从数据过载到可操作洞察：Verizon Connect如何将智能代理AI扩展至10万用户

Verizon Connect是一家全球车队管理解决方案提供商，其Reveal平台每天处理超过1.2亿活跃车辆订阅产生的5亿个数据点，涵盖8万个独特数据指标。面对如此庞大的数据量，车队管理者难以通过手动分析发现关键模式。为此，Verizon Connect选择了智能代理AI（Agentic AI）而非传统的静态仪表板或规则自动化系统，以动态探索新模式并适应车队的不可预测性。

**可扩展的架构设计** 解决方案的核心包括四个部分：异常检测、并行化请求管理、洞察生成引擎以及存储。整个工作流由每日触发器启动，首先通过无服务器统计模型（基于AWS Step Functions和Lambda）对结构化数据进行异常检测。该模型专门处理数值计算，避免让大语言模型（LLM）直接处理大规模表格数据。检测到的异常被写入专用表，然后激活AI代理。

AI代理采用Strands Agents开源SDK，在无服务器Lambda环境中运行，支持水平扩展。代理通过动态推理循环自主决定调查路径，而非遵循固定步骤。它使用特定工具检索预计算异常、从Amazon Aurora查询原始数据、从DynamoDB获取历史洞察，并将最终洞察写回S3。

**两阶段洞察生成** 第一阶段：聚合与优先级排序。代理接收一组原始异常后，由LLM自主决定如何聚合（按根本原因、时间相关性或类别相似性），并为每个候选洞察分配相关性分数，选出前四个最重要的进行详细生成。这种方式避免了静态规则可能遗漏新模式的弊端。

第二阶段：基于工具的详细调查。对每个摘要洞察，生成一个独立的代理实例，自主决定调用哪些工具以及调用顺序，直到收集足够证据产生数据支持的洞察。例如，发现整个车队紧急制动事件增加30%后，代理会自动拉取历史基线、按日期分解、识别特定车辆和驾驶员，最终生成有针对性的报告。

**成本优化与模型选择** 初期使用Claude Sonnet验证逻辑质量，后迁移至成本更低的Claude Haiku。最终采用Amazon Nova Lite，该模型速度极快且输入令牌成本比Claude Haiku低70%。由于工作负载以输入令牌为主（遥测数据、异常、上下文），这一节省至关重要。质量通过自动化测试套件和黄金标准数据集得以保证。所有LLM通过Amazon Bedrock托管。

**并发管理** 为在每天上午8点ET（基于前日午夜PT的数据）向10万用户交付洞察，系统使用Amazon SQS控制Lambda的最大并发数，从而平滑API请求峰值并符合Bedrock的配额（TPM和RPM）。例如，在四小时的洞察生成窗口内，以1500 RPM的速率，洞察生成阶段仅需约1.25小时。

生成的洞察直接显示在Reveal的实时地图侧边栏中，用户可点击查看详细分析。这一解决方案将被动式数据筛选转变为主动式智能，显著提升了车队管理效率。