📢 转载信息
原文作者：Sarath Krishnan, Santhosh Kuriakose, and Ravi Vijayan
企业正在管理着数量不断增长的内容，范围涵盖产品目录、支持文章、知识库和技术文档等。确保这些信息准确、相关并符合最新的业务事实是一项艰巨的挑战。手动内容审核流程通常缓慢、成本高昂，并且无法跟上动态的业务需求。根据麦肯锡的研究，使用生成式AI进行知识工作（包括内容审核和质量保证）的组织可以将生产力提高多达 30%–50%，并大幅减少在重复性验证任务上花费的时间。类似地，德勤的研究强调，AI驱动的内容运营不仅提高了效率，还有助于组织保持更高的内容准确性并降低运营风险。
Amazon Bedrock AgentCore（一种专为大规模部署和运行AI智能体而构建的基础设施）与Strands Agents（一个用于构建AI智能体的开源SDK）相结合，使组织能够自动化全面的内容审核工作流。这种基于智能体的方法使企业能够评估内容的准确性、根据权威来源验证信息，并生成可行的改进建议。通过使用协同工作的专业智能体，人工专家可以专注于战略性审核任务，而AI智能体系统则负责处理大规模的内容验证。
我们提出的基于智能体的方法适用于任何类型的企业内容，从产品文档和知识库到营销材料和技术规范。为了实际演示这些概念，我们以审核博客内容的技术准确性为例。通过调整智能体配置、工具和验证源，这些模式和技术可以直接应用于各种内容审核需求。
解决方案概述
内容审核解决方案实现了多智能体工作流模式，其中三个使用 Strands Agents 构建并在 Amazon Bedrock AgentCore 上部署的专业AI智能体在一个协调的管道中协同工作。每个智能体接收前一个智能体的输出，根据其专业功能进行处理，并将丰富的信息传递给序列中的下一个智能体。这创建了一个渐进式的精炼过程，其中：
- 内容扫描智能体分析原始内容并提取相关信息
- 内容验证智能体获取这些提取的元素，并根据权威来源进行验证
- 推荐智能体将验证结果转化为可操作的内容更新建议
技术内容维护需要多个专业智能体，因为手动扫描、验证和更新文档效率低下且容易出错。每个智能体都有一个集中的角色——扫描器识别时效性元素，验证器检查当前准确性，推荐智能体起草精确的更新。该系统的模块化设计，具有清晰的接口和职责，使得随着内容复杂性的增加，可以轻松添加新智能体或扩展功能。为了说明这种基于智能体的内容审核系统在实践中是如何工作的，我们演示了一个审查技术博客文章准确性的实现。科技公司经常发布详细介绍新功能、更新和最佳实践的博客文章。然而，创新的快速步伐意味着某些功能可能会被弃用或更新，使得跨数百甚至数千篇已发布文章保持信息最新变得具有挑战性。虽然我们用博客内容演示了这个模式，但该架构是内容无关的，通过使用适当的提示词、工具和数据源配置智能体，支持任何内容类型。
实践示例：博客内容审核解决方案
我们使用了三个专业智能体按顺序通信，以自动审核帖子并识别过时的技术信息。用户可以手动触发系统或安排其定期运行。
图-1 博客内容审核架构
当向博客扫描智能体提供博客 URL 时，工作流开始，该智能体使用 Strands 的 http_request 工具检索内容并提取需要验证的关键技术声明。然后，验证智能体查询 AWS 文档 MCP 服务器以获取最新文档，并根据当前文档验证技术声明。最后，推荐智能体综合发现结果，并生成一份包含可操作建议的综合审核报告，供博客团队使用。
该代码是开源的，托管在 GitHub 上。
内容扫描智能体：智能提取以检测过时内容
内容扫描智能体是多智能体工作流的入口点。它负责识别可能过时的技术信息。该智能体专门针对那些可能随着时间推移而过时的元素。智能体分析内容，并按类型、博客中的位置和时效性对每个技术元素进行分类，生成结构化输出。这种结构化格式使验证智能体能够接收组织良好的数据并高效处理。
内容验证智能体：基于证据的验证
内容验证智能体接收来自扫描智能体的结构化技术元素，并根据权威来源执行验证。验证智能体使用 AWS 文档 MCP 服务器来访问当前的技术文档。对于从扫描智能体接收到的每个技术元素，它遵循一个由特定提示词指导的系统化验证过程，这些提示词侧重于客观、可衡量的标准。
该智能体被提示检查：
- 特定版本信息：提及的版本号、API 端点或配置参数是否仍然存在？
- 功能可用性：所述服务功能在指定区域或层级中是否仍然可用？
- 语法准确性：代码示例、CLI 命令或配置片段是否与当前文档匹配？
- 先决条件有效性：列出的要求、依赖项或设置步骤是否仍然准确？
- 定价和限制：提及的成本、配额或服务限制是否与当前公布的信息一致？
对于从扫描智能体接收到的每个技术元素，该智能体执行以下步骤：
- 根据元素类型和内容生成有针对性的搜索查询
- 向文档服务器查询当前信息
- 使用上述特定标准将原始声明与权威来源进行比较
- 将验证结果分类为
CURRENT（当前）、PARTIALLY_OBSOLETE（部分过时）或FULLY_OBSOLETE（完全过时） - 记录带有证据的具体差异
验证实例： 当扫描智能体识别出声明“Amazon Bedrock 仅在 us-east-1 和 us-west-2 区域可用”时，验证智能体会生成搜索查询“Amazon Bedrock 可用区域”，并从 AWS 文档中检索当前区域可用性。在发现 Bedrock 现已在包括 eu-west-1 和 ap-southeast-1 在内的 8 个以上区域可用后，它将其分类为 PARTIALLY_OBSOLETE，并附带证据：“原始声明列出了 2 个区域，但截至验证日期，当前文档显示在 us-east-1、us-west-2、eu-west-1、ap-southeast-1 和另外 4 个区域可用。”
验证智能体的输出保留了扫描智能体的元素结构，同时添加了这些验证详细信息和基于证据的分类。
推荐智能体：生成可操作的更新
推荐智能体代表了多智能体工作流的最后阶段，它将验证发现转化为可立即实施的内容更新。该智能体接收验证结果，并生成特定的建议，这些建议在纠正技术不准确性的同时，会保持原始内容的风格。
为您的内容审核用例调整多智能体工作流模式
多智能体工作流模式可以快速适应任何内容审核场景，而无需进行架构更改。无论是审核产品文档、营销材料还是监管合规文件，相同的三个智能体顺序工作流都适用。需要修改系统提示词以使每个智能体专注于特定领域的元素，并可能替换工具或知识源。例如，虽然我们的博客审核示例使用 http_request 工具来获取博客内容并使用 AWS 文档 MCP 服务器进行验证，但产品目录审核系统可能会使用数据库连接器工具来检索产品信息并查询库存管理 API 进行验证。类似地，合规性审核系统会调整扫描智能体的提示词以识别监管声明而不是技术声明，将验证智能体连接到法律数据库而不是技术文档，并配置推荐智能体以生成审计就绪的报告而不是内容更新。核心顺序步骤——提取、验证和推荐——在所有这些场景中保持不变，提供了一个经过验证的模式，可以从技术博客扩展到任何企业内容类型。我们建议进行以下更改，以便为其他内容类型定制解决方案。
- 使用您的自定义提示词指令替换
CONTENT_SCANNER_PROMPT、CONTENT_VERIFICATION_PROMPT和RECOMMENDATION_PROMPT变量的值：
python
CONTENT_SCANNER_PROMPT = """<replace with your prompt instructions>"""
CONTENT_VERIFICATION_PROMPT = """<replace with your prompt instructions>"""
RECOMMENDATION_PROMPT = """<replace with your prompt instructions>"""
- 更新用于内容验证智能体的官方文档 MCP 服务器：
python
product_db_mcp_client = MCPClient( lambda: stdio_client(StdioServerParameters( command="uvx", args=["<replace with your official documentation MCP server>"] )) )
- 当
http_request工具不足时，为内容扫描智能体添加适当的内容访问工具，如database_query_tool和cms_api_tool：
python
scanner_agent = Agent( model="us.anthropic.claude-3-7-sonnet-20250219-v1:0", system_prompt=CONTENT_SCANNER_PROMPT, tools=[database_query_tool, cms_api_tool] # Replace http_request )
这些有针对性的修改使相同的架构模式能够处理任何内容类型，同时保持经过验证的三智能体工作流结构，确保跨不同内容域的可靠性和一致性，而无需更改核心编排逻辑。
结论和后续步骤
在这篇博文中，我们解释了如何使用 Amazon Bedrock AgentCore 和 Strands Agents 构建一个由 AI 智能体驱动的内容审核系统。我们演示了多智能体工作流模式，其中专业智能体协同工作，以扫描内容、根据权威来源验证技术准确性并生成可操作的建议。此外，我们讨论了如何通过修改智能体提示词、工具和数据源来适应不同内容类型的多智能体模式，同时保持相同的架构框架。
我们鼓励您在您自己的账户中测试托管在 GitHub 上的示例代码，以获得使用该解决方案的第一手经验。作为后续步骤，请考虑从您部分内容的试点项目开始，为您的特定领域定制智能体提示词，并为您用例集成适当的验证源。此架构的模块化特性允许您在将系统扩展到处理组织全部内容审核需求时，迭代地改进每个智能体的能力。
关于作者
Sarath Krishnan 是亚马逊云科技（AWS）的资深生成式AI/ML专家解决方案架构师，他协助企业客户设计和部署生成式AI和机器学习解决方案，以实现可衡量的业务成果。他在生成式AI、机器学习和MLOps方面拥有深厚的专业知识，致力于构建可扩展、安全且可用于生产的AI系统。
Santhosh Kuriakose 是亚马逊云科技（AWS）的AI/ML专家解决方案架构师，他利用在AI和ML方面的专业知识为客户构建实现战略业务成果的技术解决方案。
Ravi Vijayan 是亚马逊云科技（AWS）的客户解决方案经理。他拥有开发者、技术项目经理和客户合伙人的专业经验，目前专注于帮助客户充分发挥迁移到云端和利用生成式AI进行现代化的潜力和益处。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区