拜耳作物科学在 Bedrock AgentCore 上建 Agentic Decision Engine:22 个专家智能体先期解答约八成问题
拜耳作物科学在 Connected Decision Engine 之上推出 Agentic Decision Engine(ADE):基于 Amazon Bedrock AgentCore 与 LangGraph,用督导智能体路由 22 个领域专家智能体,以自然语言查询育种分析平台;首期约 80% 问题无需工程师介入。
育种决策依赖基因组、田间试验、影像、环境与模型输出等多源数据。拜耳作物科学(Bayer Crop Science)已用 Connected Decision Engine(CDE)部署、编排与复用数百套机器学习工作流。随着采用扩大,瓶颈从“跑通流程”转向“读懂结果”——用户仍需在 API、文档、元数据、看板与日志之间拼凑上下文。
为此,拜耳构建了 Agentic Decision Engine(ADE):在 CDE 之上提供多智能体自然语言接口。督导智能体(Supervisor)分类意图并路由到专家智能体,由后者从对应系统取回上下文再汇总回答。首期 ADE 可在无工程师介入的情况下解决约 80% 用户问题;故障诊断场景中,原先超过一小时的人工翻日志可压缩到约 10 分钟。
ADE 运行在 Amazon Bedrock AgentCore 上,团队自带 LangGraph 编排与模型选择。选型看重三点:托管运行时的会话隔离、经 AgentCore Gateway 的 IAM 作用域工具访问(鉴权在智能体外)、以及框架无关以便沿用现有编排。生产环境共 22 个专家智能体(领域知识 RAG、运维状态、排障、可视化等);复杂可视化能力从“工具”升级为独立 Visualization Agent,可在 Code Interpreter 中用 matplotlib/Plotly 出图或回链既有 Quick/Power BI 看板。
架构上,用户经 React 前端与 Microsoft Entra ID 身份代理进入;DynamoDB 存 LangGraph 检查点,Aurora PostgreSQL 存会话与反馈,ElastiCache 做 TTL 响应缓存,S3 内容经 Titan Embeddings V2 进入 OpenSearch Serverless 做 RAG。Gateway 把后端 OpenAPI 注册为 MCP 工具,按专家智能体裁剪工具面,避免把 500+ 模型配置一次性塞进提示词。
上线前拜耳引入 AWS Unified Operations(指定 TAM 与生成式 AI 领域工程师),完成关键工作负载与 Well-Architected 生成式 AI 镜头评审,追踪 35 项阻塞项;通过应用推理配置文件与请求级遥测做成本归因,并对稳定提示前缀启用提示缓存,输入 token 成本下降约 20–30%。上线采用门禁放量,已有逾 100 名育种、分析、研究与工程用户使用;约 20 个 API 工具经 Gateway 暴露,相对“每个 API 单独服务器”的集成开销降幅超过 99%。
flowchart TB
U[育种/分析用户] --> S[Supervisor 督导智能体]
S --> A1[Domain Expert RAG]
S --> A2[Operational / CDE 状态]
S --> A3[Troubleshooting]
S --> A4[Visualization]
A2 --> G[AgentCore Gateway MCP]
A3 --> G
G --> CDE[Connected Decision Engine]
G --> CW[CloudWatch 遥测]