Amazon Bedrock AgentCore Web Search：生产级构建指南
你的 AI Agent 可能正在向用户撒谎。
这是因为一旦产品上线，它的知识就会立即过时。静态 RAG 流水线会迅速退化。企业在部署后的 90 天内，准确率会下降 23%。
Amazon Bedrock AgentCore web search 解决了这个问题。它允许 Agent 在推理时查询实时 URL。你不需要 Lambda 函数，也不需要像 Tavily 或 SerpAPI 这样的第三方 API 密钥。
生产环境需要了解的关键点：
- Architecture: 模型决定何时调用工具。它获取实时的文本摘录并将其返回给推理循环。
- Security: 使用 IAM 来限定搜索范围。你可以创建一个信任域名的白名单，以防止 Agent 访问不可靠的来源。
- Performance: 预计往返延迟为 1.2 到 2.8 秒。请将其用于获取事实，而非用于亚秒级的聊天。
- Cost Strategy: 先使用 Claude Haiku 对查询进行分类。如果查询需要实时数据，则将其路由到 Claude 3.5 Sonnet。这可以将单次会话成本降低 35% 到 45%。
“知识衰减悬崖”是真实存在的。在金融或法律等快速变化的领域，使用静态数据 60 天后，准确率就会崩塌。
不要完全替换你的向量数据库。请使用混合方案： • 使用向量 RAG 处理你的私有、内部知识。 • 使用 AgentCore web search 获取外部、实时的时效性。
这种配置已达到单轮问答的生产级标准。如果你需要复杂的“多跳”（multi-hop）研究，请将其视为实验性功能。
停止基于过时数据构建 Agent。为真实世界而构建。
Optional learning community: https://t.me/GyaanSetuAi