📢 转载信息
原文作者：Wei Teh 和 Tulip Gupta
推荐系统是现代流媒体服务的核心，它决定了用户如何发现内容。传统的机器学习（ML）系统通常依赖协作过滤或基于内容的过滤，但这些系统往往忽视了上下文需求，如时间、心情或社交场景。代理式 AI（Agentic AI）通过动态对话和对观看环境的逻辑推理，将推荐体验提升到了新高度。
在本文中，我们将探讨如何利用 Amazon Bedrock AgentCore 和 Amazon Nova Sonic 2.0 构建一个能够理解用户偏好、提供个性化推荐并实时解答观影疑问的智能助手。
架构设计
该解决方案的核心流程包括电影推荐与电影场景分析。以下是其端到端架构：
工作流简述：
- 用户通过 Web UI 与系统建立 WebSocket 连接。
- Amazon Nova Sonic 2.0 负责处理语音指令，提供低延迟、类人的交互体验。
- AWS Fargate 容器编排代理工作流，利用 MCP（模型上下文协议）处理用户请求。
- 通过 Amazon Bedrock AgentCore Gateway，系统将 Lambda 函数转化为可供 AI 调用的工具，结合 OpenSearch 实现语义检索。
自然语音交互界面
我们使用了 Amazon Nova Sonic 2.0，这是 AWS 最新的语音到语音模型。它支持实时语音流，能够将传统的问答交互转化为自然、高效的对话。此外，通过在对话初期设置系统提示词（System Prompt），开发者可以定义 AI 的个性，确保其符合品牌调性。
电影推荐流
当用户提出“我想看点轻松有趣的电影”时，系统会：
- 识别用户意图并调用相应的推荐工具。
- 检索 DynamoDB 中的用户偏好画像（如观看历史）。
- 利用 Amazon Nova Micro 进行意图分类与查询改写。
- 结合语义检索与重排序模型（Amazon Rerank），输出最精准的推荐结果。
场景分析功能
用户可以随时暂停播放并询问：“这段剧情在讲什么？”或“那个演员是谁？”。系统通过记录当前时间戳，利用 Amazon Bedrock Data Automation 解析的视频元数据（如章节总结、台词、名人识别），结合剧本的语义向量搜索，实时生成精准的场景描述。
总结
本方案展示了如何通过 Agentic AI 将被动的反馈转化为主动的对话式发现。利用 Amazon Nova Sonic 2.0 的自然语言理解与 Bedrock 的检索增强生成（RAG）能力，流媒体服务能够为用户提供深度的个性化体验，从而显著提升用户参与度与留存率。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区