IskayPet用Amazon Bedrock托管知识库搭建多语言内部问答助手
AWS博客称，IskayPet在西班牙、葡萄牙、法国三国上线基于Amazon Bedrock Managed Knowledge Bases的内部知识助手，覆盖四种语言和多个业务领域，上线约两个月后找答案时间从3至5分钟降至约7秒。上述效果数字来自AWS发布的客户案例，非独立评测。
AI解读：这篇AWS博客以客户案例形式介绍IskayPet如何在Amazon Bedrock Managed Knowledge Bases上构建企业知识助手。IskayPet在伊比利亚半岛经营宠物护理业务，旗下有Kiwoko、Tiendanimal、Kivet、Clinicanimal和Animalis品牌，在西班牙、葡萄牙、法国运营330多家门店，员工超过4500人。
此前，办公室员工要回答退货政策、兽医流程、入职步骤等日常问题，需手动在数百份SharePoint文档中查找，文档横跨四种语言和三个国家，答案常已过时或错误。IskayPet希望助手能基于自有文档用自然语言作答、支持四种语言、按领域和国家隔离知识、引用来源，并复用现有SharePoint仓库而不迁移数据。
技术选择上，IskayPet采用托管RAG，由Amazon Bedrock处理数据摄取、多模态解析、向量存储、嵌入生成和检索；使用原生SharePoint连接器，开启高级索引后可处理文档内嵌图片内容；检索结合语义与关键词（BM25）搜索，并带托管重排序。
架构上，团队为每个助手配置独立知识库，指向特定SharePoint站点，并可用包含路径限定到文档库或文件夹，而非用单一共享知识库加国家/领域标签过滤。新增领域或国家只需新增助手并指向对应内容。
权限沿用SharePoint现有设置：员工只能看到其有权阅读文档对应的助手；检索时传入员工身份，知识库按文档级权限只返回该员工可读的段落。权限每次从SharePoint读取，因此在SharePoint中授予或撤销权限会反映到助手上。
检索配置方面，助手检索25个段落，去重并剔除过短片段后，最多将15个注入提示词；团队称该数量是主要成本杠杆，因为会成倍增加输入token。生成提示词要求引用来源，并指示模型在检索内容中没有答案时说明。团队正加入Amazon Bedrock Guardrails做内容过滤。
AWS在机器学习博客中发布客户案例，介绍宠物护理公司IskayPet如何用Amazon Bedrock Managed Knowledge Bases构建企业内部知识助手。该助手面向零售运营、兽医护理、人事与入职、采购等领域的员工提问，支持西班牙语、葡萄牙语、法语和英语，覆盖西班牙、葡萄牙、法国三个国家。
AWS称，上线约头两个月，员工找到运营问题答案的时间从3至5分钟降至约7秒，搜索流程和政策的时间减少约95%；该方案预计每月处理约10万次查询。这些数字由AWS在案例中提供，未见独立第三方验证。
此前的问题：数百份SharePoint文档、四种语言、三个国家
IskayPet在伊比利亚半岛经营宠物护理业务，旗下品牌包括Kiwoko、Tiendanimal、Kivet、Clinicanimal和Animalis，在三国运营330多家门店，员工超过4500人、客户700万。
AWS博客称，办公室员工回答退货政策、兽医流程、合同、入职步骤等日常问题时，需手动在数百份SharePoint文档中查找。文档横跨四种语言和三个国家，查找耗时，答案常已过时或错误；每新增一家门店、一个国家或一套流程，问题都会放大。
IskayPet提出的需求包括：基于自有文档用自然语言回答；支持四种语言而无需维护多套系统；把问题路由到正确的知识范围（领域、国家）且不串扰；扩展到新领域和国家时无需重构；引用来源供员工核验；复用现有SharePoint仓库，避免昂贵迁移。
为什么选托管RAG和独立知识库
IskayPet选择Amazon Bedrock Managed Knowledge Bases，主要看重托管RAG能力：由Amazon Bedrock处理数据摄取、多模态解析、向量存储、嵌入生成和检索，IskayPet只为存储和检索付费。博客称，这消除了自行运维向量数据库、嵌入管线和摄取作业的需要。
在知识组织上，团队比较了两种方案：单一共享知识库，所有文档按国家和领域打标签、每次查询加过滤；或每个助手一个专用知识库，各自限定到相关SharePoint站点或库。IskayPet选择了后者，理由是让每块知识端到端隔离，并能独立调优每个助手。
每个助手指向特定SharePoint站点，还可用包含路径进一步限定到特定文档库或文件夹，从而只索引目标内容。新增领域或国家意味着新增助手并指向正确内容，不需要重构系统。
- 原生SharePoint连接器直接从现有环境摄取文档，避免数据迁移；开启高级索引后可处理PDF、DOCX、PPTX中嵌入的图片和独立图片内容
- 连接器增量同步，新增和更新文档会在每次同步时被拾取
- 检索内置语义与关键词（BM25）混合搜索，团队称可找回纯语义搜索可能遗漏的产品编码等精确词；重排序不额外收费
- 生成模型与检索解耦，团队可在不改动摄取和检索层的情况下更换或升级生成模型
权限沿用SharePoint，按文档逐次校验
访问控制沿用员工现有的SharePoint权限。AWS博客称，助手不授予任何新权限，只是让查询员工本就可打开的文档更方便。权限在两个层面生效：员工只能看到其有权阅读底层文档的助手；检索时传入员工身份，知识库只返回该员工被授权查看的文档段落。
因此，同一个问题对不同权限的员工可能给出不同答案。博客称，由于每次访问检查都从SharePoint读取权限，在SharePoint中授予或撤销权限会反映到助手上，无需修改应用。若无法确认访问权限，助手会被隐藏而不是显示。
检索参数与成本：25个段落、最多15个入提示词
团队称，RAG质量主要由摄取、检索和生成决定。分块由托管知识库处理，团队没有自建或调优分块管线。检索结果数量则依据评测集调优：助手检索25个段落，去重并剔除过短片段后，最多将15个注入提示词。
博客称，这个数量是主要成本杠杆，因为每次提问都会成倍增加输入token。生产环境中，输入token是主要成本，源于注入每个提示词的段落。团队正在评估提示词缓存（针对提示词稳定部分）和非交互负载的批量推理等优化。
生成提示词要求保持企业语气、引用来源，并指示模型在检索内容中没有答案时说明，以减少幻觉并增加可追溯性。团队还在加入Amazon Bedrock Guardrails，对生成答案应用内容过滤和负责任AI策略。评测方面，团队用真实使用中的点赞/点踩反馈构成评测集，在每次改动前后衡量质量。
开发方式与已知范围
博客称，IskayPet使用Kiro（代理式开发环境）和Amazon Bedrock上的Claude Haiku 4.5构建了整个方案，从面向门店的前端到AWS架构和服务部署。随着Amazon Bedrock上出现新模型，团队计划按用例评估和采用。
需要区分的是，上述效果数据、成本判断和权限行为均来自AWS发布的客户案例叙述，属于供应商与客户的说法，未见独立评测或审计。案例未披露错误率、员工覆盖率、各语言分别的使用量等更细的运营指标，因此关于回答准确性和实际节省比例的判断应限于AWS所陈述的范围。