📢 转载信息
原文作者：Gopinath Jagadesan, David Kim, and Premjit Singh
在全球范围内扩展自助服务支持面临的挑战远不止翻译问题。在本文中，我们将介绍亚马逊家庭安全子公司 Ring 如何利用 Amazon Bedrock 知识库构建一个生产级、支持多语言区域的 检索增强生成 (RAG) 支持聊天机器人。通过消除各区域单独部署基础设施的需求，Ring 在扩展到新地区时将成本降低了 21%，同时保持了全球 10 个国际区域的一致客户体验。
您将了解到 Ring 如何实现基于元数据的特定区域内容过滤，如何将内容管理拆分为摄入、评估和推广工作流，以及如何在扩展规模的同时实现成本优化。本文描述的架构集成了 Amazon Bedrock 知识库、Amazon Bedrock、AWS Lambda、AWS Step Functions 以及 Amazon S3。无论您是计划扩大国际运营规模，还是寻求优化现有的 RAG 架构，这些实战经验都极具参考价值。
Ring 的支持演进历程
Ring 的客户支持最初依赖于基于规则的 Amazon Lex 聊天机器人。虽然该系统能处理预定义对话，但面对多样化的客户咨询时显得力不从心。在高峰期，16% 的交互需要人工介入，且支持工程师需耗费 10% 的精力维护规则系统。随着 Ring 业务的国际化扩展，这种方式已不可持续。
RAG 支持系统的要求
Ring 面临的核心挑战是：如何在不为每个地区构建独立基础设施的情况下，提供准确且符合语境的本地化支持。团队确立了四个关键需求：
- 全球内容本地化：不仅是翻译，更需要针对各地区的电压规格、监管合规细节等配置进行管理。
- 无服务器托管架构：团队希望专注于优化客户体验，而非管理基础设施。
- 可扩展的知识管理：需要强大的向量搜索技术，支持自动化内容摄入管道，实现跨多区域的实时更新。
- 性能与成本优化：通过集中式架构替代区域化部署，降低运营复杂度。
解决方案概述
Ring 将 RAG 架构设计分为两个核心流程：摄入与评估以及推广。
摄入与评估工作流
图 1：Ring 摄入与评估工作流架构，利用 Step Functions 编排每日知识库创建与质量验证。
该流程包括内容上传至 Amazon S3、通过 Lambda 触发事件进行自动处理与元数据提取，并利用 Anthropic Claude Sonnet 4 作为“裁判”模型，对不同版本知识库的表现进行评估，最终将表现最优的版本提升为生产环境的“黄金数据集”。
推广工作流：客户导向
图 2：Ring 生产环境聊天机器人架构，通过 Lambda 应用元数据过滤获取最相关的区域内容，并结合基础模型生成回答。
结论
通过这种创新的 RAG 架构，Ring 实现了基础设施成本的大幅降低。除了核心功能，Ring 还考虑了向量存储选择（如 Amazon OpenSearch Serverless）、灾难恢复的多区域部署，以及利用跨区域推理（CRIS）来扩展基础模型的吞吐量。Ring 目前正致力于向代理模型演进，未来将集成多个专业代理，进一步提升服务的智能化水平。
🚀 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