Novo Nordisk 如何用 Amazon Bedrock AgentCore 现代化制造流程文档
Novo Nordisk modernizes manufacturing process documents with Amazon Bedrock AgentCore
Novo Nordisk 的 Tablet 制造技术团队基于 Amazon Bedrock AgentCore 构建了智能支持系统,采用 GraphRAG 架构,结合 Amazon Neptune 知识图谱与 Amazon OpenSearch Serverless 混合检索,由 Strands Agents SDK 和 Anthropic Claude 模型驱动。
Novo Nordisk(Novo)是全球领先的制药公司之一,生产用于糖尿病和肥胖等慢性疾病的药物,并将其交付给许多国家的患者。每一款产品的背后都有一个遵循严格质量要求的制造网络。每一个与质量相关的工艺步骤都必须通过正式文档进行描述、控制和验证。保持这些文档的时效性和准确性是片剂领域制造技术团队的核心职责,这一职责涵盖全球组织中庞大且多样化的受控文档组合,包括标准操作程序、工作指令、表单和培训材料。
管理这一文档组合面临重大挑战。文档更新频繁,其驱动因素包括法规变化、工艺改进、设备改造和审计发现。每次更新都需要仔细审查、结构化审批流程,并及时向所有受影响的相关方传达。随着数千份活跃文档分布在多个部门、科室和产品项目中,跟踪哪些文档需要修订、待审批或需要立即关注变得越来越复杂。目前,这种监督在很大程度上依赖于人工流程和分散的跟踪方法,例如电子表格或彼此孤立的系统。这些方法耗时、易出错且难以扩展。其结果是存在过时文档仍在流通、更新延迟以及合规可见性出现关键缺口的风险。
除文档管理之外,还存在更深层的知识挑战。宝贵的制造知识分散在许多受控文档、版本、工厂和产品项目中。在正确的时间找到正确的答案,往往依赖于有经验的个人知道去哪里查找。这种对经验知识的依赖造成了瓶颈,拖慢了决策速度,并最终影响救命药物送达患者的速度。
为应对这些挑战,片剂领域的制造技术团队着手开发一个由代理式 AI 驱动的智能支持系统,并部署在 AWS 上。目标是缩短交付周期、提高文档可见性,并让关键制造知识更易获取,最终帮助组织更快行动,服务全球更多患者。本文深入探讨了该架构以及为满足受监管制药环境所要求的高准确性和可追溯性标准而做出的关键设计决策。该解决方案帮助主题专家(SME)在几分钟内完成过去需要数小时或数天的工作。
我们还介绍了一个 AI 流程智能助手,它能够以有依据、带引用的回答来解答复杂的流程问题。该解决方案围绕 GraphRAG 架构构建,将知识图谱与混合搜索相结合,以检索最相关且上下文准确的信息。基于托管代理框架构建的 AI 代理端到端协调检索和响应流程。引导模式可在启动搜索之前帮助澄清模糊问题,从而使回答更精确、更具可辩护性。
挑战
支持制造的团队反复回答同一问题的各种变体:对于这个站点、这个产品和这台设备,该流程有什么要求?要回答好这个问题,需要同时具备四样东西:
- 从庞大的语料库中找到正确的文档。
- 正确的版本和生命周期状态(已批准且生效,而非草稿或已作废)。
- 正确的适用范围(它确实适用于该站点、产品代次和设备)。
- 关系(哪些文档引用了哪些文档,以及某项变更会影响什么)。
传统的关键词搜索返回的是文档,而不是答案,且不具备范围、版本或关系的概念。基于纯向量的检索增强生成(RAG)系统提升了对自然语言问题的召回率,但在精确标识符(文档编号、设备代码)、多跳关系问题,以及(对受监管领域最重要的)识别相关内容不可用的情况方面仍然力不从心。团队需要一个将结构和关系视为一等公民、始终基于已批准来源、并在不确定时进行澄清而非猜测的系统。
解决方案概述
该助手基于 GraphRAG 架构构建:Amazon Neptune 中的知识图谱捕获结构和关系,Amazon OpenSearch Serverless 中的混合搜索索引提供对文档内容的语义召回和精确匹配召回。这两个存储被有意保持分离,并在查询时进行桥接,而不是合并到单一引擎中。这是一种常见的生产环境 GraphRAG 模式。
推理层运行在 Amazon Bedrock AgentCore 上,这是一个可使用任意框架或模型大规模构建、连接和优化智能体的平台。选择 AgentCore 是因为它提供具有内置会话隔离的托管智能体运行时、原生工具编排,以及集成的 AWS Identity and Access Management(IAM)和可观测性。这消除了无差别的基础设施工作,使团队能够专注于领域逻辑。智能体运行时使用 Strands Agents SDK 构建,并由 Amazon Bedrock 上的 Anthropic Claude 模型驱动。文档通过一个摄取管道处理,该管道使用 Amazon Bedrock Data Automation 进行多模态解析,并由 AWS Step Functions 和 AWS Lambda 编排。该技术栈使用 AWS Cloud Development Kit(AWS CDK) 定义为基础设施即代码。
从高层来看,一个问题在系统中的流转过程如下:
- 查询智能体接收问题,并在引导模式下判断范围是否足够清晰以给出良好回答。
- 如果存在歧义,智能体会在搜索前提出一个简短的、基于图谱的澄清问题(例如,适用哪个站点或产品代次)。
- 范围明确后,混合搜索检索候选段落,图谱从这些结果进行扩展以补充结构和关系,然后通过重排序步骤提升精确度。
- 智能体基于已批准的源文档并引用这些文档来组织答案,并在内容不可用时明确说明。
架构
图 1:端到端架构,其中 Amazon Bedrock AgentCore 上的查询代理使用 Amazon Bedrock 进行推理、嵌入和重排序,并通过共享文档编号在 Amazon OpenSearch Serverless 和 Amazon Neptune 之间进行混合检索。事件驱动的无服务器摄取管道填充这两个存储,而记忆、可观测性和评估则支持个性化、监控和质量评估
两层分类法:结构加领域细节
该图围绕两个互补层组织,这正是让助手能够考虑文档所在位置和内容主题的原因。
高层分类法:流程树。组织的官方流程框架被建模为流程节点的层级结构(大约三层,父到子)。每个受控文档都挂接到最低的适用流程层级,因此每个已载入的文档都有已知位置。这使助手能够在检索任何内容之前将问题限定到某个流程领域,并自动对新摄取的文档进行分类。
低层分类法:领域实体。领域专家定义在制造业中决定答案正确与否的实体:站点、产品代次、设备、工艺步骤及类似属性。这些实体被建模为一等图节点,链接到描述它们的文档,并使用少量统一的关系类型,而不是不断增长的边名称列表。
对这两层进行建模,正是真正的 GraphRAG 系统与并排放置的两个数据库的区别所在。OpenSearch 段落上的文档编号也是图中的一个节点,因此搜索命中可直接进入图结构,无需模糊重新匹配。这种从块到图的桥接是检索路径中的关键设计选择。
为什么采用固定、精心策划的分类法(以及为什么这是最佳实践)
早期的 GraphRAG 工作倾向于开放式抽取,让语言模型在没有固定模式的情况下发现实体。这种方法对于在庞杂文本上进行开放式意义建构很强大,但噪声大、难以维护且难以审计。过去几年中,共识已转向本体引导的抽取,即使用预定义的领域特定模式来引导模型,这提高了专业语料的准确性和可靠性。
对于受监管的制药生产而言,这不是妥协,而是正确的默认选择。该领域已有由专家策划的真实本体,而带有新实体人工审核晋升流程的固定模式,支持团队在受监管制药环境中所需的可审计性。该设计与该领域自早期开放模式方法以来的大部分发展方向一致,同时使设计决策更容易向质量和审计利益相关者解释。
检索:混合搜索、图扩展和重排序
每个存储都覆盖另一个的盲点:
- OpenSearch 提供召回—— 混合搜索将稠密向量相似度(Amazon Titan Text Embeddings)与词法 BM25 匹配相结合,并通过倒数排名融合进行合并。向量搜索捕捉语义。词法匹配则捕捉此处至关重要的精确词元:文档编号、设备代码和多语言术语。
- Neptune 提供结构—— 给定搜索所呈现的实体和文档,图谱回答了“什么相连、如何相连、相距多远”:相邻文档、引用关系、在层级中的位置,以及变更的影响,而这正是仅靠向量检索无法做到的。
一种常见模式是向量找到种子,图谱从种子扩展,而对于关系优先的问题则相反。重排序阶段(通过 Amazon Bedrock Rerank 的交叉编码器)位于融合之后:它同时读取问题和每个候选段落并重新排序,在更廉价的召回阶段之上增加一道精度处理,然后再将结果送入模型。
引导模式:先澄清,再检索
该助手的一个独特之处在于它如何处理歧义。像“制粒机上取哪些样品?”这样的问题,根据产品代次、场地、设备和批次大小,会有多个正确答案。立即回答可能会给出自信、错误且超出范围的回答,这在受监管环境中是最糟糕的结果。
引导模式颠倒了通常的 RAG 顺序:不是先检索,而是智能体先通过澄清缩小范围,然后再搜索。这遵循了近期关于在检索前澄清歧义问题的研究,以及使用知识图谱来提供澄清选项而非让模型自行编造的研究。它使用两类范围:
- 一组小型、几乎通用的属性(如场地和产品代次)会针对流程特定问题直接且一致地询问。
- 更深层的一切:哪些设备、哪个批次大小,以及随时间添加的属性。这些都在查询时从图谱中派生。范围解析步骤将用户的术语与真实图谱节点匹配,按已知信息进行过滤,如果仍有多个候选,则提供真正能区分它们的属性,且仅使用图谱中存在的值。
这使澄清选项扎根于真实数据(旨在帮助降低幻觉选项的风险),并且可扩展:当专家向分类体系添加新的区分属性时,助手会自动呈现它,无需更改提示词或代码。
受监管环境中的扎根与信任
这里的准确性被狭义定义并刻意执行:
- 显式索引状态—— 文档可以在其内容可搜索之前,就以元数据、关系和层级位置的形式存在于图谱中。一个确定性标志跟踪文档内容是否已索引,因此助手可以区分“我有该文档的内容”和“我只有它的元数据”,而不是从空搜索结果推断可用性。
- 默认使用已批准来源—— 回答依赖已批准且有效的文档及最新适用版本,除非用户明确要求草稿或历史修订。
- 反幻觉规则—— 澄清选项和引用的主张被设计为来自实际工具结果,而非模型自身知识。
- 声明局限性—— 当检索到的材料缺失或存在歧义时,助手会如实说明,而不是填补空白,并会标记何时需要 SME、质量或监管审查。
一个自动化评估框架会依据以下标准检查回答:相关来源选择、文档状态有效性、最新适用版本、范围合规性、引用准确性,以及对需求强度(必须、应当或可以)的忠实保留,从而使系统行为可随系统演进而被衡量。
一个覆盖数百万文档库的智能搜索引擎
该解决方案所依托的更大文档库约容纳四百万份文档。在这一规模下,问题不在于信息匮乏,而在于几乎不可能靠人工找到完全正确、在范围内且当前有效的答案。传统企业搜索返回按关键词重叠度排序的长列表,把繁重的工作留给提问者,包括判断哪条结果适用、哪个版本有效,以及文档之间如何关联。
本解决方案将文档库转变为智能的、答案优先的搜索引擎,而双层分类法正是使其在大规模下可行的关键:
- 图谱是完整地图,索引是可搜索的子集。所有已注册域中每份已接入的文档都会连同其元数据、关系和层级位置被放入图谱。这意味着助手可以推断文档所处的位置及其连接方式,即使对于数百万份内容尚未建立索引的文档也是如此。已接入域的全文内容会被索引并增量添加,助手会明确说明哪些已索引、哪些未索引。
- 范围在检索之前缩小搜索空间。由于引导模式会预先确定站点、产品代际、工艺区域和设备,问题会被过滤到文档库中能够回答它的那一小部分。系统只搜索范围内的少数文档,而非数百万份。这有助于在语料库增长时保持答案精确。
- 混合搜索加图谱扩展超越了关键词排序,能够呈现排序列表永远不会揭示的相关文档、引用和层级关系,并返回有依据、带引用的答案(而非十条蓝色链接),同时说明内容何时不可用。
该设计旨在随文档库扩展而扩展,而非随其增长而退化:文档越大、互联越紧密,图谱和范围界定的价值就越大。
成果
根据SME正在执行的任务类型(搜索答案、更新文档或为新情境改编文档),过去需要数小时或数天的工作被缩短至数分钟。除了节省的纯时间之外,该解决方案还改变了哪些事情在根本上变得可行:
- 导航集团的工艺全景—— 用户可以在工艺分类法的全部三个层级间移动,跨越约四百万份文档及其众多子流程,通过一个同时充当搜索引擎以及文档、流程和组织地图向导的单一助手来完成。
- 整合结构化与非结构化数据—— 元数据、流程层级和文档内容被统一到一个可搜索的知识图谱中,因此过去分散在不同系统中的信息可以一起被查询。
- 理解实体与文档之间的关系—— 图谱帮助用户询问文档、流程、设备、站点和产品之间如何连接,包括人工搜索无法回答的多跳问题。
- 端到端追踪并验证引用—— 该解决方案可以映射文档的完整引用链,并标记出文档指向过时或被取代材料的位置,从而在整个语料库范围内而非逐份文档地揭示完整性问题。
- 扩展至更多 AI 与智能体能力—— 同一套有据可依的基础为文档生成、带影响分析的修订以及其他智能体工作流打开了大门,这些能力可复用同一套图谱、检索和防护机制,而无需从零开始。
在受监管环境中同样重要的是,该助手旨在明确范围并标记缺失或含糊内容的设计,有助于降低给出自信但超出范围的答案的风险,而错误的真正代价恰恰在于此。
协作式交付模式
Tablet 领域的 Novo Manufacturing Technology 团队与 AWS 合作构建了该解决方案,主题专家以及数据与 AI 工程师全程紧密协作。使助手准确的知识分类体系直接来自该团队的领域专家。检索与智能体架构则与 AWS 共同设计并迭代。
构建原型是让解决方案成功上线的关键。团队没有抽象地讨论各项能力,而是尽早将可运行的系统交到主题专家面前。他们用真实问题对其进行测试,并利用所学到的经验来打磨知识分类体系、检索路径和引导模式的行为。原型将一个雄心勃勃的想法变成了人们可以尝试、批评和信任的东西。它还在任何更大范围推广之前降低了架构决策的风险。
结论
通过将精心构建的知识图谱、混合搜索以及基于 Amazon Bedrock AgentCore 的“先澄清后检索”智能体相结合,Tablet 领域的 Novo Manufacturing Technology 团队构建了一个流程智能助手,在需要速度之处快速响应,在准确性至关重要之处有据可依。该设计将当前 GraphRAG 模式应用于受监管的制造业:本体引导的抽取、桥接式双存储检索路径、基于图谱的消歧以及重排序。这将庞大的文档版图转化为有据可依、附带引用的答案,并留有扩展至新领域的空间。
要开始构建你自己的智能体 AI 解决方案,请探索 Amazon Bedrock AgentCore,以获取大规模托管智能体运行时、工具编排和可观测性能力。本文中的智能体运行时使用 Strands Agents SDK 构建,这是一个开源、框架无关的工具包,可与你的自有检索栈配合使用。如需使用 Amazon Neptune 和 Amazon OpenSearch Serverless 的 GraphRAG 参考架构,请访问 AWS Architecture Center。
关于作者
Elias Bedmar
Elias 是 AWS 的高级 AI 架构师。他专注于 AI 与数据,并在 EMEA 地区使用 AWS 上的最新技术交付原型。他在技术领域拥有 8 年经验,推动解决方案的采用并交付大型项目。Elias 在数据与 AI、DevOps 工程和云基础设施方面拥有丰富经验。
Kaizad Wadia
Kaizad 是 AWS 的解决方案架构师。他拥有 5 年经验,以及航空航天工程和计算机科学背景。他专注于数据与 AI,为全球企业设计和验证基于云的数据应用。秉持开发者思维,他热衷于解决复杂挑战并为企业交付创新解决方案。
Victor Ihuoma
Victor 是 Novo 的高级后端开发人员,在广泛的项目组合中担任 AI 计划的技术负责人。他拥有超过八年的分布式系统与生产级 AI 构建经验,服务于制药制造和工业物联网领域,先后任职于 Danfoss 和 Novo。他将平台从最初原型推进到生产环境,并配备受监管 GMP 环境所需的评估与访问控制,构建出被其他团队采纳为标准体系的系统。
Lauge Nissen
Lauge 是 Novo 的产品负责人,致力于弥合专业领域终端用户与契合其需求的技术之间的差距。他在 GxP 软件和质量管理系统(QMS)方面拥有丰富经验。他以产品愿景著称,带领开发团队朝着优先化的业务目标前进。他的方法核心是快速将实用解决方案交付到用户手中,从使用智能体平台的小型 AI 优化到大规模 AI 解决方案。
Konstantinos Poul Papanikos
Konstantinos 是 Novo 的后端开发人员,拥有数据科学背景。他的主要工作重点是构建数据产品和端到端解决方案,以加速制药行业的数字化进程。他在 AI 智能体和检索增强生成方面拥有实践经验,并为大规模 GxP 内容构建 AWS 数据管道。在质量管理系统(QMS)领域工作,他确保数据保持最新、受访问控制且合规,使用户能够信赖 AI 所提供的信息。他的方法核心是快速交付,同时验证每一项变更,使新解决方案能够快速触达用户而不牺牲质量。
Klaus Kristiansen
Klaus 是 Novo 的数据工程师,跨项目和领域从事云基础设施、数据管道、安全与合规工作。他拥有超过七年的经验,构建云原生数据平台并将机器学习投入生产,包括为 TV 2 Play 流媒体平台构建推荐系统。他的基础设施即代码模板以共享库形式打包,已成为其他基于 AWS 构建的项目的安全、合规起点。他是一位乐于迎接挑战的问题解决者,对细节要求很高,并为每个问题寻找最佳解决方案。
Venelin Banov
Venelin 是 Novo 的高级前端开发人员,构建帮助人们处理复杂信息和流程的应用程序。他的经验涵盖 AI 驱动的解决方案和支持制药制造的 GxP 软件。他将前端开发与自动化测试和 AI 评估相结合,将用户体验与底层系统的可靠性连接起来。他的方法核心是将复杂的技术能力转化为直观、实用的工具,注重可用性和软件质量。
Nicolai Piet Dittmann
Nicolai 是 Novo 的后端开发人员,拥有数据科学背景以及为制药制造开发 GxP 软件的经验。他从事过云基础设施、部署管道以及 AI 解决方案的数据摄取和检索工作。质量是他工作的核心:他确保每一项变更都经过测试、审查和可追溯。
来源:AWS Machine Learning Blog · aws.amazon.com
