用 Amazon Nova Multimodal Embeddings 与 Bedrock AgentCore 构建多智能体工程助手

这套方案针对航天零件停产或长交期时的替代评估场景：工程师原本需要数天在供应商数据表、接口控制文档（ICD）和认证记录之间交叉核对，才能写出替代理由。新方案把此前基于 Amazon Nova Multimodal Embeddings 的多模态检索能力，接入一个多智能体系统，覆盖从检索到起草评估的完整流程。 架构遵循一条设计规则：工程师做所有决策，系统只负责汇集证据。因此系统把 LLM 与确定性代码分工使用。规格匹配由 Python 编写的容差规则代码完成，相同输入始终得到相同的通过或标记结论，可直接进入正式工程评审；多智能体编排由一个轻量 planner 把查询路由到 Catalog、Evaluation、Knowledge 三个专家智能体，只有当多个专家参与时才由 supervisor 汇总结果；系统会起草替代理由备忘录和集成影响评估（IIA），但不会推荐或批准任何替代，每次评估还会写入符合 AS9100 第 8.4 和 8.5.6 节的审计记录。 模型分工上，planner 使用 Claude Haiku 5.5 生成路由计划，专家智能体使用 Claude Sonnet 5.5 执行工具，supervisor 使用 Claude Opus 5.5 做综合。检索侧通过 AgentCore Gateway 接入托管知识库和 Web Search 连接器获取实时数据；由于托管知识库检索 API 不接受图片输入，以图查询路径直接调用 Amazon S3 Vectors 索引。 Nova Multimodal Embeddings 承担两个角色：一是把数据表、ICD 和性能曲线嵌入同一语义空间，支持文本或上传图表图片检索并返回带来源的图表；二是在候选零件对比时计算产品照片之间的余弦相似度，再由 Claude 分析安装孔位、连接器位置、外壳几何等具体差异，作为确定性规格比较的补充证据。示例数据集为虚构厂商 AnyCompany 的七个反作用轮，动量存储覆盖 0.003–5.0 Nms，每个零件文件夹同时包含 specs.json、ICD、产品照片和数据表页面渲染图。完整代码为 GitHub 仓库中的五个 Jupyter notebook，需 Python 3.10 及以上，并在美国东部（弗吉尼亚北部）区域开通相关模型访问权限。