用户常提出涉及多部分、比較性和探索性的問題，這些問題可能跨越PDF、幻燈片、工單、記錄和網頁內容。經典的單一檢索在面對這些問題時往往失效：答案遺漏上下文、支持工單升級、分析師浪費數小時重複搜索。Amazon Bedrock託管知識庫的智能檢索正是為解決此類問題而設計。
以一個實例説明差距：假設您已將25年的亞馬遜股東信函攝入托管知識庫。第一個直接問題：“文檔中最重要的是什麼？”標準Retrieve API按混合分數返回五個塊。在我們的測試語料中，最高分塊雖得分高但價值低——它涵蓋了亞馬遜標誌配色方案。後續塊涉及招聘、構建者和差異。檢索器完成了工作，按與查詢嵌入的相似度排序。但“最重要的是什麼”很模糊，評分器沒有衡量重要性的信號。
再考慮一個現實問題：“比較亞馬遜在2020年與2023年如何談論招聘、長期投資和客户至上。重點有何變化？”單次檢索需用一個查詢向量服務於三個意圖和兩個時間段。結果要麼是鬆散相關的塊，要麼是由最強信號主導的緊密聚類。這都不是人類分析師會做的。
人類會分解問題：搜索2020年的招聘，再搜索2023年的招聘，然後搜索每一年投資理念。閲讀結果，發現差距，完善搜索並再次運行。收集足夠證據後，綜合得出結論。智能檢索通過API自動化了這一工作流程。
單次檢索的不足包括：多部分問題嵌入不佳、比較推理需要針對每個項目檢索、跨來源問題靜態路由規則脆弱、缺乏充分性判斷、無法根據首次結果迭代。團隊已通過自定義代理框架解決，但帶來了額外的複雜性、延遲和成本。
智能檢索是Amazon Bedrock託管知識庫中的一種新檢索模式，通過AgenticRetrieveStream API提供。它不是一次相似性搜索，而是由基礎模型驅動的規劃循環：模型分解問題，對每個部分進行檢索，判斷證據是否充分，並根據需要迭代。默認在同一調用中生成有依據的響應。可設置generateResponse=False僅返回檢索結果。
您能看到循環的每個步驟有序的跟蹤事件流：SpeculativeRetrieval（初始檢索）、Planning（分析查詢、輸出子查詢）、Retrieval或FullDocumentExpansion（每次子查詢執行）、Result（最終去重塊）。去重僅在最終結果事件中應用，跟蹤事件保留各步驟詳情。
兩個主要調優參數：maxAgentIteration（迭代次數上限，單知識庫推薦3，多知識庫或比較查詢推薦4-5）和foundationModelType（服務託管模型或自定義模型）。定價方面，智能檢索按次收費，託管模型每千次$4加底層Retrieve調用每千次$1。
API實踐：單知識庫時，發送請求並消費流，接收跟蹤事件、生成響應塊和最終結果。多知識庫時，可註冊最多五個託管KB檢索器，併為每個附加自然語言描述，規劃器據此路由子查詢。選擇Retrieve API用於簡短明確的問題，選擇AgenticRetrieveStream用於複雜多部分問題。智能檢索在基準測試中表現優異（詳情略）。