2026. szeptember 1., kedd · Eszközök

AWS: megfigyelhető, több tudásbázisos agentikus keresés Bedrock CloudFormationnel

Az AWS hivatalos blogbejegyzése olyan architektúrát mutat be, amely a hagyományos, egylépéses RAG-keresés helyett agentikus visszakeresést valósít meg: az ügynök végiggondolja a kérdést, kiválasztja a megfelelő tudásbázist, több forrásból iteratívan keres, majd hivatkozásokkal ellátott választ ad. A megoldás az Amazon Bedrock Managed Knowledge Base és az AgentCore szolgáltatásra épül, az AWS állítása szerint a folyamat OpenTelemetry-alapú nyomkövetéssel kezdettől megfigyelhető és kiértékelhető. A cég szerint a rendszer egyetlen AWS CloudFormation-sablonlánccal telepíthető, beleértve a tesztadatokat, a tudásbázisokat és a megfigyelhetőségi rétegeket. A leírás fejlesztői útmutató, amely a korábbi, egyszerűbb RAG-megoldást vállalati, több forrású keresési forgatókönyvekre bővíti.

Egy forrás erősíti A hír állításait legfeljebb egy forrás támasztja alá tárgyilag; a többi forrás anyaga nem erről szól.

Miért fontos?

A hír azt mutatja, hogy az AWS konkrét, telepíthető eszközt ad a fejlesztők kezébe a több tudásbázist használó AI-ügynökök átláthatóságának biztosítására.

Források

AWS Machine Learning

Említve a tudásbázisban

fogalom Retrieval-Augmented Generation (RAG)

Kapcsolódó témák

Napi összefoglalók AI eszközök #Amazon Bedrock#agentikus keresés

Napi összefoglaló

Ez a hír a 2026. szeptember 1., kedd napi AI összefoglaló része.

Kapcsolódó hírek

AWS: mesterséges intelligenciával automatizált metaadat-javítás és harmonizálás

Az AWS hivatalos blogbejegyzése egy munkafolyamatot mutat be, amely nagy nyelvi modellek segítségével automatizálja a különböző forrásokból származó adathalmazok metaadatainak összehangolását. A cég állítása szerint a rendszer az Amazon Bedrock szolgáltatást használja sématovábbítási javaslatokhoz, míg az S3 tárolja a sémákat és eredményeket, a DynamoDB a feladatokat követi, a Cognito hitelesít, az ECS pedig a számítást biztosítja. A leírás szerint a folyamat a feltöltött fájlok párhuzamos ellenőrzésével indul: a sémastruktúra egyezését és az egyes mezők értékeit is vizsgálja. Hibák esetén a rendszer célzott javítási javaslatokat generál, amelyeket a felhasználó hagy jóvá, így emberi felügyelet mellett vagy teljesen autonóm ügynök-alapú munkafolyamatként is működhet.

Amazon Bedrock AgentCore Gateway: natív OAuth-tokenváltás többbérlős AI-ügynökökhöz

Az AWS hivatalos blogja szerint az Amazon Bedrock AgentCore Identity natívan támogatja az OAuth 2.0 Token Exchange (RFC 8693) szabványt, lehetővé téve a felhasználó nevében történő tokenváltást többbérlős AI-ügynök architektúrákban. Az AWS állítása szerint ezzel megoldható, hogy egy háttérszolgáltatást hívó ügynök megőrizze az eredeti felhasználói azonosságot anélkül, hogy saját jogkörét vagy a felhasználó eredeti tokenjét feltétel nélkül továbbítaná. A cikk egy Okta-integrált, TravelBot nevű referenciaimplementáción mutatja be a JWT-jogosultságok átalakulását és a közönségkötés elvét, amely a bérlők közötti biztonsági elkülönítést szolgálja. A referenciakód az AWS GitHub-tárhelyén lesz elérhető.

AWS bemutatta az Agent Registry szolgáltatást az AI-ügynökök kezelésére

Az AWS hivatalos blogbejegyzése szerint elérhetővé vált az AWS Agent Registry, amely egy központi, kereshető katalógust biztosít a vállalatok számára AI-ügynökök, eszközök és képességek kezelésére. A cég állítása szerint a szolgáltatás azt a problémát oldja meg, hogy a szervezeteknél a csapatok elszigetelten fejlesztik ügynökeiket, így nincs átlátás arról, mi létezik, ki a felelőse, és átment-e ellenőrzésen. Az AWS ismertetése szerint a rendszer két rétegben működik: egy irányítási réteg, amely hozzáférés-kezelést, életciklus-követést és jóváhagyási folyamatokat biztosít, valamint egy felfedezési réteg beépített szemantikus kereséssel. A vállalat szerint ez csökkenti a duplikált fejlesztői munkát, a verziószétforgácsolódást és javítja a nyomon követhetőséget nagy szervezeti méretekben.

NVIDIA BioNeMo Agent Toolkit: AI-ügynökök fehérjeszerkezet-predikcióhoz

Az NVIDIA hivatalos közleménye szerint a BioNeMo Agent Toolkit több mint egy évtizednyi BioNeMo modellt, könyvtárat és munkafolyamatot csomagol ügynök-hívható képességekbe biológiai, kémiai, genomikai és gyógyszerkutatási feladatokhoz, a Claude Science-szel és NVIDIA NIM mikroszolgáltatásokkal integrálva. A cég saját belső benchmarkja szerint a Seh1 monomer és a Seh1–C1HCX1 heteromer predikciójánál az OpenFold3 és a Boltz-2 modell is magas interfész-megbízhatóságot ért el (iPTM 0,85 és 0,82) többszörös szekvenciaillesztéssel, ám ez nélküle 0,14 és 0,19 értékre esett. Az NVIDIA szerint ez igazolja, hogy az evolúciós szekvenciaillesztés kulcsfontosságú bemenet az interfész-predikcióhoz; független megerősítés a kivonatban nem szerepel.