）和内容辅导的核心生成式 AI 引擎。
Amazon Nova（Nova Lite） – 驱动内容生成、目标创建和趋势分析的主要大语言模型（LLM）。
Web Search on Amazon Bedrock AgentCore – 通过符合 MCP 规范的托管连接器，为 News Engine、内容 grounding 和趋势发现提供支持的实时网络检索。
Stability AI – 图像生成。
Claude（通过 Amazon Bedrock） – 用于复杂推理任务的额外 LLM 能力。

基础设施：前端使用 React、TypeScript 和 Tailwind CSS。后端使用 Node.js、Amazon Elastic Container Service（Amazon ECS）、AWS Lambda、Amazon DynamoDB（采用复合键模式的多表）、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，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，运行 Amazon Bedrock 批处理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 结合过往互动数据以及来自 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，每一步都以 AgentCore Web Search 的结果作为 grounding。

以 AI 原生开发思维进行工程实践

我们从第一天起就嵌入生成式 AI，既作为产品，也作为开发方法。人与 AI 的责任划分是刻意为之：由人负责架构决策、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、测试脚手架搭建、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。我们在过去测试一个定价模型所需的时间内测试了五个定价模型。游戏化系统在上线前经历了八次迭代。

可衡量的影响：功能实现速度提升 3 倍，样板代码生成加速 90%，文档编写加速 80%，测试创建加速 70%，UI 组件生成加速 65%。代价是：AI 输出审查占用了我们 20–30% 的时间。

AI 在个性化算法、DynamoDB 多表架构（这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，但由人来设计 AI 学习系统应如何适应用户目标。产品侧生成式 AI（Amazon Bedrock、Amazon Nova、AgentCore Web Search）与开发侧生成式 AI 服务于不同目的，我们将二者保持分离。

测试、安全与质量保证

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，以及新闻推送与用户目标的相关性。

对于承载 Norton 品牌的产品，合规不容妥协。安全检查涵盖静态代码分析、依赖漏洞扫描、身份验证流程、用户数据加密、访问控制逻辑、生成式 AI 模型输出验证和内容过滤。我们的安全团队审查了所有 AI 生成的建议：AI 加速了识别，由人做出最终决定。

结果是：自上线以来保持 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 实现实时接地的团队：

投入查询生成 – 结构良好的查询比开放式查询能产生更好的结果，因此我们将提示工程的重点放在这里。
策略性缓存 – 实时新鲜度是关键，但有些查询不需要每次会话都重新执行。我们缓存结果，并设置与新鲜度要求匹配的生存时间（TTL）值。
构建反馈循环 – 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 News Engine 的相关性在最初 90 天内持续提升。
验证来源质量 – AgentCore Web Search 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，以优先考虑权威来源。

结论

构建 Norton Revamp 证明，一个由生成式 AI 增强的小型团队可以在数月内交付企业级软件。它还证明，Amazon Bedrock AgentCore 上的 Web Search 可以作为需要紧跟世界动态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 原生的职业声誉管理平台，具备个性化目标设定、AI 驱动的内容建议、由 AgentCore Web Search 提供支持的实时精选新闻推送、自适应学习、游戏化机制以及 Norton 级安全防护。一支小型工程师团队实现了 99.9% 的正常运行时间。

生成式 AI 不会取代工程师，而是放大他们的能力。将这种放大效应与 AgentCore Web Search 等全托管服务相结合，可以消除整类基础设施复杂性。人类设计了愿景，而通过 Amazon Bedrock、Amazon Nova 和 AgentCore Web Search 实现的生成式 AI 加速了愿景落地，并以实时、可引用的网络知识为基础。

“Amazon Bedrock AgentCore 上的 Web Search 消除了构建和维护自有网络检索基础设施的复杂性。它让我们的 Norton Revamp 新闻引擎能够提供实时、个性化的内容，这些内容以每位用户职业领域内正在发生的事情为基础，且实现零数据外泄和 Norton 级隐私保护。我们在数月内从概念走向生产，而 AgentCore Web Search 是关键推动因素。”

如需了解更多关于 Amazon Bedrock AgentCore 上 Web Search 的信息，请访问 AgentCore 文档。了解 Norton Revamp。

关于作者

Iskander Sanchez-Rola

Iskander 是 Gen 的 AI 与创新高级总监，也是美国国家网络安全联盟董事会成员。他曾帮助多款产品从概念走向发布，保护数亿客户，并抵御数十亿次网络威胁

Lei Gu

Lei 是 Gen 的高级技术总监，拥有近三十年的工程经验和多项专利。他曾主导重大云转型，通过可扩展且可靠的架构帮助复杂技术投入生产

Aditya Ravikumar

Aditya 是 Amazon Web Services (AWS) 的高级客户解决方案经理兼生成式 AI 与机器学习领域专家。他常驻旧金山，作为首席技术顾问为战略企业客户提供支持，帮助他们应对复杂的云转型。他的专业领域涵盖软件开发、云原生数据库、数据分析和生产级生成式 AI。Aditya 热衷于与客户和合作伙伴携手，通过创新使用云和 AI 技术释放变革性商业价值

Kien Pham

Kien 是常驻加利福尼亚州尔湾的首席解决方案架构师，为 DNB 客户提供支持。Kien 拥有软件开发背景，曾管理多个可扩展至服务数百万客户的生产系统